本文經AI新媒體量子位（公眾號ID:QbitAI）授權轉載，轉載請聯系出處。

 有件事情一直令我感到好奇：

都2021年了，現在有自動駕駛船在海上行駛嗎？

帶著這個問題，我打開谷歌，輸入“Autonomous ship”，沒想到現在的自動駕駛輪船技術刷新了我的認知：

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……

除了實驗室里的成果，其商業化進度更是超出我的想象：

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）。他們運用雷達和攝像頭檢測并避開障礙物，在途中自動行駛，駛入港口后自動停泊。

之后，RR商業海事部門于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的技術藍圖里，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，那么剩下的問題來了。

輪船如何自動駕駛？

自動駕駛汽車使用的技術和芯片五花八門，有堅持只用圖像識別的，也有結合激光雷達的；有自研芯片的，也有購買第三方計算平臺的。

Kongsberg用的是什么方案？

和大多數無人車類似，Kongsberg的方案采用了多種傳感器：雷達探測遠距離物體，激光雷達對船體附近區域進行高精度分析，高清攝像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（智能意識）。

三種傳感器收集到的信息，經過算法處理后顯示在屏幕上，船員可以通過儀表盤看到高亮顯示的潛在危險區域。

按照，Kongsberg的說法，“智能意識”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，其中用的圖像識別與分類比自動駕駛汽車要復雜得多。

因為海面上的搜索距離更大，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。

這必然對硬件有很高的要求。

他們居然只用CPU

然而令人吃驚的是，Kongsberg在這套方案里沒有使用AI推理加速硬件，比如獨立的GPU或NPU，而是完全依賴于英特爾的CPU（和內部集成GPU）。

即使在運算量更小的自動駕駛車上，不使用專門的AI芯片都是不可想象的。

況且Kongsberg過去的AI方案也不是沒使用過GPU，為什么在輪船上反而不用了？令人費解。

后來，這家公司的一位項目經理Saarela在采訪中道出了緣由：

其中一個重要原因是海事認證問題。如果不用GPU，我們的服務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服務器系統。我們并不是每臺服務器都需要GPU，所有服務器都不用GPU會更好，這樣我們就獲得了冗余，能在任何服務器上運行任何應用程序。

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使用兩個英特爾至強鉑金8153處理器，每個處理器有16個內核。每個內核可處理兩個線程，所以總共可并行處理64個模型。

硬件規格絕對夠豪華。問題是，CPU能滿足自動駕駛的計算需求嗎？

對于這一點，就連項目經理Saarela本人最初也沒有信心。

如果CPU處理圖像的速度不夠快，那么自動駕駛輪船就可能撞到其他高速移動的船只。對于商業海運來說，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供應商英特爾聯手優化了“智能意識”解決方案。

Kongsberg負責提供預先訓練好的人工智能模型供英特爾使用。而英特爾則提供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絡優化）是英特爾于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英特爾硬件平臺上部署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）。

由于去除了模型中任何僅與訓練相關的運算，并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）之間的橋梁。

OpenVINO將訓練后的模型針對英特爾硬件進行深度優化，再重新部署，而且這個過程中無需重新訓練AI模型。

經優化后，在Kongsberg的一個目標識別基準項目上，CPU每秒處理的圖片數量提升了4.8倍。

看到這個結果后，Kongsberg的項目經理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，這套工具給英特爾CPU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、人臉識別、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于工業領域的工具包，英特爾也考慮到穩定性提供LTS版，保證了性能、接口向后兼容性、7x24穩定性以及壓力測試。

搭配上英特爾配套提供的Python分發版，只需微調代碼即可提高Python應用程序的性能，加速NumPy、SciPy和Scikit-learn等科學計算、機器學習庫。

在官方文檔中，Python分發版最高可以帶來數倍的性能提升。

現在，我終于明白，Kongsberg為什么只用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，一臺開發電腦可能沒有獨立顯卡，但是絕對不能沒有CPU。

而有了OpenVINO工具包的加持，受限的硬件環境一樣能發揮出AI的性能。

說到這里，我突然想起來之前在英特爾開發者活動上抽中的獎品——第二代神經計算棒，這家伙放在我抽屜里很久了。

我特意去官網查詢了一下，這款英特爾硬件也支持OpenVINO，而且我最近還入手了樹莓派開發板，正愁如何使用。

沒想到解決自動駕駛輪船的疑問，還幫我解決了另一個難題——如何防止樹莓派吃灰，現在是時候用OpenVINO和神經計算棒去重新部署一下我的YOLO模型了。