ADVERTISEMENT
有件事情一直令人感到好奇：都2021年了，現在有自動駕駛船在海上行駛嗎？如果你在Google上輸入「 Autonomous ship 」，出現的結果可能會改變你的認知：完全無人的自動駕駛輪船今年將橫渡大西洋；零排放的自動駕駛輪船正在研發中……
除了實驗室裡的成果，其商業化進度更是超出大家的想像。原來，早在2018年，RR（也就是勞斯萊斯）曾用自動駕駛輪船成功跨海運送了80名VIP客戶的汽車。
RR的技術來自一家挪威公司—— Kongsberg Maritime（康斯博格海事）。他們運用雷達和攝影鏡頭檢測並避開障礙物，在途中自動行駛，駛入港口後自動停泊。
之後，RR商業海事部門於2019年4月被Kongsberg收購。
而這家Kongsberg，正是前面提到的開發零排放自動駕駛船舶的航海巨頭。
在Kongsberg的技術藍圖裡，未來挪威公司生產的化肥將在三個港口之間裝船、航行和卸貨。整個過程完全無需人工現場干預。
按照國際海事組織（IMO）的定義，現在的自動駕駛輪船技術正在從L2向L3演進。
至此，剩下的問題是：輪船是如何自動駕駛？
自動駕駛汽車使用的技術和晶片五花八門，有堅持只用圖像辨識的，也有結合光學雷達的；有自主研發晶片的，也有購買第三方運算平台的。
Kongsberg用的是什麼方案？
和大多數無人車類似，Kongsberg的方案採用了多種感測器：雷達探測遠距離物體，光學雷達對船體附近區域進行高精度分析，高解析度攝影鏡頭拍攝船舶前方海域180度視野景象。
這就是他們首款上市的全自動駕駛船解決方案Intelligent Awareness（智慧意識）。
三種感測器收集到的訊息，經過演算法處理後顯示在螢幕上，船員可以透過儀錶盤看到高亮顯示的潛在危險區域。
按照，Kongsberg的說法，「智慧意識」可幫助降低航海者的風險，尤其是在黑暗環境、惡劣天氣條件下，或是擁擠海域，以及進出船塢之時。
當然，其中用的圖像辨識與分類比自動駕駛汽車要復雜得多。
因為海面上的搜尋距離更大，因此圖像中物體的縮放比例是一個巨大挑戰。相同物體在不同距離上呈現的大小有天壤之別，可能最小10個像素塊、最大10萬個像素塊。
這必然對硬體有很高的要求。
他們居然只用CPU
然而令人吃驚的是，Kongsberg在這套方案裡沒有使用AI推理加速硬體，例如獨立的GPU或NPU，而是完全依賴於Intel的CPU（和內部整合GPU）。
即使在運算量更小的自動駕駛車上，不使用專門的AI晶片都是不可想像的。
況且Kongsberg過去的AI方案也不是沒使用過GPU，為什麼在輪船上反而不用了？令人費解。
後來，這家公司的一位專案經理Saarela在採訪中道出了緣由：
其中一個重要原因是海事認證問題。如果不用GPU，我們的伺服器會更容易通過認證。而且，我們還想降低功耗。
我們理想的方案是使用差不多相同的通用伺服器系統。我們並不是每台伺服器都需要GPU，所有伺服器都不用GPU會更好，這樣我們就獲得了更多的彈性，能在任何伺服器上執行任何應用程式。
工業領域嚴苛的認證體系，商業用戶節約成本的需求，讓全CPU方案成為了「自動駕駛輪船」的首選方案。
實際上， CPU也是完全可以勝任AI推理的。
在這套方案中，Kongsberg使用兩個Intel至強鉑金8153處理器，每個處理器有16個核心。每個核心可處理兩個線程，所以總共可並行處理64個模型。
硬體規格絕對夠豪華。問題是，CPU能滿足自動駕駛的運算需求嗎？
對於這一點，就連專案經理Saarela本人最初也沒有信心。
如果CPU處理圖像的速度不夠快，那麼自動駕駛輪船就可能撞到其他高速移動的船隻。對於商業海運來說，這種事故造成的經濟損失不容小覷。
誰說CPU不適合AI推理
為了解決這個難題，Kongsberg找來CPU供應商Intel聯手優化了「智慧意識」解決方案。
Kongsberg負責提供預先訓練好的人工智慧模型供Intel使用。而Intel則提供OpenVINO 「加速包」”，在不降低準確度的情況下幫助提升數據處理速度。
OpenVINO（開放式視覺推理和神經網路優化）是Intel於2018年推出的深度學習優化與部署開源工具包，幫助開發者更方便地在Intel硬體平台上部署AI模型。
OpenVINO支持Caffe、TensorFlow、MXNet、ONNX等主流深度學習框架，而PyTorch、PaddlePaddle等支持轉換為ONNX的框架也可以間接使用，覆蓋了絕大多數AI開發者。
當然，用TensorFlow開發自動駕駛輪船的Kongsberg也不例外。
OpenVINO將訓練好的模型透過模型優化器轉換為中間表示（IR）文件（*.bin和*.xml）。
由於去除了模型中任何僅與訓練相關的運算，並將部分推理運算融合在一起，所以大大加快了推理計算的速度。
下圖展示了OpenVINO（深藍色）在模型中的作用，它就像假設在深度學習框架（淺藍色）和用戶應用（橙色）之間的橋樑。
OpenVINO將訓練後的模型針對Intel硬體進行深度優化，再重新部署，而且這個過程中無需重新訓練AI模型。
經優化後，在Kongsberg的一個目標辨識基準專案上，CPU每秒處理的圖片數量提升了4.8倍。
看到這個結果後，Kongsberg的專案經理Saarela表示：
結果讓我十分震驚。我原以為我們永遠都擺脫不了GPU，但這些結果改變了我的想法，讓我看到了使用CPU的可能性。
打開OpenVINO的介紹頁面，你會發現，這套工具給IntelCPU帶來了巨大的AI技術加成。
最新的2021.2版功能已十分強大，支援圖像分類、語義分割、目標檢測、人臉辨識、單眼深度估計、圖像修補等幾乎所有CV應用模型。
而作為一款可以放心用於工業領域的工具包，Intel也考慮到穩定性提供LTS版，保證了性能、連接埠向下相容性、7x24穩定性以及壓力測試。
搭配上Intel配套提供的Python分發版，只需微調程式碼即可提高Python應用程式的性能，加速NumPy、SciPy和Scikit-learn等科學計算、機器學習庫。
在官方檔案中，Python分發版最高可以帶來數倍的性能提升。
現在，我終於明白，Kongsberg為什麼只用CPU也能開發自動駕駛輪船了。
其實不僅是輪船，類似的場合還很多。就拿很多個人開發者來說，一台開發電腦可能沒有獨立顯示卡，但是絕對不能沒有CPU。
而有了OpenVINO工具包的加持，受限的硬體環境一樣能發揮出AI的性能。
說到這裡，突然讓人想到之前在Intel開發者活動上抽中的獎品——第二代神經計算棒，這傢伙放在我抽屜裡很久了。
- 本文授權轉載自量子位
有件事情一直令人感到好奇：都2021年了，現在有自動駕駛船在海上行駛嗎？如果你在Google上輸入「 Autonomous ship 」，出現的結果可能會改變你的認知：完全無人的自動駕駛輪船今年將橫渡大西洋；零排放的自動駕駛輪船正在研發中……
除了實驗室裡的成果，其商業化進度更是超出大家的想像。原來，早在2018年，RR（也就是勞斯萊斯）曾用自動駕駛輪船成功跨海運送了80名VIP客戶的汽車。
RR的技術來自一家挪威公司—— Kongsberg Maritime（康斯博格海事）。他們運用雷達和攝影鏡頭檢測並避開障礙物，在途中自動行駛，駛入港口後自動停泊。
之後，RR商業海事部門於2019年4月被Kongsberg收購。
而這家Kongsberg，正是前面提到的開發零排放自動駕駛船舶的航海巨頭。
在Kongsberg的技術藍圖裡，未來挪威公司生產的化肥將在三個港口之間裝船、航行和卸貨。整個過程完全無需人工現場干預。
按照國際海事組織（IMO）的定義，現在的自動駕駛輪船技術正在從L2向L3演進。
至此，我對自動駕駛輪船的商業化進程已經有大致的了解，那麼剩下的問題來了。
輪船如何自動駕駛？
自動駕駛汽車使用的技術和晶片五花八門，有堅持只用圖像辨識的，也有結合光學雷達的；有自主研發晶片的，也有購買第三方運算平台的。
Kongsberg用的是什麼方案？
和大多數無人車類似，Kongsberg的方案採用了多種感測器：雷達探測遠距離物體，光學雷達對船體附近區域進行高精度分析，高解析度攝影鏡頭拍攝船舶前方海域180度視野景象。
這就是他們首款上市的全自動駕駛船解決方案Intelligent Awareness（智慧意識）。
三種感測器收集到的訊息，經過演算法處理後顯示在螢幕上，船員可以通過儀錶盤看到高亮顯示的潛在危險區域。
按照，Kongsberg的說法，「智慧意識」可幫助降低航海者的風險，尤其是在黑暗環境、惡劣天氣條件下，或是擁擠海域，以及進出船塢之時。
當然，其中用的圖像辨識與分類比自動駕駛汽車要復雜得多。
因為海面上的搜尋距離更大，因此圖像中物體的縮放比例是一個巨大挑戰。相同物體在不同距離上呈現的大小有天壤之別，可能最小10個像素塊、最大10萬個像素塊。
這必然對硬體有很高的要求。
他們居然只用CPU
然而令人吃驚的是，Kongsberg在這套方案裡沒有使用AI硬體加速，例如獨立的GPU或NPU，而是完全依賴於Intel的CPU（和內部整合GPU）。
即使在運算量更小的自動駕駛車上，不使用專門的AI晶片都是不可想像的。
況且Kongsberg過去的AI方案也不是沒使用過GPU，為什麼在輪船上反而不用了？令人費解。
後來，這家公司的一位專案經理Saarela在採訪中道出了緣由：
其中一個重要原因是海事認證問題。如果不用GPU，我們的伺服器會更容易通過認證。而且，我們還想降低功耗。
我們理想的方案是使用差不多相同的通用伺服器系統。我們並不是每台伺服器都需要GPU，所有伺服器都不用GPU會更好，這樣我們就獲得了冗餘，能在任何伺服器上運行任何應用程式。
工業領域嚴苛的認證體系，商業用戶節約成本的需求，讓全CPU方案成為了「自動駕駛輪船」的首選方案。
實際上， CPU也是完全可以勝任AI推理的。
在這套方案中，Kongsberg使用兩個Intel至強鉑金8153處理器，每個處理器有16個核心。每個核心可處理兩個線程，所以總共可並行處理64個模型。
硬體規格絕對夠豪華。問題是，CPU能滿足自動駕駛的運算需求嗎？
對於這一點，就連專案經理Saarela本人最初也沒有信心。
如果CPU處理圖像的速度不夠快，那麼自動駕駛輪船就可能撞到其他高速移動的船隻。對於商業海運來說，這種事故造成的經濟損失不容小覷。
誰說CPU不適合AI推理
為了解決這個難題，Kongsberg找來CPU供應商Intel聯手優化了「智慧意識」解決方案。
Kongsberg負責提供預先訓練好的人工智慧模型供Intel使用。而Intel則提供OpenVINO「加速包」，在不降低準確度的情況下幫助提升數據處理速度。
OpenVINO（開放式視覺推理和神經網路優化）是Intel於2018年推出的深度學習優化與部署開源工具包，幫助開發者更方便地在Intel硬體平台上部署AI模型。
OpenVINO支持Caffe、TensorFlow、MXNet、ONNX等主流深度學習框架，而PyTorch、PaddlePaddle等支持轉換為ONNX的框架也可以間接使用，覆蓋了絕大多數AI開發者。
當然，用TensorFlow開發自動駕駛輪船的Kongsberg也不例外。
OpenVINO將訓練好的模型通過模型優化器轉換為中間表示(IR)文件（*.bin和*.xml）。
由於去除了模型中任何僅與訓練相關的運算，並將部分推理運算融合在一起，所以大大加快了推理計算的速度。
下圖展示了OpenVINO（深藍色）在模型中的作用，它就像假設在深度學習框架（淺藍色）和用戶應用（橙色）之間的橋樑。
OpenVINO將訓練後的模型針對Intel硬體進行深度優化，再重新部署，而且這個過程中無需重新訓練AI模型。
經優化後，在Kongsberg的一個目標辨識基準專案上，CPU每秒處理的圖片數量提升了4.8倍。
看到這個結果後，Kongsberg的專案經理Saarela表示：
結果讓我十分震驚。我原以為我們永遠都擺脫不了GPU，但這些結果改變了我的想法，讓我看到了使用CPU的可能性。
打開OpenVINO的介紹頁面，你會發現，這套工具給IntelCPU帶來了巨大的AI技術加成。
最新的2021.2版功能已十分強大，支持圖像分類、語義分割、目標檢測、人臉辨識、單眼深度估計、圖像修補等幾乎所有CV應用模型。
而作為一款可以放心用於工業領域的工具包，Intel也考慮到穩定性提供LTS版，保證了性能、連接埠向下相容性、7x24穩定性以及壓力測試。
搭配上Intel配套提供的Python分發版，只需微調程式碼即可提高Python應用程式的性能，加速NumPy、SciPy和Scikit-learn等科學計算、機器學習庫。
在官方檔案中，Python分發版最高可以帶來數倍的性能提升。
其實不僅是輪船，類似的場合還很多。就拿很多個人開發者來說，一台開發電腦可能沒有獨立顯示卡，但是絕對不能沒有CPU。
而有了OpenVINO工具包的加持，受限的硬體環境一樣能發揮出AI的性能。
- 本文授權轉載自量子位
請注意！留言要自負法律責任，相關案例層出不窮，請慎重發文！