隨著因特網(wǎng)的發(fā)展，要通信的數(shù)據(jù)量爆炸性地增加，并且開發(fā)用于處理大量數(shù)據(jù)的專用芯片的需求也在增加。

自深度學習技術問世以來，人工智能已開始用于圖像識別和語言識別等模式識別以及各種決策。AI由基于收集和積累的大數(shù)據(jù)的計算機學習和推斷組成，但是當前的AI使用軟件處理大量數(shù)據(jù)，因此其處理能力已經(jīng)足夠。問題在于它尚未達到標準。

與現(xiàn)有的CPU按輸入的順序處理信息不同，AI芯片具有像人腦一樣并行，同時處理大量信息和復雜操作的能力。它比現(xiàn)有芯片具有更快的算術處理速度，并且擅長處理海量數(shù)據(jù)，因此適合處理大數(shù)據(jù)。

消除發(fā)送和接收數(shù)據(jù)時的時滯

當今的AI專注于深度挖掘，它基于大數(shù)據(jù)得出答案，但是當時最重要的問題是在哪里處理數(shù)據(jù)。

以自動駕駛為例，將從安裝在汽車上的傳感器收集的數(shù)據(jù)傳輸?shù)皆浦?，使用云中的AI進行處理，然后將獲得的結果再次傳輸?shù)狡?。但是，由于云距離汽車較遠，因此發(fā)送和接收數(shù)據(jù)會存在時間滯后。

消除此類缺點的一種方法是邊緣計算，它在站點端處理數(shù)據(jù)，最近這已成為熱門話題。使用現(xiàn)場邊緣計算機進行AI處理可消除由于發(fā)送和接收而造成的時間損失，從而使處理接近實時。

消除缺點的另一種方法是在諸如智能手機之類的移動設備上進行處理。通過使用智能手機中安裝的各種應用程序執(zhí)行AI處理，可以改善功能。
責任編輯:tzh