目前，全局性的端到端自动驾驶都是基于大语言模型LLM或多模态大模型的。
图片来源：《A Survey for Foundation Models in Autonomous Driving》
这是站在巨人肩上，这种全局性的端到端自动驾驶可以减少95%以上的自动驾驶开发人员，研发成本大幅降低。不过这种设计，对运算芯片的存储带宽要求很高，而算力完全可以忽略不计。
本文主要根据https://www.baseten.co/blog/llm-transformer-inference-guide和https://arxiv.org/pdf/2404.14294之A Survey on Efficient Inference for Large Language Models撰写，大模型或者说LLM的推理延迟95%以上取决于存储带宽，算力大小基本可以忽略不计。
当前的主流 LLM 基本都是 Decoder Only 的 Transformer 模型，其推理过程可分为两个阶段：
图片来源：论文 A Survey on Efficient Inference for Large Language Models
与传统的CNN 模型推理不同，大语言模型的推理通常会分成 prefill 和 decoding 两个阶段。每一个请求发起后产生的推理过程都会先经历一个 Prefill 过程，prefill 过程会计算用户所有的输入，并生成对应的KV 缓存，再经历若干个 decoding 过程，每一个 decoding 过程，服务器都会生成一个字符，并将其放入到 KV 缓存当中，之后依次迭代。由于 decoding 过程是逐个字符生成的，每一段答案的生成都需要很长时间，会生成很多字符，所以 decoding 阶段的数量非常多，占到整个推理过程的 90% 以上。在 Prefill 过程中，虽计算量很大，因为要一次性完成用户输入的所有词的计算，但它只是一次性的过程，所以在整个推理中只占不到 10% 的时间。
Prefill阶段还包括把用户的输入进行向量化即tokenize，Decoding 阶段不需要 tokenize。每一次做 decoding 都会直接从计算开始，整个decoding 过程会占掉 80% 的时间，而后面的 sampling，也就是采样生成词的过程，也要占掉 10% 的时间。但它会有一个 detokenize 的时间，detokenize 是指生成了一个词之后，这个生成的词是个向量，需要把它解码回文本，这一操作大概会占掉 5% 的时间，最后将这个生成的词返回给用户。
图片来源：论文 A Survey on Efficient Inference for Large Language Models
首Token阶段，延迟取决于算力大小，后续decoding阶段，延迟取决于存储带宽。并发量或批处理batch size也很重要，简单地说，batch size越高，计算单元的利用效率就越高，因为它是可以并行的，但中间产生的KV 缓存会很高，batch size高到一定阶段，KV缓存会超过总内存，以至于无法计算，彻底死机。自动驾驶系统的给定时间段内只会有一个任务请求，大致可看成batch size是1，而ChatGPT这样可能会同时接到多个任务需求。自动驾驶系统就无需考虑KV缓存溢出。Batch size太低，意味着计算单元的利用率就很低。
我们来计算自动驾驶系统端到端推理所需要的时间，总推理时间是首个token产生的时间加每秒token与token的乘积。Total generation time = prefill time + number of tokens * time/token。
先来计算prefill time，Prefill time = number of tokens * ( number of parameters / accelerator compute bandwidth)，这里的加速器计算带宽就是算力。
图片来源：谷歌论文An Image Is Worth 16x16 Words: Transformers for Image Recognition at Scale
Token数是多少呢？token，它在NLP自然语言处理中指最小的词，在图像领域，指patch，即最小的图像“块”。tokenization指将输入的语言或图像切割为token的过程，这个自然是像素越小越好，很简单的道理，一句话分词分的越细，这句话的语义也就更准确，一句话分的越粗，语义偏差就可能越大。假设我们使用谷歌的ViT-E模型，输入800万像素的视频，采用16*16的patch，那么token数大约是4.08万个，如果是200万像素，那么token差不多是1万个，采用INT8精度，假设大模型的参数量是70亿，芯片算力是77TOPS，那么prefill时间是10000*70亿/77TOPS=886毫秒。
每token所费时间=total number of bytes moved (the model weights) / accelerator memory bandwidth，采用INT8精度，假设大模型的参数量是70亿，芯片存储带宽是68GB/s，可以计算7GB/68=10毫秒，那么总时间为886+10000*10=100886毫秒，即100.9秒钟，首个token所须要的时间不到1%，可以忽略，99%的延迟都由存储带宽决定。同时这个延迟太高了，高速自动驾驶须要的帧率是25Hz-30Hz，也就是说一次推理所消耗的时间不能超过40毫秒，显然，直接用transformer做自动驾驶完全不可能。需要指出谷歌的这个ViT模型本身的参数量是很小的，基础模型只有8600万参数，我们只是用ViT模型将视频tokenization，ViT的二代将16*16扩张为32*32，token数量会减少到原来的1/4，即使如此也无法用于自动驾驶当中。
常见芯片存储带宽统计
直接在自动驾驶领域内用大模型是不可能的，解决办法有两个，一个是减少token输入数量，另一个是降低大模型的参数量。
实际上，目前所有量产车型的图像特征提取都还是10年前就在使用的CNN，即使再多优化，直接用transformer处理视频都完全不可能，而CNN是典型的非端到端。
这是特斯拉2022年AI Day上的图。
图片来源：新思科技
骨干网还是基于CNN的RegNET，国内大多用ResNet50，这是2015年由大神何凯明提出的，至今仍长盛不衰。
至于降低模型参数是不大可能的，众所周知，大模型之所以性能好就是因为参数足够多，目前无论哪个领域，模型的参数量都在飞速增长。
自动驾驶领域很长一段时间内都还是BEV+OCC的天下，实际就算是BEV+OCC时代，存储带宽的重要性也不亚于算力。很简单，数据训练量越大，最后得出的模型参数量自然就越高，算法的不断迭代就是模型参数的不断增长，模型参数越大，存储带宽所造成的延迟就越明显，而端到端大模型时代则是完全可以忽略算力因素。
免责说明：本文观点和数据仅供参考，和实际情况可能存在偏差。本文不构成投资建议，文中所有观点、数据仅代表笔者立场，不具有任何指导、投资和决策意见。
更多佐思报告
产业研究部｜符先生 15810027571
赵先生 18702148304
数据服务部｜张女士 13716037793
战略咨询部｜韩女士 15810133447
推广传播部｜廖女士 13718845418
相关阅读
佐思数据 | 2024年1-8月中国乘用车智能车载信息娱乐系统装配量及装配率
2024上半年全球汽车零部件供应商收入排名TOP100
佐思数据 | 2023-2024年 中国乘用车新车L0-L2.9渗透率及排名
2024上半年全球汽车零部件供应商收入排名TOP50
佐思数据 | 2024年1-7月 中国乘用车新车FCTA装配量同比增长222.1%，渗透率增长5.6个百分点
佐思数据 | 2024年7月中国乘用车新车前视模组供应商TOP10
佐思数据 | 2024年1-7月 中国乘用车新车LCA装配量同比增长29.0%，渗透率增长6.6个百分点
佐思数据 | 2023-2024年 中国乘用车新车L0-L2.9渗透率及排名
佐思数据 | 中国乘用车中控屏（≥10″）装配量与装配率
佐思数据 | 2023.8-2024.7 中国乘用车HUD装配量与装配率
佐思数据 | 2023.8-2024.7 中国乘用车一体屏方案装配量与装配率
佐思数据 | 2024年1-6月 中国乘用车新车城市NOA装配量同比增长39.0%，渗透率增长0.3个百分点
佐思数据 | 2024年1-6月 中国乘用车新车HVP or AVP装配量同比增长255.7%，渗透率增长1.1个百分点
佐思数据 | 2024年1-6月 中国乘用车新车ICA装配量同比增长43.8%，渗透率增长10.9个百分点
佐思数据 | 2023年7月-2024年6月 中国乘用车DMS装配量与装配率
佐思数据 | 2023年7月-2024年6月 中国乘用车OMS装配量与装配率
佐思数据 | 2024年1-6月中国乘用车制动系统(ESC/ONE-BOX) TOP10
佐思数据 |中国乘用车新车L2级及以上ADAS集成供应商市场份额TOP10
佐思数据| 2024年1-6月 中国乘用车新车APA融合装配量同比增长54.2%，渗透率增长3.9个百分点
