來源：ST社區(qū)

2010年以來，由于大數(shù)據(jù)產(chǎn)業(yè)的發(fā)展，數(shù)據(jù)量呈現(xiàn)爆炸性增長態(tài)勢，而傳統(tǒng)的計(jì)算架構(gòu)又無法支撐深度學(xué)習(xí)的大規(guī)模并行計(jì)算需求，于是研究界對AI芯片進(jìn)行了新一輪的技術(shù)研發(fā)與應(yīng)用研究。這一新興技術(shù)既為科技巨頭的業(yè)務(wù)升級和拓展帶來轉(zhuǎn)機(jī)，也給了新創(chuàng)企業(yè)顛覆現(xiàn)有格局的機(jī)會。

AI芯片是人工智能時代的技術(shù)核心之一，決定了平臺的基礎(chǔ)架構(gòu)和發(fā)展生態(tài)。作為人工智能產(chǎn)業(yè)的重中之重，AI芯片已經(jīng)成了最熱門的投資領(lǐng)域，各種AI芯片層出不窮。

從廣義上講，只要能夠運(yùn)行人工智能算法的芯片都叫作AI芯片。但是通常意義上的AI芯片指的是針對人工智能算法做了特殊加速設(shè)計(jì)的芯片，現(xiàn)階段，這些人工智能算法一般以深度學(xué)習(xí)算法為主，也可以包括其它機(jī)器學(xué)習(xí)算法。

一般來說，所謂的AI芯片，是指針對AI算法的ASIC(專用芯片)。傳統(tǒng)的CPU、GPU都可以拿來執(zhí)行AI算法，但是速度慢，性能低，無法實(shí)際商用。

比如，自動駕駛需要識別道路行人紅綠燈等狀況，但是如果是當(dāng)前的CPU去算，那么估計(jì)車翻到河里了還沒發(fā)現(xiàn)前方是河，這是速度慢，時間就是生命。如果用GPU，的確速度要快得多，但是，功耗大，汽車的電池估計(jì)無法長時間支撐正常使用，而且， GPU巨貴，普通消費(fèi)者也用不起。另外，GPU因?yàn)椴皇菍ｉT針對AI算法開發(fā)的ASIC，所以，說到底，速度還沒到極限，還有提升空間。而類似智能駕駛這樣的領(lǐng)域，必須快!在手機(jī)終端，可以自行人臉識別、語音識別等AI應(yīng)用，這個又必須功耗低。

AI芯片到底是什么?

回答這個問題之前，先來弄明白兩個概念，什么是CPU和GPU?

簡單來說，CPU就是手機(jī)的“大腦”，也是手機(jī)正常運(yùn)行的“總指揮官”。GPU被翻譯成圖形處理器，主要工作確實(shí)是圖像處理。

再來說說CPU和GPU之間的分工，CPU遵循的是馮諾依曼架構(gòu)，核心就是“存儲程序，順序執(zhí)行”，就像是做事一板一眼的管家，什么事情都要一步一步來。假如你讓CPU去種一棵樹，挖坑、澆水、植樹、封土等工作都要獨(dú)自一步一步進(jìn)行。

如果讓GPU去種一棵樹的話，會喊來小A、小B、小C等一同來完成，把挖坑、澆水、植樹、封土等工作分割成不同的子任務(wù)。這是因?yàn)镚PU執(zhí)行的是并行運(yùn)算，即把一個問題分解成若干個部分，各部分由獨(dú)立的計(jì)算單元去完成。恰好圖像處理的每一個像素點(diǎn)都需要被計(jì)算，與GPU的工作原理不謀而合。

就如同比方：CPU像是老教授，積分、微分什么都會算，但有些工作是計(jì)算大量一百以內(nèi)的加減乘除，最好的方法當(dāng)然不是讓老教授挨個算下去，而是雇上幾十個小學(xué)生把任務(wù)分配下去。這就是CPU和GPU的分工，CPU負(fù)責(zé)大型運(yùn)算，GPU為圖像處理而生，從電腦到智能手機(jī)都是如此。

但當(dāng)人工智能的需求出現(xiàn)后，CPU和GPU的分工就出現(xiàn)了問題，人工智能終端的深度學(xué)習(xí)和傳統(tǒng)計(jì)算不同，借由后臺預(yù)先從大量訓(xùn)練數(shù)據(jù)中總結(jié)出規(guī)律，得到可以給人工智能終端判定的參數(shù)，比如訓(xùn)練樣本是人臉圖像數(shù)據(jù)，實(shí)現(xiàn)的功能在終端上就是人臉識別。

CPU往往需要數(shù)百甚至上千條指令才能完成一個神經(jīng)元的處理，無法支撐起大規(guī)模的并行運(yùn)算，而手機(jī)上的GPU又需要處理各種應(yīng)用的圖像處理需求。強(qiáng)行使用CPU和GPU進(jìn)行人工智能任務(wù)，結(jié)果普遍是效率低下、發(fā)熱嚴(yán)重。

諸如蘋果A12、麒麟980和Exynos 9820提供的AI芯片的一種。通俗來說就是人工智能加速器，因?yàn)镚PU是基于塊數(shù)據(jù)處理的，但手機(jī)上的AI應(yīng)用是需要實(shí)時處理的，人工智能加速器剛好解決了這個痛點(diǎn)，把深度學(xué)習(xí)相關(guān)的工作接管過來，從而緩解CPU 和GPU 的壓力。

它們將CPU和GPU的計(jì)算量分開，諸如面部識別、語音識別等AI相關(guān)的任務(wù)卸載到ASIC上處理，AI芯片核早已成為一種行業(yè)趨勢。

一方面AI芯片的價(jià)值在于與CPU、GPU進(jìn)行協(xié)同分工，CPU和GPU過多的任務(wù)堆疊只會虛耗電量、提高溫度。

另一方面在AI芯片的協(xié)同下，可以對用戶行為進(jìn)行學(xué)習(xí)，進(jìn)而對用戶的使用場景進(jìn)行預(yù)測，然后進(jìn)行合理的性能分配。好比說當(dāng)你在游戲時讓CPU高效運(yùn)算，而當(dāng)你在看電子書時避免性能浪費(fèi)。

AI芯片發(fā)展歷程

從圖靈的論文《計(jì)算機(jī)器與智能》和圖靈測試，到最初級的神經(jīng)元模擬單元——感知機(jī)，再到現(xiàn)在多達(dá)上百層的深度神經(jīng)網(wǎng)絡(luò)，人類對人工智能的探索從來就沒有停止過。上世紀(jì)八十年代，多層神經(jīng)網(wǎng)絡(luò)和反向傳播算法的出現(xiàn)給人工智能行業(yè)點(diǎn)燃了新的火花。反向傳播的主要創(chuàng)新在于能將信息輸出和目標(biāo)輸出之間的誤差通過多層網(wǎng)絡(luò)往前一級迭代反饋，將最終的輸出收斂到某一個目標(biāo)范圍之內(nèi)。1989年貝爾實(shí)驗(yàn)室成功利用反向傳播算法，在多層神經(jīng)網(wǎng)絡(luò)開發(fā)了一個手寫郵編識別器。1998年Yann LeCun和Yoshua Bengio發(fā)表了手寫識別神經(jīng)網(wǎng)絡(luò)和反向傳播優(yōu)化相關(guān)的論文《Gradient-based learning applied to document recognition》，開創(chuàng)了卷積神經(jīng)網(wǎng)絡(luò)的時代。

此后，人工智能陷入了長時間的發(fā)展沉寂階段，直到1997年IBM的深藍(lán)戰(zhàn)勝國際象棋大師和2011年IBM的沃森智能系統(tǒng)在Jeopardy節(jié)目中勝出，人工智能才又一次為人們所關(guān)注。2016年Alpha Go擊敗韓國圍棋九段職業(yè)選手，則標(biāo)志著人工智能的又一波高潮。從基礎(chǔ)算法、底層硬件、工具框架到實(shí)際應(yīng)用場景，現(xiàn)階段的人工智能領(lǐng)域已經(jīng)全面開花。

作為人工智能核心的底層硬件AI芯片，也同樣經(jīng)歷了多次的起伏和波折，總體看來，AI芯片的發(fā)展前后經(jīng)歷了四次大的變化。

1、2007年以前，AI芯片產(chǎn)業(yè)一直沒有發(fā)展成為成熟的產(chǎn)業(yè);同時由于當(dāng)時算法、數(shù)據(jù)量等因素，這個階段AI芯片并沒有特別強(qiáng)烈的市場需求，通用的CPU芯片即可滿足應(yīng)用需要。

2、隨著高清視頻、VR、AR游戲等行業(yè)的發(fā)展，GPU產(chǎn)品取得快速的突破;同時人們發(fā)現(xiàn)GPU的并行計(jì)算特性恰好適應(yīng)人工智能算法及大數(shù)據(jù)并行計(jì)算的需求，如GPU比之前傳統(tǒng)的CPU在深度學(xué)習(xí)算法的運(yùn)算上可以提高幾十倍的效率，因此開始嘗試使用GPU進(jìn)行人工智能計(jì)算。

3、進(jìn)入2010年后，云計(jì)算廣泛推廣，人工智能的研究人員可以通過云計(jì)算借助大量CPU和GPU進(jìn)行混合運(yùn)算，進(jìn)一步推進(jìn)了AI芯片的深入應(yīng)用，從而催生了各類AI芯片的研發(fā)與應(yīng)用。

4、人工智能對于計(jì)算能力的要求不斷快速地提升，進(jìn)入2015年后，GPU性能功耗比不高的特點(diǎn)使其在工作適用場合受到多種限制，業(yè)界開始研發(fā)針對人工智能的專用芯片，以期通過更好的硬件和芯片架構(gòu)，在計(jì)算效率、能耗比等性能上得到進(jìn)一步提升。

AI芯片與普通芯片的區(qū)別在哪里?

AI算法，在圖像識別等領(lǐng)域，常用的是CNN卷積網(wǎng)絡(luò)，語音識別、自然語言處理等領(lǐng)域，主要是RNN，這是兩類有區(qū)別的算法。但是，他們本質(zhì)上，都是矩陣或vector的乘法、加法，然后配合一些除法、指數(shù)等算法。

一個成熟的AI算法，比如YOLO-V3，就是大量的卷積、殘差網(wǎng)絡(luò)、全連接等類型的計(jì)算，本質(zhì)是乘法和加法。對于YOLO-V3來說，如果確定了具體的輸入圖形尺寸，那么總的乘法加法計(jì)算次數(shù)是確定的。比如一萬億次。(真實(shí)的情況比這個大得多的多)那么要快速執(zhí)行一次YOLO-V3，就必須執(zhí)行完一萬億次的加法乘法次數(shù)。

這個時候就來看了，比如IBM的POWER8，最先進(jìn)的服務(wù)器用超標(biāo)量CPU之一，4GHz，SIMD，128bit，假設(shè)是處理16bit的數(shù)據(jù)，那就是8個數(shù)，那么一個周期，最多執(zhí)行8個乘加計(jì)算。一次最多執(zhí)行16個操作。這還是理論上，其實(shí)是不大可能的。那么CPU一秒鐘的巔峰計(jì)算次數(shù)=16X4Gops=64Gops。這樣，可以算算CPU計(jì)算一次的時間了。同樣的，換成GPU算算，也能知道執(zhí)行時間。

再來說說AI芯片。比如大名鼎鼎的谷歌的TPU1。

TPU1，大約700M Hz，有256X256尺寸的脈動陣列，一共256X256=64K個乘加單元，每個單元一次可執(zhí)行一個乘法和一個加法。那就是128K個操作。(乘法算一個，加法再算一個)

另外，除了脈動陣列，還有其他模塊，比如激活等，這些里面也有乘法、加法等。所以，看看TPU1一秒鐘的巔峰計(jì)算次數(shù)至少是=128K X 700MHz=89600Gops=大約90Tops。對比一下CPU與TPU1，會發(fā)現(xiàn)計(jì)算能力有幾個數(shù)量級的差距，這就是為啥說CPU慢。

當(dāng)然，以上的數(shù)據(jù)都是完全最理想的理論值，實(shí)際情況，能夠達(dá)到5%吧。因?yàn)?，芯片上的存儲不夠大，所以?shù)據(jù)會存儲在DRAM中，從DRAM取數(shù)據(jù)很慢的，所以，乘法邏輯往往要等待。另外，AI算法有許多層網(wǎng)絡(luò)組成，必須一層一層的算，所以，在切換層的時候，乘法邏輯又是休息的，所以，諸多因素造成了實(shí)際的芯片并不能達(dá)到利潤的計(jì)算峰值，而且差距還極大。

目前來看，神經(jīng)網(wǎng)絡(luò)的尺寸是越來越大，參數(shù)越來越多，遇到大型NN模型，訓(xùn)練需要花幾周甚至一兩個月的時候。突然斷電，還得一切重來。修改了模型，需要幾個星期才能知道對錯，確定等得起?突然有了TPU，然后你發(fā)現(xiàn)，吃個午飯回來就好了，參數(shù)優(yōu)化一下，繼續(xù)跑，多么爽!

總的來說，CPU與GPU并不是AI專用芯片，為了實(shí)現(xiàn)其他功能，內(nèi)部有大量其他邏輯，而這些邏輯對于目前的AI算法來說是完全用不上的，所以，自然造成CPU與GPU并不能達(dá)到最優(yōu)的性價(jià)比。

目前在圖像識別、語音識別、自然語言處理等領(lǐng)域，精度最高的算法就是基于深度學(xué)習(xí)的，傳統(tǒng)的機(jī)器學(xué)習(xí)的計(jì)算精度已經(jīng)被超越，目前應(yīng)用最廣的算法，估計(jì)非深度學(xué)習(xí)莫屬，而且，傳統(tǒng)機(jī)器學(xué)習(xí)的計(jì)算量與深度學(xué)習(xí)比起來少很多，所以，討論AI芯片時就針對計(jì)算量特別大的深度學(xué)習(xí)而言。畢竟，計(jì)算量小的算法，說實(shí)話，CPU已經(jīng)很快了。而且，CPU適合執(zhí)行調(diào)度復(fù)雜的算法，這一點(diǎn)是GPU與AI芯片都做不到的，所以他們?nèi)咧皇轻槍Σ煌膽?yīng)用場景而已，都有各自的主場。

AI芯片的分類及技術(shù)

人工智能芯片目前有兩種發(fā)展路徑：一種是延續(xù)傳統(tǒng)計(jì)算架構(gòu)，加速硬件計(jì)算能力，主要以3種類型的芯片為代表，即GPU、FPGA、ASIC，但CPU依舊發(fā)揮著不可替代的作用;另一種是顛覆經(jīng)典的馮·諾依曼計(jì)算架構(gòu)，采用類腦神經(jīng)結(jié)構(gòu)來提升計(jì)算能力，以IBM TrueNorth芯片為代表。

傳統(tǒng)的CPU

計(jì)算機(jī)工業(yè)從1960年代早期開始使用CPU這個術(shù)語。迄今為止，CPU從形態(tài)、設(shè)計(jì)到實(shí)現(xiàn)都已發(fā)生了巨大的變化，但是其基本工作原理卻一直沒有大的改變。通常CPU由控制器和運(yùn)算器這兩個主要部件組成。傳統(tǒng)的CPU內(nèi)部結(jié)構(gòu)中，實(shí)質(zhì)上僅單獨(dú)的ALU模塊(邏輯運(yùn)算單元)是用來完成數(shù)據(jù)計(jì)算的，其他各個模塊的存在都是為了保證指令能夠一條接一條的有序執(zhí)行。這種通用性結(jié)構(gòu)對于傳統(tǒng)的編程計(jì)算模式非常適合，同時可以通過提升CPU主頻(提升單位時間內(nèi)執(zhí)行指令的條數(shù))來提升計(jì)算速度。但對于深度學(xué)習(xí)中的并不需要太多的程序指令、卻需要海量數(shù)據(jù)運(yùn)算的計(jì)算需求，這種結(jié)構(gòu)就顯得有些力不從心。尤其是在功耗限制下，無法通過無限制的提升CPU和內(nèi)存的工作頻率來加快指令執(zhí)行速度，這種情況導(dǎo)致CPU系統(tǒng)的發(fā)展遇到不可逾越的瓶頸。

并行加速計(jì)算的GPU

GPU作為最早從事并行加速計(jì)算的處理器，相比CPU速度快，同時比其他加速器芯片編程靈活簡單。

傳統(tǒng)的CPU之所以不適合人工智能算法的執(zhí)行，主要原因在于其計(jì)算指令遵循串行執(zhí)行的方式，沒能發(fā)揮出芯片的全部潛力。與之不同的是，GPU具有高并行結(jié)構(gòu)，在處理圖形數(shù)據(jù)和復(fù)雜算法方面擁有比CPU更高的效率。對比GPU和CPU在結(jié)構(gòu)上的差異，CPU大部分面積為控制器和寄存器，而GPU擁有更ALU(ARITHMETIC LOGIC UNIT，邏輯運(yùn)算單元)用于數(shù)據(jù)處理，這樣的結(jié)構(gòu)適合對密集型數(shù)據(jù)進(jìn)行并行處理。程序在GPU系統(tǒng)上的運(yùn)行速度相較于單核CPU往往提升幾十倍乃至上千倍。隨著英偉達(dá)、AMD等公司不斷推進(jìn)其對GPU大規(guī)模并行架構(gòu)的支持，面向通用計(jì)算的GPU(即GPGPU，GENERAL PURPOSE GPU，通用計(jì)算圖形處理器)已成為加速可并行應(yīng)用程序的重要手段。

目前，GPU已經(jīng)發(fā)展到較為成熟的階段。谷歌、FACEBOOK、微軟、TWITTER和百度等公司都在使用GPU分析圖片、視頻和音頻文件，以改進(jìn)搜索和圖像標(biāo)簽等應(yīng)用功能。此外，很多汽車生產(chǎn)商也在使用GPU芯片發(fā)展無人駕駛。不僅如此，GPU也被應(yīng)用于VR/AR相關(guān)的產(chǎn)業(yè)。但是GPU也有一定的局限性。深度學(xué)習(xí)算法分為訓(xùn)練和推斷兩部分，GPU平臺在算法訓(xùn)練上非常高效。但在推斷中對于單項(xiàng)輸入進(jìn)行處理的時候，并行計(jì)算的優(yōu)勢不能完全發(fā)揮出來。

半定制化的FPGA

FPGA是在PAL、GAL、CPLD等可編程器件基礎(chǔ)上進(jìn)一步發(fā)展的產(chǎn)物。用戶可以通過燒入FPGA配置文件來定義這些門電路以及存儲器之間的連線。這種燒入不是一次性的，比如用戶可以把FPGA配置成一個微控制器MCU，使用完畢后可以編輯配置文件把同一個FPGA配置成一個音頻編解碼器。因此，它既解決了定制電路靈活性的不足，又克服了原有可編程器件門電路數(shù)有限的缺點(diǎn)。

FPGA可同時進(jìn)行數(shù)據(jù)并行和任務(wù)并行計(jì)算，在處理特定應(yīng)用時有更加明顯的效率提升。對于某個特定運(yùn)算，通用CPU可能需要多個時鐘周期;而FPGA可以通過編程重組電路，直接生成專用電路，僅消耗少量甚至一次時鐘周期就可完成運(yùn)算。

此外，由于FPGA的靈活性，很多使用通用處理器或ASIC難以實(shí)現(xiàn)的底層硬件控制操作技術(shù)，利用FPGA可以很方便的實(shí)現(xiàn)。這個特性為算法的功能實(shí)現(xiàn)和優(yōu)化留出了更大空間。同時FPGA一次性成本(光刻掩模制作成本)遠(yuǎn)低于ASIC，在芯片需求還未成規(guī)模、深度學(xué)習(xí)算法暫未穩(wěn)定，需要不斷迭代改進(jìn)的情況下，利用FPGA芯片具備可重構(gòu)的特性來實(shí)現(xiàn)半定制的人工智能芯片是最佳選擇之一。

功耗方面，從體系結(jié)構(gòu)而言，F(xiàn)PGA也具有天生的優(yōu)勢。傳統(tǒng)的馮氏結(jié)構(gòu)中，執(zhí)行單元(如CPU核)執(zhí)行任意指令，都需要有指令存儲器、譯碼器、各種指令的運(yùn)算器及分支跳轉(zhuǎn)處理邏輯參與運(yùn)行，而FPGA每個邏輯單元的功能在重編程(即燒入)時就已經(jīng)確定，不需要指令，無需共享內(nèi)存，從而可以極大的降低單位執(zhí)行的功耗，提高整體的能耗比。

由于FPGA具備靈活快速的特點(diǎn)，因此在眾多領(lǐng)域都有替代ASIC的趨勢。

全定制化的ASIC

目前以深度學(xué)習(xí)為代表的人工智能計(jì)算需求，主要采用GPU、FPGA等已有的適合并行計(jì)算的通用芯片來實(shí)現(xiàn)加速。在產(chǎn)業(yè)應(yīng)用沒有大規(guī)模興起之時，使用這類已有的通用芯片可以避免專門研發(fā)定制芯片(ASIC)的高投入和高風(fēng)險(xiǎn)。但是，由于這類通用芯片設(shè)計(jì)初衷并非專門針對深度學(xué)習(xí)，因而天然存在性能、功耗等方面的局限性。隨著人工智能應(yīng)用規(guī)模的擴(kuò)大，這類問題日益突顯。

GPU作為圖像處理器，設(shè)計(jì)初衷是為了應(yīng)對圖像處理中的大規(guī)模并行計(jì)算。因此，在應(yīng)用于深度學(xué)習(xí)算法時，有三個方面的局限性：第一，應(yīng)用過程中無法充分發(fā)揮并行計(jì)算優(yōu)勢。深度學(xué)習(xí)包含訓(xùn)練和推斷兩個計(jì)算環(huán)節(jié)，GPU在深度學(xué)習(xí)算法訓(xùn)練上非常高效，但對于單一輸入進(jìn)行推斷的場合，并行度的優(yōu)勢不能完全發(fā)揮。第二，無法靈活配置硬件結(jié)構(gòu)。GPU采用SIMT計(jì)算模式，硬件結(jié)構(gòu)相對固定。目前深度學(xué)習(xí)算法還未完全穩(wěn)定，若深度學(xué)習(xí)算法發(fā)生大的變化，GPU無法像FPGA一樣可以靈活的配制硬件結(jié)構(gòu)。第三，運(yùn)行深度學(xué)習(xí)算法能效低于FPGA。

盡管FPGA倍受看好，甚至新一代百度大腦也是基于FPGA平臺研發(fā)，但其畢竟不是專門為了適用深度學(xué)習(xí)算法而研發(fā)，實(shí)際應(yīng)用中也存在諸多局限：第一，基本單元的計(jì)算能力有限。為了實(shí)現(xiàn)可重構(gòu)特性，F(xiàn)PGA內(nèi)部有大量極細(xì)粒度的基本單元，但是每個單元的計(jì)算能力(主要依靠LUT查找表)都遠(yuǎn)遠(yuǎn)低于CPU和GPU中的ALU模塊;第二、計(jì)算資源占比相對較低。為實(shí)現(xiàn)可重構(gòu)特性，F(xiàn)PGA內(nèi)部大量資源被用于可配置的片上路由與連線;第三，速度和功耗相對專用定制芯片(ASIC)仍然存在不小差距;第四，F(xiàn)PGA價(jià)格較為昂貴，在規(guī)模放量的情況下單塊FPGA的成本要遠(yuǎn)高于專用定制芯片。

深度學(xué)習(xí)算法穩(wěn)定后，AI芯片可采用ASIC設(shè)計(jì)方法進(jìn)行全定制，使性能、功耗和面積等指標(biāo)面向深度學(xué)習(xí)算法做到最優(yōu)。

類腦芯片

類腦芯片不采用經(jīng)典的馮·諾依曼架構(gòu)，而是基于神經(jīng)形態(tài)架構(gòu)設(shè)計(jì)，以IBM Truenorth為代表。IBM研究人員將存儲單元作為突觸、計(jì)算單元作為神經(jīng)元、傳輸單元作為軸突搭建了神經(jīng)芯片的原型。目前，Truenorth用三星28nm功耗工藝技術(shù)，由54億個晶體管組成的芯片構(gòu)成的片上網(wǎng)絡(luò)有4096個神經(jīng)突觸核心，實(shí)時作業(yè)功耗僅為70mW。由于神經(jīng)突觸要求權(quán)重可變且要有記憶功能，IBM采用與CMOS工藝兼容的相變非揮發(fā)存儲器(PCM)的技術(shù)實(shí)驗(yàn)性的實(shí)現(xiàn)了新型突觸，加快了商業(yè)化進(jìn)程。

AI芯片應(yīng)用領(lǐng)域

隨著人工智能芯片的持續(xù)發(fā)展，應(yīng)用領(lǐng)域會隨時間推移而不斷向多維方向發(fā)展。

智能手機(jī)

2017年9月，華為在德國柏林消費(fèi)電子展發(fā)布了麒麟970芯片，該芯片搭載了寒武紀(jì)的NPU，成為“全球首款智能手機(jī)移動端AI芯片”;2017年10月中旬Mate10系列新品(該系列手機(jī)的處理器為麒麟970)上市。搭載了NPU的華為Mate10系列智能手機(jī)具備了較強(qiáng)的深度學(xué)習(xí)、本地端推斷能力，讓各類基于深度神經(jīng)網(wǎng)絡(luò)的攝影、圖像處理應(yīng)用能夠?yàn)橛脩籼峁└油昝赖捏w驗(yàn)。

而蘋果發(fā)布以iPhone X為代表的手機(jī)及它們內(nèi)置的A11 Bionic芯片。A11 Bionic中自主研發(fā)的雙核架構(gòu)Neural Engine(神經(jīng)網(wǎng)絡(luò)處理引擎)，它每秒處理相應(yīng)神經(jīng)網(wǎng)絡(luò)計(jì)算需求的次數(shù)可達(dá)6000億次。這個Neural Engine的出現(xiàn)，讓A11 Bionic成為一塊真正的AI芯片。A11 Bionic大大提升了iPhone X在拍照方面的使用體驗(yàn)，并提供了一些富有創(chuàng)意的新用法。

ADAS(高級輔助駕駛系統(tǒng))

ADAS是最吸引大眾眼球的人工智能應(yīng)用之一，它需要處理海量的由激光雷達(dá)、毫米波雷達(dá)、攝像頭等傳感器采集的實(shí)時數(shù)據(jù)。相對于傳統(tǒng)的車輛控制方法，智能控制方法主要體現(xiàn)在對控制對象模型的運(yùn)用和綜合信息學(xué)習(xí)運(yùn)用上，包括神經(jīng)網(wǎng)絡(luò)控制和深度學(xué)習(xí)方法等。

CV(計(jì)算機(jī)視覺(Computer Vision)設(shè)備

需要使用計(jì)算機(jī)視覺技術(shù)的設(shè)備，如智能攝像頭、無人機(jī)、行車記錄儀、人臉識別迎賓機(jī)器人以及智能手寫板等設(shè)備，往往都具有本地端推斷的需要，如果僅能在聯(lián)網(wǎng)下工作，無疑將帶來糟糕的體驗(yàn)。而計(jì)算機(jī)視覺技術(shù)目前看來將會成為人工智能應(yīng)用的沃土之一，計(jì)算機(jī)視覺芯片將擁有廣闊的市場前景。

VR設(shè)備

VR設(shè)備芯片的代表為HPU芯片，是微軟為自身VR設(shè)備Hololens研發(fā)定制的。這顆由臺積電代工的芯片能同時處理來自5個攝像頭、1個深度傳感器以及運(yùn)動傳感器的數(shù)據(jù)，并具備計(jì)算機(jī)視覺的矩陣運(yùn)算和CNN運(yùn)算的加速功能。這使得VR設(shè)備可重建高質(zhì)量的人像3D影像，并實(shí)時傳送到任何地方。

語音交互設(shè)備

語音交互設(shè)備芯片方面，國內(nèi)有啟英泰倫以及云知聲兩家公司，其提供的芯片方案均內(nèi)置了為語音識別而優(yōu)化的深度神經(jīng)網(wǎng)絡(luò)加速方案，實(shí)現(xiàn)設(shè)備的語音離線識別。穩(wěn)定的識別能力為語音技術(shù)的落地提供了可能;與此同時，語音交互的核心環(huán)節(jié)也取得重大突破。語音識別環(huán)節(jié)突破了單點(diǎn)能力，從遠(yuǎn)場識別，到語音分析和語義理解有了重大突破，呈現(xiàn)出一種整體的交互方案。

機(jī)器人

無論是家居機(jī)器人還是商用服務(wù)機(jī)器人均需要專用軟件+芯片的人工智能解決方案，這方面典型公司有由前百度深度學(xué)習(xí)實(shí)驗(yàn)室負(fù)責(zé)人余凱創(chuàng)辦的地平線機(jī)器人，當(dāng)然地平線機(jī)器人除此之外，還提供ADAS、智能家居等其他嵌入式人工智能解決方案。

審核編輯黃昊宇