算力越大越牛逼？地平线与Mobileye等的共识是......
30 TOPS、100 TOPS、200 TOPS、500 TOPS、1000 TOPS、2000 TOPS......如果只盯着新闻报道看的话，我们会认为，“算力越大越牛逼”已成为主机厂们的“共识”，他们对大算力的追求也是“永无止境”的。
下游的“内卷”也会传递到上游。过去几年，一些芯片厂商也被主机厂们的“算力焦虑”给绑架了，因而不得不争先恐后地推出大算力芯片，甚至，有一些厂商们在所谓的“大算力芯片”尚未流片的时候就“抢先发布”，以图获得“先发（布）优势”。
然而，在私下里，无论是自动驾驶初创公司的算法工程师、产品经理，还是主机厂的算法工程师，认同“算力越大越牛逼”的人寥寥无几；相反，更多的人认为，一味追求大算力，不仅是一种“智力上的懒惰”，甚至更是“内功修炼不足”的表现。
实际上，对当下这场算力“军备竞赛”，芯片厂商们的态度是很微妙的——一方面，他们自己就是积极参与者（或主动，或被动），另一方面，他们也不愿意一直被“大趋势”绑架。如地平线、Mobileye在过去一年多时间里一直在拼命地“反内卷”。
他们认为，衡量一款芯片的好坏，不能只看物理算力，更应该看先进算法在该芯片上的运行效率如何，即每秒准确识别图像帧率 FPS。当然，这需要有很强的软硬件协同能力来支撑。
笔者还发现，一些在过去几年曾多次强调“我的算力最强”，并公开diss“通过优化算法来提升硬件的实际性能”这一观点的芯片厂商，现在也开始频繁强调“我也有软件能力”了。可以看到，哪怕是对自己的算力底气十足，芯片厂商们最终也都会发现，芯片性能的实现，还得靠软件。
而对主机厂而言，无论是否愿意承认，他们不得不接受的一个事实将是：AI计算，不是仅靠芯片，而是靠芯片+算法，如果算法能力不够强，“超高配”芯片的算力也有可能被极大地浪费；相反，如果算法能力足够强，则可以节省不少花在“购买TOPS”上的钱。
一．“堆砌算力，是内功修炼不足的表现”
在元旦前的一场小沙龙上，《九章智驾》曾跟一些自动驾驶产业的一线人员交流过“算力军备竞赛”的话题，大家的答案如下——
某无人驾驶公司产品经理：
觉得算力不够用的一个关键原因是，已经堆了太多的传感器了。但我们真的需要那么多传感器吗？其实，大家还没有摸到每个传感器的性能边界，可能这个传感器的能力还没有完全发挥出来，就利用新的传感器去“弥补”了。我觉得，还是先探索清楚每个传感器的性能边界、将其功能发挥到极致，再谈要不要增加传感器，这样也能节省不少算力。
某自动驾驶公司算法工程师：
作为一个软件工程师，我是不太care 500 TOPS还是1000 TOPS这些数字的，因为真的没多大用处——你可能算力升级了，但如果软件架构还是停留在三四年前的老版本，那么算力的性能也就无法充分地发挥出来，算力再大也不够用。其实，通过对软件架构做个调整，就能避免这个问题。
某头部自动驾驶公司CTO：
堆叠传感器、堆叠算力，确实是让我感到比较头疼的一个问题。经常有投资人问我怎么看这个问题，我的回答通常是：“认为‘算力越大越牛逼’，是一种思维上的懒惰”。但有一个现实的问题是，VC过去的估值方式在自动驾驶行业里面完全被打破了，他们没有一个很好的方式去评判“谁更牛逼”，然后，企业方面也觉得投资人特别看重这个指标，因而就出现了堆叠硬件的现象。
实际上，我们用了8个摄像头（2M）+5个毫米波雷达+1个激光雷达，能支持高速上的自主变道，但30 TOPS的算力也够用了。因为，只要算法做得好、就能把已有的算力“用足”，在很多时候，我们并不需要太大的算力。
围绕着算法优化，我们已经做了很多工作。接下来，我们还会考虑如何把算力的调度跟特定的驾驶任务结合起——每次计算都跟一个特定的驾驶任务以及基于该驾驶任务的模型挂钩，比如现在要做左换道，算力资源就先聚焦到这一特定任务上面，如果要做车道保持，算力资源就再聚焦到这一特定任务上面，这就是“由驾驶任务驱动算力的优化使用”。
当前，计算资源并没有跟特定功能挂钩，因此，大家习惯于笼统地讲峰值算力，但当所有任务都可以做精细化处理的时候，你需要的算力是多少呢？当计算资源聚焦于某一个基础功能上时，我们可能不一定要做那么高频率的检测，也不一定要用那么复杂的模型，只要保证安全性就够了，这个时候，对算力的需求就会降下来。
某工程机械公司高级工程师：
我们最近跟一个自动驾驶公司交流时，他们提到了一个提高算力利用率、节省算力的思路。比如，激光雷达是360度旋转的，但在跟左侧的摄像头做融合时，激光雷达只需要提供转到左侧扫出的点云。
某主机厂自动驾驶产品经理：
堆砌传感器、堆叠算力，这种硬件军备竞赛，PR价值大于实际价值。很多外行只看这些外在的指标，因为他们看不到、看不懂更多的东西，他就会觉得你算力越大越牛逼。我是觉得，一些车企说的1000 TOPS算力，肯定是浪费了，某科技巨头跟一些车企合作的量产项目上，自动驾驶计算平台的算力是300多TOPS，但人家也够用了；特斯拉也只用了144 TOPS啊。
某L4无人驾驶公司产品经理：
在我看来，过分堆砌算力应该是自身内功修炼不足的表现——不清楚我的算法到底能优化到什么程度，因而也不清楚200 TOPS到底够不够、500 TOPS够不够，心里没底儿。表面上说是“硬件预埋”，实际上是担心算法优化做得不好会导致“算力赤字”。
《虎嗅》作者宇多田在1月9日的《说这家汽车芯片巨头掉队的，开什么玩笑》一文中还提到这么一个信息：据一位有经验的汽车芯片工程师透露，大多数车厂在用性能强大的英伟达Orin做测试的过程中都遇到了各种各样的问题，主要表现在“车厂根本没有足够的人才和能力把芯片性能全部释放出来”，原因则在于“拥有软硬件协同与调优能力的工程师实在太少了。”
针对这类现象，Mobileye创始人兼CEO Annon Shashua的解释是：只有深入认知和了解软硬件之间的相互作用是什么，才能弄清楚到底该用什么样的核支持什么样的算法。
可见，使用大算力芯片，绝不是靠简单粗暴“不计较成本”就可以实现的。如果软件能力跟不上，则无论硬件的性能多强，恐怕也是“无福消受”。相反，如果算法足够强，算法能被高效地使用，那低TOPS芯片能发挥的作用，未必不如高TOPS芯片。
在节前的沙龙上，也有一位行业研究员说：
我看到“1000 TOPS”的第一反应往往是，你的软件能力能跟得上吗？这么大的物理算力，你真正能利用多少，取决于跟软件算法的配合。
大算力芯片往往跟“硬件预埋”概念结伴而行，但所谓的“硬件预埋”似乎也是个伪问题——硬件并非一成不变，而是在快速迭代的，你现在“预埋”了1000 TOPS，结果，在你的数据量和算法还不需要用到1000 TOPS算力的时候，2000 TOPS算力的芯片已经出来了，那你的1000 TOPS算力岂不是“尚未启用，就已经落伍”？
二．“TOPS值”不等于真实计算效率
当前，行业普遍以“TOPS”为单位来评估AI芯片的物理算力/理论峰值算力。但人们逐渐意识到，在实际场景下，理论峰值算力（物理乘法器数目乘以最高主频）基本不大可能完全释放，算力的有效利用率很低。
例如，一款拥有理论峰值算力为 16 TOPS 的芯片，在计算不同模型时甚至会有接近 80% 的差异。
2020年5月下旬，当英伟达正式推出算力200 TOPS的Orin以及在此基础上搭建的算力2000 TOPS的计算平台时，佐思产研发了一篇文章《自动驾驶的算力（TOPS）谎言》，这篇文章的核心观点如下：
“高TOPS都是运算单元（PE）的理论值，而非整个硬件系统的真实值。真实值和理论值差异极大。最糟糕的情况下，真实值是理论值的1/10，甚至更低。例如谷歌第一代TPU，理论值为90TOPS算力，最差真实值只有10TOPS；英伟达Tesla T4的理论算力是130TOPS，而实际只有27.4TOPS。”
某车企自动驾驶工程师殷玮在《真真假假的TOPS-不要太较真了》一文中提到：
“宣传的TOPS往往都是运算单元的理论值，而非整个硬件系统的真实值。真实值更多取决于内部的SRAM、外部DRAM、指令集和模型优化程度。最糟糕的情况下，真实值是理论值的1/10，甚至更低，一般也就50%的使用率。如英伟达Tesla T4的理论算力是130TOPS，但实际只有27.4TOPS。”
（Tesla T4真实算力2.4 TOPS是怎么算出来的？ResNet-50需要MAC大约为每秒70亿次运算，TeslaT4运行ResNet-50每秒可处理3920张224*224的图像，3920张/秒 x 70亿次/张 = 27.4万亿次/秒= 27.4 TOPS。）
可以说，峰值算力只反映AI芯片理论上的最大计算能力，而非在实际AI应用场景中的处理能力，具有很大的局限性。
殷玮在文章中解释道：
“如果只是静态地看，决定算力真实值的最主要因素是内存（ SRAM和DRAM)带宽，谷歌第一代TPU，理论值为90 TOPS算力，但最差真实值只有10TOPS算力，为理论值的1/9，主要因为第一代内存带宽仅34GB/s，算力和内存匹配没有做好。
3. 随着运算强度越来越高，闲置的计算单元越来越少，最后所有计算单元都被用上了，此时运算强度再变大也没有更多的计算单元可用了，于是计算性能不再上升，或者说计算性能遇到了由物理算力（而非内存带宽）决定的“天花板”。
殷玮认为，要软硬件一起考虑（算法如何兼容、是否减少内存访问次数来提高利用率等），才能充分利用好系统性能。
在所有车企中，特斯拉算是对这一理念理解最透彻的一家了。据Fortune报道, Jim Keller 在特斯拉期间的芯片设计思路是：1. 深刻理解特斯拉 Autopilot 的算法运行机理；2. 缩减或砍去通用芯片（例如英伟达芯片）中与特斯拉软件无关的模块。
正因为对算法吃得很透，Jim Keller才能把FSD芯片做得很高效。可以说，对算法的理解，才是AI芯片设计工作真正的壁垒。
三．地平线：不拼硬件肌肉，拼实实在在的AI性能
实际上，过去五年多，地平线创始人兼CEO余凯曾多次强调“做芯片真正的壁垒在于算法能力”。余凯说：“芯片绝不能仅看硬件性能，架构设计和对算法的洞察正不断推动 AI 芯片真实性能进化，重塑摩尔定律。”
在2021年6月中旬的一场演讲中，针对这一轮“算力军备竞赛”，余凯说：“顶级芯片公司一定不能够以多少TOPS 来简单地去讲这个故事，1000T 意味着什么？它不是你的效用、性能、不是用户价值，它是给车企的成本。”
在此之前，余凯在跟笔者交流时曾提到：“其实，算力并没有太高的技术门槛，增加芯片面积或采用更先进的制程就行了。但铺算力不真正产生用户价值，真正的价值在最先进的神经网络在这个芯片上面能够跑多快，也即真实 AI 性能。”
2021年5月份，在汽车商业评论举办的一场论坛上，余凯在演讲中举了一个具体的例子：理想ONE在改款版搭了载两颗地平线征程3芯片，有人说它“单颗芯片只有5个TOPS，两颗加起来才10个TOPS”，但理想汽车的产品负责人则说“尽管它单颗芯片算力只有5个TOPS，可是它真正实现了8兆摄像头实时计算。”
余凯强调道：“我们不拼硬件肌肉，我们更看重的是实实在在的AI性能。”
地平线联合创始人兼CTO黄畅博士则在对卷积神经网络的研究中发现，从 2014 年到 2019 年，最好的神经网络计算效率相差了 100 倍，相当于计算效率每 9 个月翻一倍（完成同样计算所需的算力减少了一半）。这一速度，远快于芯片算力的“每18 个月翻倍”。
黄畅认为，算法演进速度远超硬件改进速度，致使评估芯片AI性能的方法与算法发展之间存在脱节的现象，但如果没掌握合理的评估方法，就很难设计出好的AI芯片。因此，产业界迫切需要一种更合理的性能评估方法帮助用户选择适合的 AI 芯片。
1.FPS——AI芯片的真实性能
何谓“AI芯片的真实性能”？余凯的说法是：世界上最先进的网络算法在芯片上通过你的架构、通过你的边缘器、通过你的动态运行库，它能不能跑到足够的效率——每秒钟能准确识别多少帧？
2020年8月，黄畅博士在全球人工智能和机器人峰会AI芯片专场发表演讲时首次提出MAPS的概念全方位解答上述问题。MAPS的全称是Mean Accuracy-guaranteed Processing Speed，即针对应用场景的特点，在精度有保障的前提下，评估芯片对数据的平均处理速度。
通常，要追求精度，就得牺牲速度，因此，在精度有保障的前提下实现很高计算速度，是有相当壁垒的。
MAPS的度量单位是FPS——全称为Frame Per Second，即“每秒钟可准确识别多少帧”。更高的 FPS，代表着更快速的感知、更低的延时，这意味着更高的安全性能和行驶效率。显然，与TOPS相比，FPS是一个更有价值的性能指标。
MAPS 其实是在物理算力的基础上，通过对大量模型的测试，综合各个模型的速度（正比与物理算力*实际利用率）和准确率得到的最佳方案的量化结果。它更聚焦于使用户能够通过可视化的图表直观地感知 AI 芯片的真实算力。
黄畅博士认为，“评估芯片AI性能，本质上应该关注做AI任务的速度和精度，即‘多快’和‘多准’。而MAPS评测方法关注真实的用户价值，将每颗芯片在‘快’和‘准’这两个关键维度上的取舍变化直观地展现出来，并在合理的精度范围内，评估芯片的平均处理速度。”
在体现芯片的真实AI性能的同时，MAPS评测方法还留有最大的优化空间。这里的“优化空间”，意思是指即便是一颗芯片出厂以后，它的实际性能FPS仍有可能提升，因为算法在往前演进，而随着算法不断演进，算法的精度或者速度也能够有所提升。这样的话，就使得这个芯片的FPS得到持续提升。
2.如何计算芯片的“真实AI效能”？
如何计算芯片的“真实AI效能”？地平线总结出这样一个公式：真实AI效能=物理算力（即以TOPS表示的峰值算力）*计算资源的有效利用率*AI算法的效率。
（2）有效利用率，指芯片中计算资源(乘法器）的利用率。
特斯拉在 Hardware 3.0 中，采用其自研 AI 芯片 FSD Chip 替代了 Hardware 2.5 中的 Nvidia Drive PX2，算力从 24 TOPS 提升到了 72 TOPS，但运行同样模型的效率却惊人地提升了 21 倍。具体而言，Hardware 2.0 时每秒只能处理 110 帧图像，而现在则高达 2300 帧。
除了绝对算力的提升了3倍，额外提升则来自于算力利用率提升了将近2倍。
对算力利用率影响最大的因素是架构。为实现更⾼的算力利用率，更加⾼效地使⽤内存带宽并消除不必要的精度需求、⼤规模的⾼并⾏计算便成为架构设计的必要考虑因素。
为实现这一目标，地平线征程5采用了贝叶斯架构。贝叶斯架构基于⼤规模异构近存计算、高灵活大并发数据桥及脉动张量计算核三大核心技术，能以更少内存、更高 MAC 利用率来执⾏更多任务，进而能够将并行计算发挥到极致。
由上图可以看出，同一款芯片，在跟不同的算法模型相匹配时，算力的利用率可能会出现很大的差异。
在1月20日晚上的直播课中，地平线BPU算法负责人罗恒博士强调道：“我们不但看算法本身，而且更多地看算法对芯片架构的影响，这就使得MobileNet(depthwise conv）算法刚一推出的时候，我们就能够迅速地关注到它。”
作为一家算法基因很浓的芯片公司，地平线从征程1开始就针对自动驾驶场景设定了独特的算法模型，并基于对关键算法发展趋势的预判，前瞻性地将其计算特点融入到伯努利、贝叶斯等芯片架构的设计中，从而实现很高的计算资源利用效率。
通常，GPU在跑深度神经网络算法的时候，算力利用率不超过50%，而地平线的征程3和征程5则将算力利用率做到了90%以上。
据地平线方面提供的信息，作为面向高等级自动驾驶的专用处理器架构，“贝叶斯架构能够保证经过较长的研发周期后，征程5芯片在正式推出时仍然能够快速适应最新的主流算法，并随着算法的迭代，始终保持相当高的有效利⽤率，从而使终端用户真正意义上受益于算法创新带来的优势”。
（3）AI算法的效率，就相当于殷玮文章中所说的“算法运算强度越高，计算资源的闲置率越低”。
谷歌在2016年开发出一种语音识别算法WaveNet，能区分出一个推销电话是人打的还是机器人打的，但刚开始，这个算法很弱，并导致GPU的计算效率也很低，比如，人说了10秒钟，它需要花几分钟才能识别出来，完全没法交流；后来，谷歌对这个算法做了一些优化，计算效率一下子就提升了几千倍，这个时候，GPU(TPU)的计算效率也大幅度提升，人说20秒的话，GPU只需用1秒钟就能算出来。
而深度学习计算中应用最广泛的卷积神经网络，也在 2016—2017年迎来了其自诞生以来最重要的一次变化——在depth的depthwise conv上，可以通过更少的计算量达到很高的精度。
此外，2021年上半年，来自美国莱斯大学的计算机科学家们证实，一种专门根据 CPU设计的深度神经网络训练算法（sub-linear deep learning engine， SLIDE）的训练速度远超过 GPU 算法，最高速度可比后者快 15 倍！该算法的出现，甚至有力证明了，在不依赖于 GPUs 等专业级加速硬件的情况下，依旧可以实现对深度学习技术的加速。
以地平线为例，从芯片设计之初，其就考虑如何能保证芯⽚更好满⾜未来⾃动驾驶相关算法在BPU上的适⽤性，并提供以FPS为单位的最佳性能。
通过对算法、编译器、计算架构三个方面的软硬协同优化，将并⾏计算发挥到极致，并辅之以软硬件协同的组织文化，地平线最终实现了AI 计算效率的大幅度提升。
(罗恒近日直播公开课材料，其中Orin的FPS值是根据英伟达对Orin算力的公开描述及Orin相比于Xavier能力提升的描述，再参照同样基于安倍架构的英伟达RTX 3090推算出来的。)
MS CoCO物体检测任务下Xavier、Orin、征程5实际性能
写到这里，笔者想起一则往事：
这个故事的续集是：该车企后来决定跟地平线联合开发感知算法。
这家车企肯定已经意识到了这一点：算法能力越强，解决相同问题所需的算力就越少。
这很好理解，好的算法就相当于一个好的数学公式，只要有一个好公式，哪怕智商（算力）没那么高的人，也能用这个好公式很快得出答案；而差的算法则相当于公式不好，那么，哪怕是很聪明的人，解这道题也需要付出更多的时间才能得出答案。
四．“算法能力更重要”，已成为各芯片厂商们的共识
地平线并不是唯一持类似观点的公司。事实上，跟地平线在市场上有激烈的正面竞争关系的Mobileye，也在“计算效率比算力更重要”这一观点上，跟地平线有着“高度共识”。
2020年9月份北京车展前夕，Mobileye 产品及策略执行副总裁 Erez Dagan 在回答媒体关于“你的算力不如别人”的问题时说道： “仅用一个数字来衡量芯片的做法不可取，SoC 芯片的负载能力也很重要。与其说 TOPS 是一个真正意义上的技术指标，不如说它是一个用于制造营销噱头的单位。”
也是在同一时期，刚刚跟Mobileye成为“亲密战友”的吉利汽车研究总院时任院长胡峥楠在接受新智驾采访时也力挺Mobileye的观点：
“芯片本身不仅仅是算力的体现，更重要的是它更底层的算法和库文件。因此，我们更愿意相信在这方面有长期积累的平台。随着半导体技术的提升，算力在未来并不是一个瓶颈，TOPS 这个参数要如何为用户带来真正的价值才是关键。”
2021年初的CES期间，Erez Dagan再次被问到“怎么看蔚来ET7拟采用的算力达到1016 TOPS”及“算力和需求之间应该怎么匹配”的问题，这次，Erez Dagan的回答是：
“我想再次说明一下，TOPS数字不过是过去的数值竞赛。如果你需要一个非常强大的电脑，那就意味着你其实并不知道自己想要什么，一切还仅仅停留在探索的阶段。一旦你需要满足经济性的要求，就要在处理速度、客户需求、解决方案成本等各个方面找寻平衡。这才是真正的汽车产品业务的区别所在，而不是所谓的广告、作秀或仅仅是处在研究的阶段。”
到了2022年CES上，在发布EyeQ Ultra时，Mobileye总裁兼首席执行官Amnon Shashua则来不及等到别人“挑衅”就先行“自黑”：“176 TOPS听上去是一个很小的数字，大概只有竞争对手（英伟达）号称算力的五分之一。但关键的不仅是算力，而是效率。”
Amnon Shashua称，TOPS是一个非常不充分的计算能力指标。“我们集成到EyeQ芯片中的计算模型非常复杂，远不是某一单一指标能量化的。”
Mobileye认为，他们能够在两颗EyeQ5芯片上运行整个SuperVision系统，在数量级上远低于其他竞争对手谈论的算力或TOPS指标。这得益于其在芯片软硬件协同设计上的先天优势。
另一芯片厂商安霸也在频频强调软硬件协同的优势。
安霸在2020 年 CES 展推出全新的 CV2FS 和 CV22FS，一直没有明说算力究竟是多少TOPS，只说是“能以每秒 30 帧对 800 万像素或更高分辨率的视频进行计算机视觉处理”，这便相当于地平线一直在提的FPS了。
这次CES上发布的CV3，AI算力的计量单位是eTOPS,这个词的含义是“等效多少TOPS”——安霸中国区总经理冯羽涛的解释是：如果能把同样的神经网络算法跑到等效这么快，就可以说这个是多少eTOPS。
冯羽涛最近在接受媒体采访时也反复强调“视觉算法将是CV3的核心竞争力”；“用其视觉算法、自研IP核心等多种技术实现更高的算力和效能”，以及“算法优先”等观点。
还有一个其极重要但还没有引起太多关注的现象是：作为引领了“软硬件解耦”趋势的芯片巨头，英伟达对软件的重视程度也越来越高，实际上，该厂商正在转型为“软件公司”。
2021年11月，英伟达CEO黄仁勋在接受The Next Platform采访时提到，“公司里有3/4的员工负责开发软件”。
“你可以造出世界上最强的芯片，然后把它插进计算机里……但之后呢？要用它加速什么？如果根本就没有东西，怎么谈加速？加速计算的困难之处，就在于它对软硬件协同提出了极高的要求。总而言之，软件体现出我们看待这个世界的方式、反映出我们的运营战略。”
然而，近一两年，英伟达这样的大厂也开始频频在公开场合强调这个观点了（ME应该是一直就在讲）..... 这个时候，那些原先diss地平线“用软件能力提升硬件表现”的芯片厂商，也开始说“我也有软件能力”了。
无论自愿还是被迫，持续提升软件能力，通过软件能力为硬件“加成”，都会成为每一个AI芯片厂商们的必修课。
五．未尽之语：人生中的“算法”与“算力”及“软硬一体”
过去几年，笔者已经习惯于以“算法与算力”的思维方式来解释自己在生活中观察到的很多现象，也写了不少鸡汤文风格的随笔，现在回头看，这些鸡汤文仍是经得起时间检验的。
这些鸡汤文，有助于一些新入行者理解算法与算力的关系，故笔者决定在此分享出来——
1. 有一段时间，在琢磨算力与算法的关系时，我无意间拿自己跟一些同学的成长曲线做了个对比，有一个很有意思的发现：
我自己：高中时学习不算十分刻苦，高考时稀里糊涂地考进了“北清复交”，但由于自信心严重不足，大学一毕业即“逃离北上广”，在毕业后的前九年可以说“毫无竞争力”；毕业后第九年返回一线城市，第十年进入“人才密度高”“信息密度高”的自动驾驶产业，竞争力才快速提升。
第一类同学：他们在高中时学习比我刻苦很多，考试分数却比我低得多，最终考的大学也比我逊色不少，并且还是三线城市的大学；但在大学毕业后，他们很有魄力地来到一线城市工作，很快，他们的整体认知水平比我高出许多，整体竞争力也比我强了许多——至少在大学毕业后的前八年是如此。多年来，他们一直是我仰视的对象。
第二类同学，他们的努力程度不如我，却考上了跟我同样的大学、甚至是比我更好的大学；上大学期间，他们的努力程度也不如我，考试分数却比我高；毕业之后，我只能去“卖保险”，而他们却轻松获得了有光环的工作机会。
当然，在毕业5-8年后，我一直遭遇各种“极端工况”，被迫完成了很多超出自己预期的转型，他们则一直在舒适区里享受着。但我最近一两年再跟他们交流时发现，他们的整体竞争力已经不如我了。
如果以高中时期的勤奋程度及最终考上的大学来简单粗暴地评判，第一类同学的“算力”（智商）显然是不如我的，第二类同学的“算力”则是远超过我的，那为什么前者在大学毕业后（前九年）的整体竞争力远都在我之上，而后者却“没那么牛”呢？
最根本的原因是，与我相比，第一类同学在大学毕业就后来到了“场景”更复杂、“数据”规模更庞大的一线城市，因而“算法”迭代得比我快许多；而我，却懦弱地逃亡至了“场景”更简单、“数据”规模更小的小城市，因而算法迭代很慢。
（在这里，加引号的“场景”指某个城市所能提供的工作环境、工作内容，“数据”指当事人在这个城市生活及工作中接触到的各种信息、知识及人际关系等，“算法”则指思维方式、认知水平。下同。）
结果便是，尽管我的“算力”比这类同学强，但由于这类同学的“算法”更强，进而“算力的利用率”也更高，因此，他们的“FPS值”比我高。
当然，在毕业后的第九年，由于我也返回了“场景”更复杂、“数据”规模更庞大的一线城市，尤其是，我后来加入了“数据”更丰富的自动驾驶产业，因而“算法”上跟第一类同学的差距开始缩小。
第二类同学，在过去几年接触到的“场景”单一、高质量的“数据”较少，“算法”没得到很好的训练，这导致他们的“算力利用率”严重不足；而我则有幸融入到产业链复杂、人才密度极高的自动驾驶产业，这样的“应用场景”，不仅给我提供了丰富的“高质量数据”（便于我高强度地训练自己的“算法”），甚至还源源不断地给我提供了“开源算法”（CEO及工程师们的思维方式），这使得我的“算法”迭代得更快。
好的“算法”，可以提高我的“算力利用率很”。结果便是，我虽然算力更弱，但“FPS值”却更高。
2. 我一度怀疑，自己对“软硬一体”的理解，是“被余凯洗脑”的结果。一旦定性为“被洗脑”，就总忍不住质疑“有诈”，质疑对方是“立场决定观点”，因而心存警惕。
但有一天早上，我突然想起来，我最初对"软硬一体"的理解，实际上来源于自己在2006-2008年对心脏病、心理疾病、抑郁症的观察——心理上受到的刺激或病变，往往会导致生理上的病变。而心理和生理的关系，就类似于软件和硬件的关系。
还有就是，近几年，我又开始思考一个问题：人精神状态的好坏，会影响到身体机能的发挥。
我从小体育很差，这极大地影响到了我的自信心，我一直认为自己身体素质很差，啥都干不成，后来发现，我的精神状态比绝大多数人都好，这也导致我平时精力一直很充沛，一天到晚处于工作状态也不觉得累。相反，多数比我年轻、身体素质比我好许多，但精神状态不如我的人，肯定做不到这一点。
对应到软件与硬件的关系，这就类似于"我的算力是不大，但由于算法好，因而算法的利用率高，所以可实现更大的FPS"，而那些身体素质很好但精神状态不好的人则相当于"物理算力很强大，但FPS很小"。
3. 说这家汽车芯片巨头掉队的，开什么玩笑
https://mp.weixin.qq.com/s/-d3-SrFiVdDMWZE2yI6NaQ