想做AI晶元？這家中資公司出了新的神經網路加速器內核

AI已處於快速發展階段

AI分為四個階段，如下圖。

1.基礎研究階段。每當一個新技術來臨時，一些大學院所機構和大公司(例如英特爾、谷歌等有基礎研究部門)會進行反覆研究論證，找到產業可能性。

2.應用研究階段，公司企業嘗試讓新技術通過原型機認證，以極大地解決生產生活中的痛點，

3.產業快速發展階段。此時機會多，新公司、大公司多，整個產業迅速發展。

4.最後會出現一個相對成熟的市場，形成一些壟斷企業/寡頭，大浪淘沙，小魚和慢魚被淘汰。

目前AI產業處於快速導入階段，這也是公司資本和個人都在追逐的，前途非常光明。

AI發展最多的是與應用的結合，例如金融、安防、醫療、教育、客服、視頻/娛樂、零售/電商、建築、法律、招聘、新聞資訊等，每個行業都有領先的企業或獨角獸(如下圖)。

大部分落地應用的共同特點是取代一些簡單的人工勞動，例如智能客服(代替人接電話)、人臉識別等。

如果要把AI進一步做大做強，需要知識圖譜的概念和數據結構化，使應用演算法在行業里做深、做寬、做大。從弱AI到強AI方面，國內外很多大企業和頂尖院校正在做積累，希望在未來發揮更大的作用。

AI和NN的關係

NN(神經網路)是實現AI的方式之一，但不是唯一方式。

圖：人工智慧部分演算法

NN目前是各行各業最火最熱的技術與應用之一，這催生了NN從演算法到晶元等的行業的大發展。

邊緣AI的機會

很多人認為是英偉達做的數據訓練非常成功。但隨著行業逐步加深，應用逐步多，發現僅僅在伺服器端還不夠的，端側可以做極大延伸。例如，安防從嵌入式視覺系統到視覺導向的自主系統，即過去紅外攝像頭，保安和監控人員要看一二十個小時，現在把人眼看的部分，通過演算法和數據集中到伺服器端，下一步希望減少伺服器的負擔，在端側——攝像頭去做識別。這樣做的好處，首先是可以減少網路帶寬，因為網路存儲等成本非常高;其次是性能，端處理回傳會延時;第三是隱私性。

另一個案例是無人機避障。如果通過雲端或GPU做，需要10~15 m的緩衝區，這意味著在10-15 m之內無法判斷，對消費類還可以，但農業、漁業、防火救災等場景就不夠了，需要精度在1 m之內，這就需要端側的高效處理能力。

市面上有各種方案，如下圖。1.CPU儘管什麼都可以做，但處理神經網路效率低，2.DSP最大的問題是有非常少的人員可以基於DSP去做編程，沒有標準化和可覆蓋。3.GPU，英偉達證明了非常適合處理AI，GPU有標準化的編程方式，但GPU還是功耗較大。是否有功耗非常低又非常靈活?4.固定功能的硬化，一旦硬化後只能做一件事，遠遠不夠產業化。

為此，Imagination有「GPU+NNA」方案。

NNA的強大功能

近日，Imagination Tecnhologies公司宣布推出PowerVR Series2Nx神經網路加速器內核，並在京舉辦了「Imagination人工智慧(AI)研討會」。

會上，主管PowerVR視覺和人工智慧業務的副總裁Russell James和中國區區域市場和業務拓展總監柯川先生稱，據Imagination測算，傳統GPU搜1000張圖需要1分鐘;若在端側處理，若採用Imagination的PowerVR NNA，用2秒就可以解決。同樣花費1%功耗，GPU可處理2400張圖片，端處理器PowerVR NNA可以做接近43萬張圖片處理。視頻處理時，GPU做1分20秒的處理，如果用Imagination的端側處理，可以做接近4個小時。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！