从大象到蚂蚁 AI芯片迈入全生态时代

30秒快读

1	AI（人工智能）已成为经济社会发展的重要“新基建”，“无芯片，不AI”也已成为业界共识。
2	人工智能的整个产业链从生产到应用，无论是在云端的训练、推理、分析，还是终端的人机交互、推理，都需要非常强的算力。
3	算力、数据、算法，是AI的三大基础要素，而算力是芯片的主战场，算力的提高主要通过芯片来实现。

“相比其他CPU、GPU、FPGA等类型的芯片，ASIC在计算效能、大小、成本等方面都有极大优势，未来随着通用AI指令集架构的开发，预计会出现最优配置的AI计算芯片。”

7月10日，芯原股份创始人、董事长兼总裁戴伟民在2020年世界人工智能大会云端峰会“人工智能芯片创新主题论坛”分论坛如此表示。

对AI芯片来说，无论是在云端大批量处理视频转码，还是边缘端追逐几百微秒的速度极限，都在串起一个全新的AI芯片生态链。

    01    

几月电费省下来就可定制芯片

“ASIC（专用集成芯片）和CPU的视频转码能力差了好几个等级。”

戴伟民指出，当今短视频赛道红火，视频分辨率从2K、4K到8K不断升级加码，导致一些最初用CPU、GPU的厂商，最近也开始转向定制ASIC芯片。

“和高端CPU方案相比，芯原定制化视频转码ASIC拥有更小尺寸，不仅功耗是（前者）的1/13，转码能力是（前者）6倍。做成系统后转码能力可以提高36倍，功耗降低50%。”

戴伟民博士透露，“有的大供应商告诉我，几个月的电费省下来就可以定制芯片了。”

芯原虽然不是一家AI公司，但AI的IP已有30多家授权、50多款AI芯片落地，已实现从云计算到边缘计算的人工智能布局。

在边缘设备领域，芯原所设计的AI芯片已运用到监控摄像头、AR/VR、可穿戴设备、智能家居以及汽车电子等领域。

    02    

先进工艺推动边缘AI处理器发展

戴伟民指出，随着先进工艺的发展，单位算力成本的逐步下降，面向边缘计算的AI处理器更具成本效益。

例如，基于16nm工艺节点的每TOPS的成本为0.67美元，基于5nm工艺节点的每TOPS的成本就只有0.08美元了。(1TOPS代表处理器每秒钟可进行一万亿次操作)

“这是半导体行业对AI带来的影响。”戴伟民同时表示，ASIC的设计投入也越来越大。

以工艺制程处于主流应用时期的设计成本为例，工艺节点为28nm时，单颗芯片设计成本约为0.41亿美元，而工艺节点为7nm时，设计成本则快速升至约2.22亿美元；由于工艺节点所处不同时期，芯片设计的成本又有所不同。

“其中早期使用和成熟期使用的成本相差一倍以上，但即便如此，成熟期的使用成本仍非常昂贵。”

红色为早期使用成本，灰色为成熟期成本

半导体行业具有周期性，既有上行也有下行。很多芯片设计公司会选择在低潮时加大投入，但在低潮时很可能因为人力物力不够，想要提高效率就要尝试外包，特别是在IP。

戴伟民表示，半导体行业“逆周期”属性也是收购IP和IP公司的好时机。

    03    

AI在边缘与云端的“分工协同”

在全球共同抗“疫”的过程中，一些终端产品充分发挥了AI的技术优势，在AI测温、AI人脸识别追踪热源、AI辅助诊断、AI疫情风险分析与预测等领域显露神技。

比如在AI测温上，一般测温设备传感器CMOS的误差有0.5度，加上外部环境影响，误差能达到1度。

此外，考虑到部署环境可能没有网络，所以对边缘计算的要求很高。

由Rokid推出的AR眼镜红外智能测温解决方案，集成了红外热成像技术、AI智能算法和AR显示技术，避免了传统额温枪的近距离接触风险。

“通过增加AI消除背景温度噪音，拟合出体表温度和实际温度相关性，这绝对是身边AI和AR结合的成功案例之一。”Rokid创始人、CEO祝铭明说。

利用边缘 AI处理器，酷芯微电子所提供的快速识别动态人脸及测温方案，让人脸识别速度缩减至200ms以内。

“我们的产品需要对3个传感器数据进行融合，传感器融合涉及到同步、时域上的东西，即使网络信号好，在云端也很难做。”酷芯微电子董事长姚海平指出。

虽然以上两个产品，都强调了边缘计算的重要性，越来越多的处理也会在边缘执行，但这并不表示边缘和云端是互相对立的，这两者其实是相辅相成的，两者是分工协同。

“云端有非常强的算力，智能终端从技术和商业模式上来讲，都是云端智能在边缘侧的一个延伸，是一个分布式的技术体现。”壁仞科技联合创始人、总裁徐凌杰指出。

那么，AI在云端与边缘如何协同和分工？

“我们一直说让能够听到炮火声的人做决定，在终端和云端的分工也是一样。

以视频分析为例，如果能在终端设备中加入一定AI算力做视频结构化，能对云端减少很大的负载、节省带宽，更快反馈；另一方面的考量是隐私，让终端数据留在终端，云端去处理抽象的、有共性的数据。”

徐凌杰认为，终端受到连接、功耗以及小型化的需求限制，芯片在面积、功耗、以及算力上并不能够完整满足需求；

云端AI首先通过规模化解决资源整合的问题，其次通过集群化解决算力拓展的问题，第三通过集约化解决成本效率的问题。

“边缘侧会更加场景化，更加人性化，更加体现出AI对于一些场景的理解和高效性；云端我们认为芯片需要更加智能化，能够处理各种各样的业务。”徐凌杰说。

作者／IT时报记者  李玉洋

编辑／挨踢妹

排版／黄建

图片／WAIC2020、ZAO

来源／《IT时报》公众号vittimes

相关推荐

AI挖掘机，云端终端哪家强？