TIER IV 计划开源用于自动驾驶的 AI 芯片设计

TIER IV 在加入一项日本研究计划后登上 Google News，其目标十分明确：开源面向 L4 级自动驾驶的 AI 芯片设计。

这项于 8 月 14 日发布的公告，并不只是又一个汽车处理器项目。TIER IV 计划公开芯片逻辑、编译器及相关开发工具，希望半导体公司在构建通常称为 SoC 的片上系统产品时复用这一基础。

其主要挑战的并非某一家芯片厂商，而是封闭的通用计算模式：它能为开发者提供高性能，却让人难以完整了解执行路径。NVIDIA DRIVE Thor 代表了这种模式的规模与成熟度，而 TIER IV 正在测试一种更聚焦的替代方案。

这种差异在车辆中至关重要。自动驾驶模型必须持续处理传感器数据，满足严格的时序要求，并在有限的电力和散热预算内运行。其计算过程还必须能够支撑可信的安全论证。

TIER IV 表示，专用硬件可以在不将开发者锁定于单一模型架构的前提下提升效率。该公司还希望在软件进入车辆之前，利用形式化方法验证部分编译器转换过程。

这些主张目前仍属于研究议程，而非成熟的汽车产品。公告中没有附带基准测试结果、已制造芯片、量产客户、安全认证或发布时间表。

因此，真正的核心是一次权衡。开放计算栈可以改善可审查性和复用性，但达到汽车量产级别的硬件要求，远不止发布源文件那么简单。

Google News 标题实际宣布了什么

TIER IV 已承诺开放三个相互关联的层级：芯片逻辑、编译器和配套工具链。

Google News 列表背后的来源是 TIER IV 的公告，而非 Google 自己发布的消息。Google News 通过其聚合系统分发了该标题。公告并未将 Google 列为参与方、资助方、技术合作伙伴或芯片客户。

TIER IV 加入了下一代边缘 AI 半导体研发计划。该计划由日本科学技术振兴机构（JST）牵头。

据 TIER IV 称，东京大学的一个研究团队将主导更广泛的、以应用场景驱动的芯片研究，团队由川原圭博教授领衔。该项目聚焦于功能差异化的物理 AI 硬件。

物理 AI 指的是将 AI 决策与实体行动连接起来的系统。自动驾驶车辆属于这一类别，因为其模型会解读传感器信息，并影响转向、制动和加速。

TIER IV 将负责推理加速器的逻辑设计。推理是指让训练完成的模型处理新输入的过程。目标工作负载是端到端自动驾驶 AI。

端到端模型学习从传感器输入到驾驶决策的更广泛映射。这与将系统划分为单独工程化的感知、预测、规划和控制模块的流水线形成对比。

TIER IV 表示，该芯片将支持由其开创的开源自动驾驶软件栈 Autoware。公司计划将该加速器作为更大型 SoC 的一部分进行评估。

这一措辞确立了重要边界。TIER IV 宣布的是设计与评估工作，而非商业芯片。它尚未公布制造工艺、晶圆代工厂、流片日期、封装合作伙伴或量产车型。

该公司也没有公布预期的每秒运算次数，未提供实测延迟、内存带宽、模型准确率或每瓦性能数据。

相反，TIER IV 描述了一个目标范围。该架构应覆盖功耗为数瓦的嵌入式设备，以及功耗为数十瓦的车辆控制单元。在硬件测量结果出现之前，这些仍只是设计目标。

开源承诺同样具有前瞻性。TIER IV 表示有意发布设计资产和工具，但公告并未指明代码仓库或许可证。

这一区别很重要，因为“开源”可能涵盖不同的权利。开发者需要知道自己是否能够检查、修改、制造、再分发和商业化该设计。

不过，该公告仍改变了讨论的方向。TIER IV 已将其开放开发战略延伸至 Autoware 的软件层之下，进入支撑它的计算架构。

Autoware 于 2015 年作为开源项目启动。TIER IV 随后将其权利转移给非营利组织 Autoware Foundation，后者现负责协调企业和研究机构之间的开发工作。

当前的 Autoware 项目 涵盖定位、目标检测、路径规划和车辆控制等功能。这段历史让 TIER IV 在提出硬件方案时拥有一个成熟的社区基础。

但这并不保证同一社区会去设计或制造芯片。半导体开发会带来资本、知识产权、验证和供应链方面的约束，而这些并不会以同样的形式出现在软件项目中。

为什么 L4 级自动驾驶将效率置于峰值性能之前

TIER IV 优化的是整车范围内每瓦所完成的有效工作，而非单一加速器的最高孤立评分。

L4 级自动化允许车辆在既定运行条件内完成全部驾驶任务。这些条件构成其运行设计域，即 ODD。

ODD 可按道路类型、地理区域、天气、时间或车速限制系统。离开该范围时，车辆必须进入安全状态，而不能期待人类立即重新接管控制。

这一要求带来了持续不断的计算需求。摄像头和激光雷达会产生连续数据，规划决策则必须在有限时间内给出。延迟的答案可能与错误答案同样有害。

大型 Transformer 模型又增加了一层负担。Transformer 使用注意力运算来关联输入序列中的相关信息。在驾驶场景中，该序列可能包括图像、点云、地图和近期车辆状态。

TIER IV 计划为矩阵乘法和注意力运算增加专用电路，这两类运算在 Transformer 推理中频繁出现。专用化可以消除通用处理器为保持灵活性而承担的一部分控制开销。

该公司还希望减少数据移动。其方案是在芯片内预先放置并复用模型数据，从而限制对外部内存的重复传输。

这是一个可信的目标，因为移动数据会消耗能量。不过，实际收益取决于模型规模、内存容量、精度、稀疏性、调度方式和传感器工作负载。

完全驻留在芯片内的小型基准测试可能表现出色。反复访问外部内存的量产模型，则可能呈现不同的功耗特征。

因此，系统级测量将比单一加速器数字更重要。开发者需要了解总板级功耗、端到端延迟、热特性，以及在具有代表性的传感器负载下的性能。

TIER IV 明确表示，将共同优化 Autoware 和 SoC。这种软硬件协同设计能够暴露通用接口隐藏的浪费。

风险在于专用化。为当今 Transformer 运算紧密调优的电路，可能会随着模型变化而失去相关性。自动驾驶架构仍未定型，尤其是在开发者将端到端学习与工程化安全组件结合之际。

TIER IV 的应对方案是软件定义 SoC。这一表述意味着，即使底层电路高度专用化，软件仍应保留一定的适应能力。

该公司计划在模型框架与硬件之间引入 Tensor Operator Set Architecture。TOSA 是一种标准化中间表示，以一致形式表达常见神经网络运算。

官方 TOSA framework 支持来自 PyTorch 和 TensorFlow 等系统的算子，面向 CPU、GPU、神经处理器及其他定制硬件。

按照 TIER IV 的计划，模型会先转换为 TOSA 运算。随后，编译器将对这些运算进行优化，并为加速器生成指令。

这种分离能够减少单一模型框架与单一芯片之间的直接耦合。编译器和运行时更新或可支持部分模型变化，而无需彻底重新设计硬件。

“部分”是关键限定。软件无法创造不存在的电路，无法扩展固定内存，也无法消除硬件瓶颈。未来的工作负载仍可能需要新的芯片。

尽管如此，这一概念提供了务实的折中方案。TIER IV 并非试图用固定功能逻辑取代所有灵活处理器，而是希望在保留标准化软件边界的同时，将高频运算专用化。

这一机制解释了为何该项目比普通的资助公告更具意义。拟议芯片是在检验：开放接口能否使专用汽车计算具备足够的适应性，以应对不断变化的模型。

开放芯片设计与封闭汽车平台之争

TIER IV 正在挑战依赖性与不透明性，而成熟平台在性能、工具和量产就绪度方面仍保有重大优势。

NVIDIA 展示了既有路线。根据该公司的 Thor 产品简介，其 DRIVE AGX Thor 开发平台在 350 瓦功耗下可提供最高 1,000 INT8 TOPS。

TOPS 指每秒万亿次运算。该数字有助于比较相关配置，但本身并不能预测完整驾驶系统的性能。

NVIDIA 将汽车硬件与 DriveOS、CUDA、TensorRT、传感器支持及面向安全的软件结合。这一集成环境减少了汽车制造商必须自行组装的组件数量。

Thor 还面向更广泛的工作负载，可整合自动驾驶、驾驶员监测、信息娱乐及其他车辆功能。TIER IV 公布的加速器则更聚焦于自动驾驶推理。

因此，直接比较性能分数还为时过早，也可能造成误导。TIER IV 尚未披露 TOPS 目标，而 NVIDIA 的平台覆盖了拟议加速器范围之外的工作负载。

战略上的对比则更为清晰。使用专有汽车平台的客户可以检查公开接口，但通常无法审计或修改每一项内部硬件细节。

TIER IV 希望开发者和半导体制造商能够审查逻辑与处理流程。该公司表示，他们应能针对特定车辆、模型、功耗限制和性能要求调整设计。

这种访问级别可以降低对单一商业产品的依赖，也能帮助研究人员复现结果，或调查编译器与加速器边界之间的行为。

开放硬件并非没有先例。NVIDIA 自身就维护着 NVDLA architecture，这是一个开放的深度学习加速器，提供硬件模型、编译器组件、驱动程序、测试和文档。

NVDLA 展示了这一领域的潜力与细微差别。开放加速器可以提供可复用的起点，但其许可证、集成要求、功能集和维护模式仍会影响采用。

TIER IV 对汽车领域的关注可能使其工作形成差异化优势。从一开始便整合 Autoware 的需求，或许能产出比通用 IoT 加速器更贴近真实驾驶工作负载的设计。

其提出的验证层也强化了这一论点。TIER IV 表示，将采用形式化方法审查编译过程中执行的特定转换。

形式化验证运用数学技术来测试某项指定属性是否成立。这里的目标包括数值一致性，以及是否符合既定的误差容限。

编译可通过量化、舍入、算子转换和优化改变模型。量化使用更低精度的数值格式，以减少内存占用和计算量。

这些变化可能改变模型输出。在普通消费级应用中，微小差异或许可以接受；但在与安全相关的驾驶链路中，开发人员必须了解这种差异何时会变得显著。

TOSA 提供了精确的算子定义，可作为这些检查的基础。TIER IV 希望追踪模型在加速器执行前经历的变化。

这并不意味着神经网络因此获得形式化安全性。验证编译器转换不同于证明车辆能够识别每一种危险，或选择正确的驾驶动作。

但它仍可消除一个不确定性来源。如果模型在编译后表现不同，工程师需要区分这是预期容差，还是实现错误。

封闭平台也有自己的应对方式。大型供应商在功能安全流程、验证体系、网络安全和受支持的量产硬件方面投入巨大。

开放并不会自动胜过这些体系。它改变的是谁能够检查、修改和基于这些组件继续构建。

因此，竞争并非开放与安全之间的对立，而是围绕一个可审查的技术栈能否在不失去受控平台工业化纪律的前提下，实现汽车级可靠性展开的讨论。

源代码公布后，真正的难关才开始

发布芯片逻辑将开启项目最艰难的考验，而非宣告项目完成。

汽车芯片必须承受研究原型可能从未面对过的环境、制造和运行要求。设计还需要与传感器、内存、网络、操作系统及车辆控制器实现可靠集成。

TIER IV 尚未披露其制造路径。一项逻辑设计必须经历综合、时序收敛、物理布局、验证、流片、封装和电路板验证，才能成为可用的硅芯片。

编译器同样需要达到相近的成熟度。它必须支持目标算子，提供可预测的输出，捕捉不受支持的情况，并在模型演进时保持稳定。

开放代码库能够吸引贡献者，但贡献量不等于量产责任。汽车制造商需要持续维护的版本、缺陷处理、长期支持以及清晰的责任归属。

许可证将是早期信号。宽松许可证可鼓励商业复用，而专利条款或使用领域限制则可能收窄实际自由度。

文档同样如此。半导体团队需要集成规范、内存模型、性能工具、参考配置、测试以及可复现的构建流程。

该项目还必须明确“可验证”涵盖哪些内容。TIER IV 提到的是选定的转换和操作，这种限定是恰当的。

读者不应将这一词语解读为完整车辆安全性的证明。即使编译器正确，仍可能执行有缺陷的模型、处理错误的传感器数据，或在未经验证的条件下运行。

所提出的端到端重点还带来了另一种张力。这些模型能够减少手工构建的边界，并在整个驾驶任务中学习有用的关联。

但它们也可能使故障分析变得困难。开发人员或许难以解释，为什么模型会在罕见情况下选择某一条轨迹。

开放芯片逻辑并不能解决模型可解释性问题。它能够揭示计算如何执行，所处理的是问题的另一层。

性能同样仍未经验证。目标功耗区间听起来颇具吸引力，尤其是相比耗电数百瓦的开发平台。

然而，完整计算机、SoC 和加速器模块的功耗数据不能直接比较。散热、内存、接口、冗余机制和安全处理器都会增加功耗。

正确的比较应采用等效工作负载和一致的系统边界。它还应报告延迟分布，而不只是平均值，因为偶发的结果延迟也可能造成影响。

精度也必须在编译和量化后进行测量。如果它使感知或规划性能下降到可接受阈值之外，低功耗结果的价值便会受限。

TIER IV 将需要能够代表量产需求的模型。简化的学术网络可以验证架构理念，却无法证明其已准备好应对密集的城市驾驶。

JST 的参与为这一工作提供了公共研究支持。其项目说明强调超低功耗边缘 AI，以及向产业界快速转移。

该更广泛项目于 2025 年开始征集提案。它借助学术研究，同时瞄准实用的半导体开发。

公共支持可以承担私营企业避开的早期技术风险，却无法创造市场需求，也不能保证汽车制造商会采用。

半导体合作伙伴必须看到商业理由。他们需要足够的预期规模、差异化优势或服务收入，才能证明产品工程投入的合理性。

汽车制造商则必须看到支持保障。他们需要确信，开放组件会在漫长的车辆开发和运营周期中持续得到维护。

Autoware 社区为 TIER IV 提供了起步优势。它已经围绕一套共享技术栈连接了软件开发人员、研究人员和移动出行项目。

硬件参与还需要更多群体加入。晶圆厂、知识产权供应商、电路板制造商、安全专家和车辆制造商必须围绕该设计达成一致。

这正是为何应将 8 月的公告视为一个严肃假设。它指出了一个真实问题和一套连贯机制，但尚未提供作出结论所需的证据。

日本为何此刻资助边缘 AI 半导体

日本正将低功耗 AI 研究与一项旨在重新获得半导体和实体系统影响力的产业行动联系起来。

JST 表示，该项目利用学术理念开发功耗极低的下一代边缘 AI 芯片，同时强调从研究走向产业。

这一使命契合自动驾驶。车辆无法将每一项紧急决策都发送到远程数据中心，因为网络会引入延迟、覆盖缺口和外部依赖。

推理必须在边缘侧进行，也就是在传感器和实体系统附近。因此，车辆需要承载其大部分计算能力。

日本还拥有成熟的汽车、电子、机器人和制造产业。即使该国在通用 AI 加速器方面落后于领先供应商，这些优势也为实体 AI 创造了应用场景。

TIER IV 的提案遵循以应用场景为先的策略。团队并非先设计通用芯片再寻找客户，而是从 Autoware 和 Level 4 的需求出发。

Kawahara 教授将该项目描述为从具体应用反向映射芯片功能。这种方法能够提升硬件效率，因为设计人员知道哪些操作真正重要。

但它也可能限制可覆盖市场。围绕单一自动驾驶技术栈塑造的设计，若要用于工业机器人、无人机或无关的 AI 工作负载，可能需要大幅调整。

开源或许能够缓解这一限制。其他开发者可以改造组件、增加接口，或将设计专门用于相邻的实体系统。

不过，开放也暴露出战略层面的张力。半导体技术日益涉及经济安全问题，而开放项目会跨境分发设计信息。

JST 将该边缘 AI 项目列为接受研究安全审查的计划之一。这并不意味着 TIER IV 的提案存在问题，但表明开放半导体工作所处的政策平衡。

日本希望同时实现国内能力、国际合作和产业采用。真正可复用的开放设计能够推动这三项目标，但商业参与者仍会保护专有改进。

最终形成的生态系统可能将开放基础与封闭产品结合。Linux、RISC-V 和许多软件项目都遵循类似模式。

这种结果并不会否定 TIER IV 的策略。关键问题在于，开放层是否仍足够有用，以避免单一供应商控制每一个关键接口。

Google News 的曝光可以让这一问题获得关注，但关注并不等于采用。该项目的价值将取决于外部团队能够测试的工程成果。

对开发人员而言，这一事件表明，开放自动驾驶正从应用和中间件向更底层推进。硬件架构、编译器和数值验证正成为同一开发讨论的一部分。

对汽车制造商而言，它提供了一条可能的路径，以获得对计算路线图更大的控制权。这种控制也带来集成、验证、维护和供应商协调的责任。

对半导体企业而言，TIER IV 提出了一套可能缩短开发周期的参考基础。其是否能够做到，将取决于设计质量、文档、许可证和可复用的验证资产。

压力最直接地落在专有汽车计算供应商身上。他们不需要立即开放设计，但客户可能会要求更清晰的接口、更强的可追溯性和更高的工作负载效率。

决定 TIER IV 押注能否成功的三个信号

该项目将依次通过可审查的发布、经测量的芯片和外部采用来建立可信度。

第一个信号是公开发布本身。TIER IV 应明确代码库、许可证、治理模式、支持的 TOSA 版本、编译器范围和参考工作负载。

如果发布内容只有图示或不完整的逻辑模块，将削弱开放生态系统的主张。可制造的逻辑、构建说明、测试和编译器组件则会增强这一主张。

问题跟踪的质量同样重要。外部开发人员应能复现构建、报告缺陷，并了解哪些组件仍处于实验阶段。

第二个信号是硬件验证。TIER IV 需要拿出已流片的芯片，或在可编程硬件上提供可信实现，随后给出透明的测量结果。

这些结果应包括每瓦性能、延迟、内存流量、热行为和模型精度。测试应采用具有代表性的摄像头和点云工作负载。

比较必须保持系统边界一致。在没有明确说明的情况下，不应将一个加速器模块与完整汽车计算机的总功耗进行比较。

验证结果同样值得关注。TIER IV 应披露哪些编译器转换接受形式化检查、测试哪些属性，以及哪些环节仍需要人工验证。

将模型、TOSA 表示、生成代码和加速器输出连接起来的公开成果，将使透明度主张变得具体。

第三个信号是独立复用。半导体制造商、汽车制造商、大学或移动出行公司必须基于已发布的基础构建出具有实质意义的成果。

仅有合作伙伴公告并不足够。更有力的证据将是经过修改的设计、集成的 SoC、共享基准测试，或在 TIER IV 核心团队之外开展的车辆试验。

外部采用将表明，这套工具链是在减少工作量，而非把复杂性转嫁给用户。这也将检验其治理机制能否跨组织运作。

未能吸引采用者，并不代表这一架构没有价值。原因可能在于汽车行业的时间周期、许可的不确定性、制造成本，或支持不足。

不过，生态系统的主张需要真正的生态系统支撑。TIER IV 与 Autoware 的发展历程提供了很高的参照标准，因为这套软件曾吸引持续的协作。

Google News 的标题描绘了雄心勃勃的目标，但接下来的更新需要记录实现路径。读者不应止步于宽泛表述，而应关注代码仓库、基准测试以及具名实施者。

对工程师而言，眼下的行动很直接：跟踪承诺发布的设计资产，并核查其许可证是否允许真正的修改与商业使用。

对行业采购方而言，应观察可量化的效率能否经受完整系统测试。同时还应询问，验证是否覆盖了有实际意义的转换，而非经过精心挑选的演示。

对于所有关注 Google News 中 AI 芯片报道的人，应清楚区分公告与证据。TIER IV 已开启了一个具有重要影响的研究方向，但尚未推出一款开放的汽车芯片。

如果独立团队能够审查整套技术栈、复现其结果，并据此构建可靠硬件，这项押注便会成功。在此之前，开放性仍是该项目最有力的承诺，也是最严苛的考验。