自動(dòng)駕駛領(lǐng)域在近兩年被大家所熟悉，主要的市場(chǎng)誘導(dǎo)因素是Tesla在輔助智能駕駛和采用全視覺技術(shù)的影子模式為主的FAD(Full Auto Drive)的成功。我們認(rèn)為，自動(dòng)駕駛領(lǐng)域?qū)⑹俏磥?a href="http://www.brongaenegriffin.com/v/tag/150/" target="_blank">人工智能商業(yè)化落地非常重要的一個(gè)場(chǎng)景，并且能帶來百億級(jí)以上規(guī)模的企業(yè)的可能性非常之高。構(gòu)建下一代人工智能基礎(chǔ)設(shè)施的架構(gòu)與工業(yè)化成功成為一個(gè)新的熱點(diǎn)和行業(yè)內(nèi)的必爭(zhēng)高地。

作者簡(jiǎn)介：

作者為黑芝麻智能技術(shù)專家，系CCF高性能專委會(huì)委員、AAAI終身會(huì)員、中國(guó)智能計(jì)算產(chǎn)業(yè)聯(lián)盟核心會(huì)員、上海市人工智能專家委員會(huì)委員、中國(guó)信通院大模型標(biāo)準(zhǔn)制定委員會(huì)委員、國(guó)內(nèi)DSA領(lǐng)域的早期推廣者與踐行者、中國(guó)最早將分布式深度學(xué)習(xí)系統(tǒng)進(jìn)行商業(yè)化落地并取得一定的社會(huì)效益。

文章速覽：

DSA成為下一代AI計(jì)算平臺(tái)的主流架構(gòu)，加速異構(gòu)計(jì)算

DSA-oriented Unified AI stack作為統(tǒng)一的 AI 基礎(chǔ)軟件設(shè)施，解決碎片化問題

算法網(wǎng)絡(luò)的統(tǒng)一化與多樣化

黑芝麻智能華山系列芯片采用多核異構(gòu)架構(gòu)

建設(shè)易用的以CXE為基礎(chǔ)的人工智能軟件基礎(chǔ)設(shè)施是AI落地的關(guān)鍵

打造非歐數(shù)據(jù)形式的融合算法模型是自動(dòng)駕駛技術(shù)穩(wěn)定產(chǎn)業(yè)化的基礎(chǔ)

從事自動(dòng)駕駛解決方案和車載智能芯片的企業(yè)都看到了一個(gè)巨大的機(jī)會(huì)，那就是自動(dòng)駕駛場(chǎng)景將產(chǎn)生海量的、復(fù)雜的、多樣的、高價(jià)值的數(shù)據(jù)。在當(dāng)今數(shù)據(jù)即財(cái)富的時(shí)代，這一點(diǎn)給所有人帶來了無限的想象空間。怎么把數(shù)據(jù)變現(xiàn)成價(jià)值、如何將數(shù)據(jù)變現(xiàn)并實(shí)現(xiàn)商業(yè)化，成為所有人的命題。而人工智能技術(shù)是普遍被學(xué)術(shù)界和產(chǎn)業(yè)界都認(rèn)可的用來解決這個(gè)問題的一個(gè)技術(shù)。所以，構(gòu)建下一代人工智能基礎(chǔ)設(shè)施的架構(gòu)與工業(yè)化成功成為一個(gè)新的熱點(diǎn)，成為行業(yè)內(nèi)的必爭(zhēng)高地。

下一代人工智能基礎(chǔ)設(shè)施的特征

下一代人工智能基礎(chǔ)設(shè)施的重要特征，特別是面向自動(dòng)駕駛或者機(jī)器智能領(lǐng)域，主要體現(xiàn)在：

1. Heterogeneous DSA(DSA: Domain Specific Architecture，下同)成為下一代AI計(jì)算平臺(tái)的主流架構(gòu)，加速異構(gòu)計(jì)算

2. DSA-oriented Unified AI stack成為下一代AI的基礎(chǔ)軟件設(shè)施，解決碎片化問題

3. 更廣泛算法網(wǎng)絡(luò)的統(tǒng)一與支持

DSA成為AI計(jì)算的主流架構(gòu)

在過去的四十年的體系結(jié)構(gòu)發(fā)展中，架構(gòu)師們通過利用各種技術(shù)來提升單芯片算力、優(yōu)化架構(gòu)，但最終的效果不盡如人意，特別是在更多復(fù)雜應(yīng)用場(chǎng)景的大數(shù)據(jù)時(shí)代和智能應(yīng)用環(huán)境下，通用計(jì)算架構(gòu)受到了前所未有的挑戰(zhàn)：

1、技術(shù)上，登納德定律失效導(dǎo)致了功耗的優(yōu)化成為限制;摩爾定律失效使得芯片晶體管的提升受到限制;

隨著晶體管密度的增加，每個(gè)晶體管的能耗將降低，因此硅芯片上每平方毫米上的能耗幾乎保持恒定。由于每平方毫米硅芯片的計(jì)算能力隨著技術(shù)的迭代而不斷增強(qiáng)，計(jì)算機(jī)將變得更加節(jié)能。然而，登納德縮放定律從2007年開始大幅放緩，2012年左右接近失效(如下圖)：

2、芯片體系架構(gòu)上：指令集并行和單核性能優(yōu)化已經(jīng)成為瓶頸;阿姆達(dá)爾定律失效導(dǎo)致多核優(yōu)化達(dá)到瓶頸;當(dāng)前指令集和體系結(jié)構(gòu)不能處理芯片安全問題;

根據(jù)“Iron law”可知，處理器的算力性能直接相關(guān)的參數(shù)就是：

這個(gè)參數(shù)是指執(zhí)行一個(gè)程序所花費(fèi)的時(shí)間。該參數(shù)由以下的公式來決定：

在以上的公式中，右側(cè)式子的前兩項(xiàng)由指令集來影響，第三項(xiàng)由芯片制程和工藝來決定。在微架構(gòu)中增加指令的亂序執(zhí)行和指令級(jí)并行技術(shù)來提升算力的性能，也就是上述公式的前兩個(gè)因素。

3、應(yīng)用場(chǎng)景上，海量的算力需求從PC和服務(wù)器時(shí)代，進(jìn)化到物聯(lián)網(wǎng)、云計(jì)算和移動(dòng)互聯(lián)網(wǎng)時(shí)代，海量的、多樣的計(jì)算形式被催生出來;當(dāng)前的算力基礎(chǔ)設(shè)施及技術(shù)發(fā)展已經(jīng)嚴(yán)重落后需求側(cè)的算力要求。

在這樣的環(huán)境下，數(shù)據(jù)流架構(gòu)思想和技術(shù)由于更適合海量連續(xù)數(shù)據(jù)的處理、緩解內(nèi)存墻問題的優(yōu)勢(shì)，在當(dāng)前的人工智能領(lǐng)域更加受到關(guān)注。融合了數(shù)據(jù)流架構(gòu)的深度學(xué)習(xí)處理器也不斷地被設(shè)計(jì)和研發(fā)出來，用來解決不同場(chǎng)景下海量數(shù)據(jù)的算力“不足”問題。這些變化都是由于軟硬件融合的設(shè)計(jì)與系統(tǒng)更適合于當(dāng)前應(yīng)用場(chǎng)景下對(duì)算力資源的需求。

人工智能在大數(shù)據(jù)的環(huán)境下得到了爆發(fā)式的增長(zhǎng)，為高級(jí)編程語言python和tensorflow等特定領(lǐng)域語言通過增加軟件重用、提高抽象級(jí)別，顯著地提高了生產(chǎn)力。在此應(yīng)用環(huán)境下，編譯器與DSA體系結(jié)構(gòu)更要進(jìn)一步協(xié)同設(shè)計(jì)，專門解決該領(lǐng)域下的特殊特征。

特定領(lǐng)域的體系結(jié)構(gòu)。一種以硬件為中心的設(shè)計(jì)思路是設(shè)計(jì)面向特定問題和領(lǐng)域的架構(gòu)，并給予它們強(qiáng)大且高效的性能，因此它們是特定領(lǐng)域的體系結(jié)構(gòu)(DSA)，這是一種特定領(lǐng)域的可編程處理器，通常是圖靈完備的，但針對(duì)特定類別的應(yīng)用進(jìn)行了定制。DSA通常被稱為加速器，因?yàn)榕c在通用CPU上執(zhí)行整個(gè)應(yīng)用程序相比，它們可以加速某些應(yīng)用程序。此外，DSA可以實(shí)現(xiàn)更好的性能，因?yàn)樗鼈兏N近應(yīng)用的實(shí)際需求，比如圖形加速單元(GPU)，用于深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)處理器(NPU)，以及軟件定義網(wǎng)絡(luò)處理器(SDNs)。DSA效率更高、能耗更低是因?yàn)橐韵滤膫€(gè)原因：

首先，DSA為特定領(lǐng)域的計(jì)算使用了更加有效的并行形式。例如單指令多數(shù)據(jù)并行(SIMD)，因?yàn)樗谝粋€(gè)時(shí)鐘步長(zhǎng)內(nèi)只需處理一個(gè)指令流和處理單元。DSA也可以使用VLIW方法來實(shí)現(xiàn)ILP(指令級(jí)并行)，而不是推測(cè)性的亂序機(jī)制，當(dāng)前AI處理器普遍采用in-order的流水線形勢(shì)。如前文所述，VLIW處理器與通用性代碼不匹配，但對(duì)于特定領(lǐng)域更加有效，因?yàn)樗目刂茩C(jī)制更加簡(jiǎn)單。與之相對(duì)的是，VLIW在編譯時(shí)執(zhí)行必要的分析和調(diào)度，這對(duì)于顯式并行程序來說可以很好地工作。

其次，DSA可以更有效地利用內(nèi)存層次結(jié)構(gòu)。通用處理器的運(yùn)行代碼，其中的存儲(chǔ)器訪問通常表現(xiàn)出空間和時(shí)間局部性，但在編譯時(shí)不是非?？深A(yù)測(cè)的。因此，CPU使用多級(jí)高速緩存來增加帶寬，并掩蓋相對(duì)較慢的芯片外DRAM延遲。在那些編譯時(shí)可以很好地定義和發(fā)現(xiàn)內(nèi)存訪問模式的應(yīng)用程序中(這對(duì)于典型的DSL來說是常見的)，程序員和編譯器可以比動(dòng)態(tài)分配的緩存更好地優(yōu)化內(nèi)存的使用。

再次，DSA可以使用較低的精度。適用于通用任務(wù)的CPU通常支持32和64位整型數(shù)和浮點(diǎn)數(shù)數(shù)據(jù)。對(duì)于很多機(jī)器學(xué)習(xí)和圖像應(yīng)用來說，并不需要如此高的精確度。例如在深度神經(jīng)網(wǎng)絡(luò)中(DNN)，推理通常使用4、8或16位整型數(shù)，從而提高數(shù)據(jù)和計(jì)算吞吐量。同樣，對(duì)于DNN訓(xùn)練程序，浮點(diǎn)數(shù)很有意義，但FP32位就夠了。當(dāng)前移動(dòng)端的推理過程以INT8精度為主;數(shù)據(jù)中心應(yīng)用端的推理過程以更廣泛的精度來滿足要求。

最后，DSA受益于以特定領(lǐng)域語言(DSL)編寫的目標(biāo)程序，這些程序可以實(shí)現(xiàn)更高的并行性，更好的內(nèi)存訪問的結(jié)構(gòu)和表示，并使應(yīng)用程序更有效地映射到特定域的處理器，這也需要面向DSA的編譯器的支持。

因此，體系結(jié)構(gòu)領(lǐng)域的大佬(John Hennessy、David Patterson)、AI領(lǐng)域大佬(Jeff Dean、Cliff Young)在近幾年內(nèi)連續(xù)發(fā)文或分享說明，當(dāng)下是領(lǐng)域?qū)Ｓ眉軜?gòu)DSA的黃金時(shí)代(Golden Age)。

統(tǒng)一的 AI 基礎(chǔ)軟件設(shè)施

2019 年Chris Lattner(LLVM 發(fā)明者)提出來有關(guān)DSA架構(gòu)下的編譯器的黃金時(shí)代:

在肯定了John Hennessy和David Patterson有關(guān)當(dāng)下是DSA的黃金時(shí)代的判斷之后，Chris也隨之對(duì)適應(yīng)于DSA架構(gòu)的編譯器提出了新的方向：

隨著應(yīng)用的爆發(fā)式發(fā)展、專用領(lǐng)域架構(gòu)DSA的繁榮，比如AI和結(jié)構(gòu)化計(jì)算技術(shù)發(fā)展領(lǐng)域，出現(xiàn)了標(biāo)量加速和向量加速等多種層面的加速，當(dāng)然現(xiàn)在還有多核CPU。這樣一來就會(huì)出現(xiàn)多種硬件組合，這些硬件就必須相互通信。但軟件還是很難充分利用它們來提高性能，而且如果軟硬件協(xié)同不到位，性能就會(huì)受到巨大影響。

我們需要下一代編譯器和編程語言來幫助解決這種碎片化。首先，計(jì)算機(jī)行業(yè)需要更好的硬件抽象，硬件抽象是允許軟件創(chuàng)新的方式，不需要讓每種不同設(shè)備變得過于專用化。

其次，我們需要支持異構(gòu)計(jì)算，因?yàn)橐谝粋€(gè)混合計(jì)算矩陣?yán)镒鼍仃嚦朔?、解碼JPEG、非結(jié)構(gòu)化計(jì)算等等。然后，還需要適用專門領(lǐng)域的語言，以及普通人也可以用的編程模型。

最后，我們也需要具備高質(zhì)量、高可靠性和高延展性的架構(gòu)。

在經(jīng)歷了科研范式的AI算法和場(chǎng)景落地之后，專業(yè)的工程化落地才是人工智能技術(shù)能力變現(xiàn)的唯一途徑。為了解決AI系統(tǒng)和工具的單一化和碎片化的問題，我們提出來建立統(tǒng)一開放的人工智能軟件基礎(chǔ)設(shè)施的目標(biāo)：建設(shè)面向工程化的人工智能軟件基礎(chǔ)設(shè)施，包括編譯器、運(yùn)行時(shí)，異構(gòu)計(jì)算、邊緣到數(shù)據(jù)中心并重，并專注于可用性，提升開發(fā)人員的效率。

算法網(wǎng)絡(luò)的統(tǒng)一化與多樣化

下圖從深度學(xué)習(xí)算法的發(fā)展歷程來看，總結(jié)了自人工智能伊始到現(xiàn)在的主要的算法與網(wǎng)絡(luò)結(jié)構(gòu)：

自2012年以后，以深度學(xué)習(xí)為基礎(chǔ)的算法和網(wǎng)絡(luò)帶來了空前的繁榮。

從過去幾年的商業(yè)化落地情況來看，算法的碎片化、場(chǎng)景個(gè)性化等等嚴(yán)重的問題導(dǎo)致了人工智能解決方案在工程化落地和市場(chǎng)化推廣方面的局限性。但是，2017年以來，特別是2020年以后，以 Transformer為基礎(chǔ)的各類大模型“霸占”各主要AI榜單的榜首，成為了名副其實(shí)的基礎(chǔ)模型?；A(chǔ)大模型加上場(chǎng)景的小定制化越來越成為人工智能技術(shù)在商業(yè)化推廣中的使用范式。

當(dāng)然，也有很多人質(zhì)疑Transformer的可解釋性，也有人通過借鑒Transformer的思想反哺給CNN來進(jìn)一步加速和提升，我們認(rèn)為這都沒有問題，用戶更多地希望從準(zhǔn)確率和效果上能有質(zhì)的提升。CNN與Transformer在網(wǎng)絡(luò)架構(gòu)方面的競(jìng)爭(zhēng)追根溯源是卷積操作與通用矩陣乘積操作這兩種操作之爭(zhēng)。處理CNN卷積操作時(shí)，專用硬件架構(gòu)有發(fā)揮空間，這也就是之前大家所熟知的為算法和應(yīng)用而定制的AI加速器出現(xiàn)的原因;而隨著以GEMM為特征的Transformer網(wǎng)絡(luò)架構(gòu)的推廣和規(guī)模化應(yīng)用場(chǎng)景的挖掘，處理GEMM操作的較通用處理器可能更適合。當(dāng)然兩種方向會(huì)長(zhǎng)期存在，但最終以能效和成本為目標(biāo)的客戶應(yīng)用來說，通用硬件架構(gòu)更有可能帶來降本增效的效果。

對(duì)于Transformer的出現(xiàn)，我們認(rèn)為其意義重大的原因更多地在于，Transformer為算法工作者提供了一種新的思想和思路方式，在大數(shù)據(jù)訓(xùn)練的情況下采用分布式的架構(gòu)更適合當(dāng)下人工智能算法的發(fā)展。

黑芝麻智能華山系列芯片采用多核異構(gòu)架構(gòu)

我們從以下三個(gè)維度進(jìn)行闡述我們認(rèn)為的下一代人工智能基礎(chǔ)設(shè)施的發(fā)展方向：

Heterogeneous DSA是未來異構(gòu)計(jì)算的主流。

當(dāng)前的計(jì)算架構(gòu)正在由單一的體系架構(gòu)往異構(gòu)的架構(gòu)發(fā)展、由單一芯片模式往融合異構(gòu)多芯片模式發(fā)展。軟硬件融合、異構(gòu)是當(dāng)前體系結(jié)構(gòu)發(fā)展的關(guān)鍵技術(shù)。

軟硬件融合是必然帶來以DSA為基礎(chǔ)的異構(gòu)計(jì)算的繁榮。除了芯片和體系結(jié)構(gòu)之外，編譯器、運(yùn)行系統(tǒng)、編程語言等軟件系統(tǒng)也面臨著DSA帶來的技術(shù)迭代周期。

隨著應(yīng)用場(chǎng)景的復(fù)雜性和異構(gòu)計(jì)算技術(shù)的發(fā)展，我們需要解決以下四類問題：

1、 海量數(shù)據(jù)的高效處理：

2、 復(fù)雜數(shù)據(jù)的有效處理：

3、 海量計(jì)算的范式創(chuàng)新和提升：

4、 高價(jià)值數(shù)據(jù)的識(shí)別與價(jià)值變現(xiàn)：

黑芝麻智能兩大核心自研IP——車規(guī)級(jí)圖像處理器NeuralIQ ISP以及DynamAI NN車規(guī)級(jí)低功耗神經(jīng)網(wǎng)絡(luò)加速引擎，賦能汽車看得更清、更遠(yuǎn)、更懂。其中，NeuralIQ ISP可支持多達(dá)12路高清相機(jī)接入。每秒處理36億3曝光像素，12億單曝光像素的高處理率管道，并且每個(gè)管道可并行在線處理兩路視頻，支持在線、離線和混合處理模式。支持HDR處理，符合高動(dòng)態(tài)曝光、低光降噪、LED閃爍抑制等高質(zhì)量車規(guī)圖像處理要求，適用于智能駕駛環(huán)視感知、前視感知、駕駛監(jiān)控等應(yīng)用場(chǎng)景;DynamAI NN引擎具備大算力的架構(gòu)，支持多形態(tài)、多精度運(yùn)算。通過可適配量化、結(jié)構(gòu)化剪裁壓縮、硬件可執(zhí)行軟件的子圖規(guī)劃實(shí)現(xiàn)軟硬件同步優(yōu)化。支持稀疏加速和配備自動(dòng)化開發(fā)工具等優(yōu)勢(shì)。

黑芝麻智能自動(dòng)駕駛計(jì)算芯片SoC集成了多個(gè)加速器，有ARM、ARM Neon、GPU、NPU、DSP、ISP、VPU 等多個(gè)IP。NPU是主要用來處理AI相關(guān)workload的加速器，衡量一個(gè)NPU芯片的設(shè)計(jì)是否優(yōu)化，業(yè)界有三個(gè)認(rèn)可的設(shè)計(jì)原則：

1) 存儲(chǔ)層次化

2) 數(shù)據(jù)復(fù)用

3) 片上互聯(lián)

黑芝麻智能A1000芯片在設(shè)計(jì)層面已經(jīng)充分地將以上三點(diǎn)融合并實(shí)現(xiàn)在SoC芯片內(nèi)，包含多級(jí)緩存和數(shù)據(jù)存儲(chǔ)結(jié)構(gòu)、高效的數(shù)據(jù)復(fù)用邏輯、統(tǒng)一片上NoC互聯(lián)結(jié)構(gòu)將主要的IP進(jìn)行并聯(lián)等。

我們堅(jiān)定地認(rèn)為DSA架構(gòu)和軟件系統(tǒng)是更適合當(dāng)前應(yīng)用的思想和方法。充分融合DSA的思想、結(jié)合具體的領(lǐng)域場(chǎng)景，才可以構(gòu)建出面向該領(lǐng)域的通用計(jì)算架構(gòu)、高性能計(jì)算模型、高效的數(shù)據(jù)處理方式，才真正地讓用戶擺脫算力瓶頸、增強(qiáng)用戶體驗(yàn)。

建設(shè)易用的以CXE為基礎(chǔ)的人工智能軟件基礎(chǔ)設(shè)施是AI落地的關(guān)鍵

軟件系統(tǒng)和工具鏈體系是量產(chǎn)化芯片走向成功的兩個(gè)極為重要的因素。而AI工具集體系和人工智能平臺(tái)是AI芯片最重要的軟件系統(tǒng)。能否充分發(fā)揮AI芯片的性能和能效是判斷AI工具集體系優(yōu)劣的很重要的指標(biāo)。黑芝麻智能構(gòu)建了面向AI芯片的工具集系統(tǒng)和人工智能平臺(tái)：山海人工智能開發(fā)平臺(tái)，如下圖所示：

基于我們對(duì)行業(yè)knowhow的理解、對(duì)技術(shù)創(chuàng)新的信心，我們構(gòu)建了面向異構(gòu)加速計(jì)算平臺(tái)的軟件基礎(chǔ)設(shè)施：CXE(Compiler and eXecution Environment)。這解決了三個(gè)問題：

1. 數(shù)據(jù)處理需求與算力能力之間的不平衡

2. 數(shù)據(jù)處理格式與異構(gòu)計(jì)算體系架構(gòu)的不一致

3. 融合計(jì)算在模型正確性和數(shù)學(xué)一致性方面的統(tǒng)一，如人工智能計(jì)算、工程計(jì)算等

CXE 系統(tǒng)升級(jí)了AI工具鏈和優(yōu)化系統(tǒng)、人工智能訓(xùn)練系統(tǒng)等基礎(chǔ)軟件。

以自動(dòng)駕駛應(yīng)用場(chǎng)景為例：

我們基于底層的硬件平臺(tái)，可能是CPU(如 ARM、X86、RISC-V等)、GPU、DSP、NPU、ISP等等處理器或異構(gòu)加速器，構(gòu)建了面向人工智能和技術(shù)領(lǐng)域的以MLIR為基礎(chǔ)的人工智能編譯器系統(tǒng)、分布式調(diào)度機(jī)制為基礎(chǔ)的實(shí)時(shí)推理系統(tǒng)和運(yùn)行時(shí)系統(tǒng)、融合了可解釋性為條件的分布式訓(xùn)練和構(gòu)建系統(tǒng)、可觀測(cè)可驗(yàn)證可調(diào)試的輔助工具集合，這構(gòu)成了以DSA為基礎(chǔ)的下一代人工智能基礎(chǔ)架構(gòu)和平臺(tái)。

打造非歐數(shù)據(jù)形式的融合算法模型是自動(dòng)駕駛技術(shù)穩(wěn)定產(chǎn)業(yè)化的基礎(chǔ)

在過去幾十年的發(fā)展歷程中，人工智能技術(shù)主要解決的是以歐幾里得空間的數(shù)據(jù)形式的處理問題：

而物理世界和更廣泛的數(shù)據(jù)處理是非歐空間的數(shù)據(jù)處理問題：

為了更好地解決自動(dòng)駕駛、機(jī)器智能的工程化問題和領(lǐng)域知識(shí)的智能化泛化問題，我們還需要解決計(jì)算密集型的工程數(shù)學(xué)和以強(qiáng)化學(xué)習(xí)為方向的Simulation的技術(shù)閉環(huán)問題。

由此可見，我們基于MLIR等框架構(gòu)建了我們自控的編譯器/優(yōu)化器和運(yùn)行時(shí)系統(tǒng)，不僅支持AI workload相關(guān)的內(nèi)存密集型的計(jì)算場(chǎng)景，而且支持如OpenCV、Halide等面向工業(yè)場(chǎng)景的計(jì)算密集型場(chǎng)景，還在圖優(yōu)化領(lǐng)域支持靜態(tài)圖的編譯和高效轉(zhuǎn)換，正在對(duì)動(dòng)態(tài)圖的處理進(jìn)一步優(yōu)化。未來在多復(fù)雜度數(shù)據(jù)處理場(chǎng)景、分布式計(jì)算場(chǎng)景、人工智能場(chǎng)景、邊緣計(jì)算領(lǐng)域等多個(gè)交叉和融合的領(lǐng)域內(nèi)，將會(huì)產(chǎn)生更大的價(jià)值和現(xiàn)實(shí)意義。

“工欲善其事、必先利其器”。我們堅(jiān)信，好的工具是構(gòu)建基礎(chǔ)理論、驗(yàn)證現(xiàn)實(shí)問題的至關(guān)重要的手段。通過構(gòu)建先進(jìn)的人工智能基礎(chǔ)設(shè)施和軟件系統(tǒng)，技術(shù)人員不僅可以高效完成人工智能場(chǎng)景化解決方案，而且還可以產(chǎn)生創(chuàng)新的靈感，創(chuàng)造性地完成新的場(chǎng)景、新的算法等，又可以解決有限時(shí)間下的工程交付需求。

開發(fā)工具鏈?zhǔn)欠裢晟剖求w現(xiàn)黑芝麻智能芯片易用性的重要指標(biāo)。配合華山系列自動(dòng)駕駛計(jì)算芯片，黑芝麻智能發(fā)布的山海人工智能開發(fā)平臺(tái)。它擁有50多種AI參考模型庫轉(zhuǎn)換用例，降低客戶的算法開發(fā)門檻;能夠?qū)崿F(xiàn)QAT和訓(xùn)練后量化的綜合優(yōu)化，保障算法模型精度;支持動(dòng)態(tài)異構(gòu)多核任務(wù)分配，同時(shí)還支持客戶自定義算子開發(fā)，完善的工具鏈開發(fā)包及應(yīng)用支持，能夠助力客戶快速移植模型和部署落地的一體化流程。

　　審核編輯：湯梓紅