技術(shù)的進(jìn)化階段是一個(gè)熟悉的地方，人工智能是近年來的主要技術(shù)，也不例外。在人工智能中 - 新一代增加了更多的MAC，多層量化，這個(gè)功能，那個(gè)功能 - 所有這些都是為了追逐改進(jìn)的TOPS / Watt。

在此環(huán)境中，我們已成功通過我們的 CEVA NeuPro 平臺(tái)將 AI 邊緣解決方案引入各種市場(chǎng)。現(xiàn)在，用戶想要更多，但有時(shí)僅靠進(jìn)化是不夠的。

起初，用戶強(qiáng)調(diào)易用性，以幫助他們引入這種新的AI邊緣技術(shù)。但隨著他們?cè)谙冗M(jìn)人工智能技術(shù)方面的專業(yè)知識(shí)不斷加深，他們希望獲得所有可能的方法，將差異化融入到他們的產(chǎn)品中，并超越當(dāng)前最先進(jìn)的方法一個(gè)數(shù)量級(jí)。通過進(jìn)化快速到達(dá)那里是不可能的;革命性的改進(jìn)是必要的。他們想要的已經(jīng)從易用性轉(zhuǎn)變?yōu)橐宰畲笸掏铝亢妥钚」膶?shí)現(xiàn)最大的算法靈活性。

測(cè)量

TOPS / W是一個(gè)不錯(cuò)的營銷數(shù)字，但它太粗糙了，在實(shí)際應(yīng)用中沒有用處。例如，在視覺推理中，每秒幀/瓦特 （FPS/W） 是一個(gè)更有意義的指標(biāo)。在這種情況下，好分?jǐn)?shù)的價(jià)值很容易理解。檢測(cè)前方的行人或汽車或從后方經(jīng)過的汽車需要快速響應(yīng)。幾乎沒有時(shí)間剎車或轉(zhuǎn)向，而且這兩個(gè)動(dòng)作都不是瞬間的。推理引擎必須能夠以盡可能低的功率管理至少100 FPS，因?yàn)檫@只是汽車周圍眾多傳感器/人工智能系統(tǒng)之一。這需要更高的fps / W才能獲得競(jìng)爭(zhēng)力。

市場(chǎng)機(jī)會(huì)是毋庸置疑的。預(yù)計(jì)汽車和電信應(yīng)用將成為這一增長(zhǎng)的最大貢獻(xiàn)者，而在汽車領(lǐng)域，智能成像繼續(xù)保持強(qiáng)勁。順便說一句，手機(jī)中的“多相機(jī)”趨勢(shì)也是如此。事實(shí)上，這種相機(jī)中的成像管道已經(jīng)開始用神經(jīng)網(wǎng)絡(luò)取代傳統(tǒng)算法，用于去噪、圖像穩(wěn)定、超分辨率和其他新穎功能，所有這些都在非常有限的能量包絡(luò)中以60fps的速度運(yùn)行。

重大進(jìn)步需要什么

圍繞模擬AI和峰值神經(jīng)網(wǎng)絡(luò)發(fā)生了一些有趣的事情，但產(chǎn)品制造商不想離他們今天可以擴(kuò)展到數(shù)量的東西太遠(yuǎn)。這種限制仍然留下了大量的算法潛力，但現(xiàn)在產(chǎn)品構(gòu)建者希望能夠以更大的靈活性訪問所有這些算法，以最小的功耗擠出最大的性能。

優(yōu)化可能性列表很長(zhǎng)：廣泛的量化選項(xiàng)，winograd支持，跳過乘法零的稀疏性優(yōu)化，激活和權(quán)重在一系列位大小上的數(shù)據(jù)類型多樣性，與神經(jīng)乘法并行的矢量處理能力，數(shù)據(jù)壓縮以減少權(quán)重和激活的加載時(shí)間，矩陣分解支持，通過參考網(wǎng)絡(luò)提供高達(dá)50：1的加速度， 和下一代 NN 架構(gòu)，如變壓器和 3D 卷積支持。

號(hào)召性用語

產(chǎn)品構(gòu)建者現(xiàn)在在人工智能方面擁有更多經(jīng)驗(yàn)，他們知道他們想要構(gòu)建什么以及如何構(gòu)建它。他們需要的是一個(gè)提供他們已經(jīng)理解的所有神經(jīng)網(wǎng)絡(luò)組件算法的平臺(tái)，為他們的產(chǎn)品構(gòu)建最佳解決方案。

這是一個(gè)夢(mèng)想中的算法和優(yōu)化列表，可提供高級(jí)邊緣 AI 所需的真正突破性功能、吞吐量和低功耗。但為什么只有夢(mèng)想呢？高級(jí)產(chǎn)品構(gòu)建者不再滿足于人工智能的漸進(jìn)式改進(jìn)。他們現(xiàn)在期望平臺(tái)與他們對(duì)可能性的深刻理解相一致。

審核編輯：郭婷