江南体育今年年初，AI芯片新老牌厂商“混战”国际消费类电子产品展览会，全面覆盖当前人工智能六大核心落地场景，包括云端训练、云端推理、智能手机、AIoT视觉推理、AIoT语音推理、自动驾驶等，国内AI芯片创企进入落地阶段。
根据中国人工智能产业发展联盟（以下简称“联盟”）提供的数据，2019年以来国内外芯片厂商共发布AI芯片近30款。
AI芯片怎样支撑多姿多彩的人工智能应用落地？评测标准进展如何？今年的亮点、看点又在哪？科技日报记者独家专访AI芯片创企鲲云科技创始人兼CEO牛昕宇博士和联盟计算架构与芯片组联席秘书长张蔚敏。
回顾2019年，AI机器人群聊，AI道路桥梁积水管控，AI写作，AI网购直播回复、视觉设计、视频制作、推送营销，AI艺术创作，虚拟形象生成……人工智能做了许多人类才会做的事情。数不尽的纷繁应用背后离不开AI芯片的基础支撑，它是如何驱动AI“作业”的呢？
目前消费类智能产品大量应用人工智能、大数据等技术，芯片作为硬件载体，承担了“让智能产品发挥作用”的功能。牛昕宇博士介绍，人工智能行业有三个核心驱动力：算法、算力和数据。人工智能芯片作为人工智能应用的底层硬件，为其提供算力支撑。“通过技术创新，不断提升人工智能计算的性能、降低其成本和功耗，从而支持越来越复杂的人工智能应用。”
如果把运行各种人工智能应用比作一个人的话，人工智能芯片就是它的大脑实体，而各种聊天、视频制作、自动驾驶应用就是它根据自己所能接触到的数据，学习到的经验知识。一方面，随着数据经验的积累，它们运行的人工智能应用会越来越精确，另一方面，它的学习受限于大脑的容量（芯片计算能力）、培养成本（芯片成本）以及大脑运算消耗的热量（芯片功耗）。
牛昕宇博士解释道，“人工智能芯片研发所要做的，就是提供这样一个越来越智能的大脑，从而能够学习各种各样的技能（人工智能应用），最终应用到各类智能终端设备中，在自动驾驶、智慧城市、工业视觉、智慧安防等领域发挥作用。”
AI芯片的发展，离不开人工智能技术的发展。人工智能从1956年诞生至今，共经历过三次大的浪潮。进入21世纪，随着计算机性能的提升和海量数据的产生，机器学习和CNN网络（卷积神经网络）获得突破，算法、算力和数据满足了人工智能的商业化落地需求，人工智能迎来了高速发展的阶段。
“特别是2017年起，人工智能的商业化落地不断加速。” 牛昕宇博士认为，从芯片的起步、发展、成熟的三个阶段来看，人工智能芯片仍然处于起步阶段。
人工智能芯片主要包含三个发展脉络，一是由于前期人工智能落地的旺盛需求，英伟达的图像处理器GPU因为可以支持CNN等算法网络，满足基本的人工智能落地需求，在这个时期获得了大范围应用，其也通过芯片架构不断迭代，逐步转型成为人工智能芯片供应商。二是因为算法的不断迭代，对芯片和算力提出了更高的要求，这时候国内外的初创企业和华为等采用与英伟达类似的指令集技术路线，通过架构创新，推出了一批新的专用人工智能芯片。三是影响芯片性能的制程工艺发展日趋成熟，摩尔定律放缓对指令集技术路线的发展提出了挑战，目前也有初创企业采用全新的数据流技术路线，推出新的专用人工智能芯片。
当前国内主要是后两种人工智能芯片，各家企业都处于推出产品，进行市场化落地的阶段。例如，鲲云科技自身就在去年发布了自主产权的通用AI底层CAISA芯片架构，可以实现高达98%的芯片利用率，在智慧城市、工业检测、电力安防等领域实现了规模落地。
牛昕宇博士坦言，芯片行业是一个需要不断迭代发展的行业，深度学习算法日新月异，对算力也提出了更高的要求，满足人工智能快速发展的需求，仍然需要芯片企业对于市场的快速反馈，完成产品的快速迭代和优化。
人工智能产业规模高速增长，据全球市场调研机构IHS Markit发布的AI普及度调查预测，到2025年AI应用将从2019年的428亿美元激增到1289亿美元。
从2018年底开始，人工智能芯片的“落地”被反复强调，“不论是短期还是长期目标都是落地。”牛昕宇博士说。由此看来，人工智能芯片2020年的主要看点仍然在于新产品迭代和落地。加速人工智能应用落地，只有市场和落地场景需求驱动的芯片才能持续创造价值江南。
当然，人工智能应用永远需要性能更高、价格更低、功耗更低的芯片，如何能在这之上不断满足市场需求，考验着每一家人工智能芯片企业的核心技术以及对市场所需产品的洞察。
“芯片和计算架构在人工智能的发展中扮演着重要角色。”张蔚敏说。2019年起，很多AI芯片产品都在底层架构设计上注重架构创新，2020年这种趋势越发显现。核心在于市场对芯片所能提供的更高实际算力的追求，将在真实使用场景中得到验证。
在牛昕宇博士看来，安防是人工智能落地相对比较充分的领域。“今年我们将看到更多细分领域的落地场景，比如占国民生产总值近30%的制造业。包括鲲云科技自身在内，许多创企也在为智能制造领域的工业视觉检测提供基于深度学习的一体化算力解决方案。”
落地，既是今年AI芯片的看点，也是难点。“当前AI的行业应用迟迟没有大规模爆发，AI芯片创业公司依旧面临产品难以落地，研发和应用还没有很有效的衔接起来等问题。”张蔚敏认为，芯片专用化趋势越来越明显，而应用落地则成为迫切需求。
从研发角度来看，牛昕宇博士说，当前人工智能芯片主要面临三方面问题，即芯片设计的底层技术路线同质化较高，软件开发支持依然是短板，以及芯片性能测试处于起步阶段，距离形成权威统一的评测标准还需要一定的时间。
显然，技术路线同质化容易导致产品同质化，降低创造独特价值的切入点。作为底层硬件芯片江南，不一定每个指标都需要最强，但是要找到对于市场需求独一无二的价值，解决核心问题。这就要在技术路线方面进行创新，掌握自己的核心技术，从而在芯片性能和技术支持上掌握更多主动性。
而芯片的使用和对算法的支持离不开软件工具。目前有一些人工智能芯片仍然缺乏可用的软件开发工具，或者软件编译工具设计复杂，用户的开发和使用门槛过高，这些都需要在落地过程中不断完善和迭代。诚如牛昕宇博士所说，如果不能解决这个问题，AI芯片的大规模商业落地也会遇到阻碍。
至于AI芯片评测标准的制定进展，牛昕宇博士坦言，“目前这类标准还处于项目推广的早期，各家采用的测试网络和测试标准还缺乏统一性，可能对于客户的选型造成一定困难。”
张蔚敏谈到，联盟聚焦“标准明确方向，评测保驾护航，平台助力发展”，前期开展的AIIA DNN benchmark项目帮助AI芯片企业明确清晰技术竞争路线，提供第三方评测同时帮助企业选型，近期启动了“AI芯片技术选型推荐目录”工作江南，以进一步促进AI芯片生态和落地应用。
从2019年起，国内外针对AI芯片的测评方案陆续出炉，比如由百度、谷歌、斯坦福大学、哈佛大学等联合发布的用于测量和提高机器学习软硬件性能的MLPerf国际基准、由中国人工智能产业发展联盟和国内人工智能企业合作推出的AIIA DNN benchmark项目。牛昕宇博士带领下的鲲云科技也在持续积极推进人工智能芯片评测的标准化，“我们同中国信通院和人工智能产业发展联盟密切合作，推动AIIA DNN benchmark项目的标准迭代，参与国家标准的制定。”
官方微博
