在IEEE年度Hot Chips大会上，特斯拉的FSD芯片是众多出色的演讲之一。在今年4月的自动驾驶日，特斯拉首次公开了他们的全自动驾驶(FSD)芯片。而在最近的Hot Chips 31大会上，特斯拉对芯片的一些关键组件提供了一些新的见解。特斯拉工程师为FSD芯片和平台制定了许多主要目标。他们希望在功率范围内尽可能多地提升芯片TOPS。为了安全起见，芯片的主要设计点是在批量为一的情况下芯片的高利用率。值得注意的是，FSD芯片随附了一组用于通用处理的CPU和一个用于后处理的轻量级GPU，这不在本文的讨论范围之内。这些组件已在我们的主要文章中详细介绍。尽管芯片上的大多数逻辑都使用经过行业验证的IP块来降低风险并加快开发周期，但特斯拉FSD芯片上的神经网络加速器是特斯拉硬件团队完全定制的设计。它们也是芯片上最大的组件，最重要的逻辑部分。特斯拉谈到的一个有趣的小插曲是模拟。在开发过程中，特斯拉希望通过运行自己的内部神经网络来验证他们的NPU性能。因为他们在早期没有准备好仿真环境，所以他们求助于使用开源的Verilator模拟器，他们说这个模拟器的运行速度比商业模拟器快50倍。“我们广泛使用Verilator来证明我们的设计非常好，”特斯拉自动驾驶仪硬件高级总监Venkataramanan说。每个FSD芯片内部有两个相同的NPU，它们物理上彼此相邻集成。当被问及使用两个NPU实例而不是一个更大的单元的原因时，特斯拉指出，每个NPU的大小都是物理设计（时序，面积，布线）的最佳选择。
NPU是具有乱序内存子系统的有序计算机。总体设计有点像是一种状态机。ISA包含最多4个带有复杂值的插槽的指令。总共只有八条指令：两条DMA读写指令、三条点积运算指令、缩放指令和元素添加指令。NPU只是简单地运行这些命令，直到点击停止命令停止它。还有一个额外的参数槽（parameters slot ）可以改变指令的属性(例如，卷积运算的不同变化)。有一个标志槽（flags slot），用于处理数据依赖项（dependencies handling）。还有另一个扩展插槽，这个插槽存储了整个微程序序列的命令，这些命令在进行复杂的后处理时将被发送到SIMD单元。因此，指令从32字节到非常长的256字节不等。稍后将更详细地讨论SIMD单元。
NPU的程序最初驻留在内存中。它们被带入NPU，并存储在命令队列中。NPU本身是一种非常出色的状态机，旨在大大减少控制开销。令队列中的命令将被解码为原始操作，并提供一组用于数据需要从何处获取的地址—这包括权重和数据。例如，如果传感器是一个新拍摄的图像传感器照片，输入缓冲区地址将指向那里。所有内容都存储在NPU内部的超大缓存中。从那以后就没有DRAM交互了。高速缓存的容量为32 MiB，并且是高度存储的，每个bank只有一个端口。特斯拉指出，有一个复杂的bank仲裁器，连同一些编译器提示，用于减少bank冲突。每个周期中，最多可以将256个字节的数据读取到数据缓冲区中，并且最多可以将128个字节的权重读取到权重缓冲区中。根据步幅的不同，NPU可以在操作开始之前将多行数据引入数据缓冲区，以便更好地重用数据。每个NPU的组合读取带宽为384B/cycle，其本地缓存的峰值读取带宽为786 GB/s。特斯拉说，这使他们能够非常接近维持MAC正常运行所需的理论带宽峰值，通常至少80%的利用率，很多时候会达到更高的利用率。
CNNs的主要操作当然是卷积，卷积占特斯拉软件在NPU上执行的所有操作的98.1%，反卷积占1.6%。在优化MAC上花费了大量的精力。MAC阵列中的数据重用很重要，否则，即使每秒1 TB的带宽也无法满足要求。在某些设计中，为了提高性能，可以一次处理多张图像。但是，出于安全原因，延迟是其设计的关键属性，因此它们必须尽快处理单个图像。特斯拉在这里做了许多其他优化。NPU通过合并输出通道中X和Y维度上的输出像素，在多个输出通道上并行运行。这允许他们并行化工作，并同时处理96个像素。换句话说，当它们处理通道中的所有像素时，所有输入权重都是共享的。此外，它们还交换输出通道和输入通道循环（请参见下图的代码段）。这使它们能够依次处理所有输出通道，共享所有输入激活，而无需进一步的数据移动。这是带宽需求的又一个很好的降低。
通过上述优化，可以简化MAC阵列操作。每个阵列包括9,216个MAC，并排列在96 x 96的独立单周期MAC反馈环路的单元中（请注意，这不是收缩阵列，单元间没有数据移位）。为了简化其设计并降低功耗，它们的MAC由8位乘8位整数乘法和32位整数加法组成。特斯拉自己的模型在发送给客户时都是预先量化的，因此芯片只存储8位整数中的所有数据和权重。每个周期，输入数据的底部一行和权值的最右边一列将在整个MAC数组中公示。每个单元独立执行适当的乘法累加运算。在下一个循环中，输入数据将一行向下推，而权重网格将一行向右推。这个过程是重复的，输入数据的最底一行和权值的最右列在数组中公示。单元继续独立执行其操作。全点积卷积结束时，MAC阵列每次下移96个元素，这也是SIMD单元的吞吐量。
NPU本身实际上能够运行超过2 GHz的速度，尽管特斯拉引用了所有基于2 GHz时钟的数字，所以可以推测，这就是生产时钟。在2GHz下运行，则每个NPU的峰值计算性能为36.86 teraOPS (Int8)。NPU的总功耗为7.5 W，约占FSD功耗预算的21％。这使得它们的性能功率效率约为4.9TOPs/W，这是迄今为止我们在已出货芯片上所见过的最高效率之一，与英特尔最近宣布的NNP-I (Spring Hill)推理加速器不相上下。尽管特斯拉NPU在实际中的通用性有点可疑。但请注意，每个芯片上有两个NPU，它们消耗的总功率预算略超过40％。从MAC阵列，将一行压入SIMD单元。SIMD单元是可编程执行单元，旨在为特斯拉提供一些额外的灵活性。为此，SIMD单元为诸如sigmoid，tanh，argmax和其他各种功能提供支持。它带有自己丰富的指令集，这些指令由从机命令定序器执行。从命令排序器从前面描述的指令的扩展槽中获取操作。特斯拉表示，它支持你在普通CPU中可以找到的大多数典型指令。 除此之外，SIMD单元还配备了可执行归一化，缩放和饱和的管状量化单元。
将结果从SIMD单元转发到pooling unit（如果需要），或者直接转发到write-combine，在write-combine中，结果会以128B/周期的速率被机会性地写回SRAM。该单元进行2×2和3×3的池操作，在conv单元中进行更高阶的处理。它可以进行最大池化和平均池化。对于平均池，使用基于2×2/3×3的常量的定点乘法单元替换除法。 由于特斯拉最初对MAC阵列的输出通道进行了交错处理，因此它们会首先进行适当的重新对齐以进行校正。
总而言之，特斯拉实现了它的性能目标。FSD计算机(HW 3.0)的性能比上一代(HW 2.5)提高了21倍，而功耗只提高了25%。特斯拉的FSD芯片和FSD计算机今天已经发货。
