驱动BPU架构迭代的因素，是源于我们对应用场景，以及应用场景背后的智能计算架构的深刻理解。最初，BPU是用来做一些感知的任务，包括基于前视的自动驾驶的一些功能。在这种情况下，需要支持的是相对稀疏的卷积。我们观察到高效率的卷积，像MobileNet，EfficientNet这样的一些结构，所以对于这些结构后面的算子也做了非常高效的支持，使得在BPU®Bernoulli架构下的芯片，可以以非常低的成本和功耗，达到和当时的主流显卡类似的一个感知的性能表现。
接下来是BPU®Bayes架构。在这个时代，我们发现汽车逐渐地走向了中央计算平台，不仅要处理前视，汽车周围各种各样的摄像头、各种Sensor也必须综合起来处理，才能够去应对高速上的各种各样路况。在这种情况下，我们发现背后的算法演变了。我们不仅要去做多摄像头融合，也需要去做不同传感器融合，也需要做时序的融合，才能对周围的环境做一个非常好的完整的建模。其背后的算法，我们也做了一个非常好的支持。比如在这个时代，Transformer崭露头角，所以也对这样的算法做了一个非常好的支持。对于背后的算子，比如Warping、Vector、Softmax，也做了很好的优化。
BPU®Nash架构是我们新发布的。作为中央计算平台，其实整个自动驾驶的链路，无论是感知还是规控，都需要用AI来驱动其进步。一个非常显著的趋势是，Transformer作为一个非常优秀的算法架构，可以将感知、规控等各种任务，统一到Transformer框架下；甚至之后可能一些大模型涌现出来的随机应变、举一反三的能力，也需要部署在车上。所以对于这类的算法，比如大规模的Transformer也做了一个非常良好的支持，包括这上面的搜索树。
纳什均衡，大家应该听过这个词。实际上，车在路上自动驾驶，特别是在城区，也是一种和他车、他人的博弈。我怎么样的行为会影响他人，他人什么样的行动会影响我，是一个交互博弈的决策过程，也需要我们做一个很好的支持。所以大家可以从应用的角度来看，应用其实是会变得越来越复杂，AI的任务也变得越来越复杂，不仅仅是从网络的规模，也从要处理的任务上。
在这期间编译器就成了一个非常核心的工具。那么，编译器的任务其实就是把我们算法开发人员开发出来的神经网络模型，能够转化成可以在我们计算平台、芯片上运行的一个指令序列。转化的过程其实有很多可能性，最终的指令序列也许都是和最初的神经网络在语义上是等价的，但运行效率、运行的延迟、FPS会千差万别。所以，编译器其实是解决这样的一个问题：在这样大的一个搜索空间里，找到一个最优的在BPU上运行的一个指令序列。而这个问题，随着网络规模的不断扩大，问题变得越来越复杂。
