从汽车诞生之初，科学家和工程师从未停止过对于自动驾驶功能的想象和探索。早在几十年前，就有实验室做过从视觉输入到自动驾驶的实验，且局部Demo也较为成功。但是直到近期，作为一个普通的用户，我们才能真正感受到自动驾驶以及辅助驾驶应用的大爆发，大家逛一逛车展也能感受到。其中一个非常核心的原因，是终于找到了正确的处理物理世界层出不穷的配置方式，也就是用数据驱动来解决。
传统上的编程是用规则去实现，由专家把解决问题的规则翻译成机器可以理解的语言，进而形成计算机系统。这种方式其实不能很好地解决机器人时代的问题，无论是感知问题，还是现在看到的规控问题。因此，现在迫切需要一个计算平台来支撑智能计算架构2.0，不仅需要数据来驱动推理的系统，也需要去驱动软件的设计、编译器的设计，甚至包括硬件的设计。
图三
自动驾驶系统与机器人系统一样，Pipeline都很类似。机器人首先要理解和感知周围的环境。那么对于车来说，需要知道自己去哪，需要知道前方的路况，并融合地图；接下来，需要规划到达这个目的地所需要follow的路径，最后去控制车辆。沿着规划路径走叫控制，这是一个非常传统的 Pipeline。
现在一个非常明显的趋势是Pipeline的各个环节都是不断的向数据驱动去靠拢。那么感知是well defined一个问题。计算机视觉其实是一个发展很久的领域，所以是最先被数据驱动的。但后面的环节我们也观察到一个几乎是不可逆的趋势，就是不断地提升数据驱动的比重，进而驱动系统实现进化。在数据驱动的技术发展趋势之下，也需要相应的由数据驱动的智能计算架构来支持各项计算任务的达成。所以拥有了智能进化能力的BPU——Brain Processing Unit，可谓是智能驾驶的“最强大脑”。
图四
其实所谓的各种PU大家可能都听得比较多。Brain Processing Unit是针对机器人的应用场景而设计的。而机器人的应用场景就有很多的特点，比如说运行时的工况，如果用GPU来举例，它的batch size通常是1，输入的信号要及时处理和反馈，不会等到一个batch再处理。需要非常强大的 AI计算功能，这当然是最基本的。还需要非常完善的功能安全，这不仅是汽车行业的要求，更是保证自动驾驶安全性的非常重要的条件，因为自动驾驶是与人的生命安全息息相关。当然还有一些其他的特点，比如它是车载专用的，移动实时的，并且低能耗的，这也是区别BPU和其他的计算单元的一个重要的特性。
通过软硬结合的极致优化，地平线的BPU其实是在持续迭代的。首先，驱动BPU迭代的原初是算法。算法不断向前发展演进，并且要不断用算法去解决更复杂的问题，从感知到规控，那么我们就需要通过编译器不断去优化。我们的硬件设计其实得益于从算法到编译器的优化，持续去探索怎样的硬件平台能够更好地支持算法的运行，能够符合未来算法的趋势。
当BPU架构确定了以后，在这一代的BPU上，我们会让编译器和算法去做极致的优化，让算法能够发挥出在这一代BPU上极致的性能，达到一个最终的目标，就是所谓的效能，也即单位成本，可能包括功耗，包括实际花的钱，能达到算法的最终效果，这个效果涉及感知，也包括规控的效果。