江南AI 大家聊得多了，但谈到 AI 芯片，可能有人觉得「不亲民」、「不熟悉」。
其实不然，从去年开始，人工智能技术的关注度得到了急剧攀升，甚至去年已经被业内定为 AI 芯片元年。往简单了说，iPhone X 创新的 Face ID 技术就是有专门的处理芯片在执行相关功能。再者，汽车行业的自动驾驶、智能音箱的语音识别，都大量的运用到了AI芯片。随着 AI 算法在终端产品上的应用扩展，特别是智能音箱的爆发式增长，整个 AI 芯片市场需求呈现了一个快速爆发式的增长态势。比手机 RAM 从 1G 到 4G，手机摄像头从单摄到双摄还要夸张得多。
AI 芯片就是专门为特定的 AI 产品或者服务而设计的芯片。这其中包含两类，第一类我们称为专用芯片，当我新买了一张加速卡，往电脑里一插，就可以让 AI 的算法实现更高的性能。
另一类称为 SoC，通过一个集成度超高的芯片来完成系统的 AI 功能及周边功能。除了我们熟知的 CPU、GPU 以外，SOC 一般还包含 NPU（即神经处理单元），这就是 AI 芯片最核心的东西。SoC 可以有多种组合，面对不同的应用场景根据不同的产品定义，它可以把这些计算单元揉和起来，组成一个全新的完整芯片。
说到了 AI 芯片，就得说一说它跟传统通用芯片的区别。所有的 AI 是从算法程序发展出来的，这些在我们以往的通用芯片上也可以运算，比如 Intel、AMD、龙芯等。虽然传统的 CPU 性能很高，核心数却很少，大家日常能用到八核已经算是土豪配置了。它可以把一件事干得非常非常快，单线程运算能力超强。这就是以前通用芯片的计算模式。但是江南，AI 的特点是算法非常复杂并且运算量特别大，并行化非常高，与过往全然不同江南。
做一个最极端的比喻，每个人的大脑就是一个超级 AI。大脑里有很多神经元，每个神经元就是一个很小的计算器，它的运算速度很慢，它的运算能力较弱。但得益于几千亿高度并行的能力，可以产生非常高的运算力，所以人才是人。这便是它的设计初衷，把所有 AI 深度学习的算法用硬件来加持，而不是利用一个串行的计算架构实现目的。因为 AI 芯片重构了整个计算架构，数据处理也进行了变更，这可不是基于传统芯片来进行简单改良。所以相较于通用芯片，AI 算法的运行速度可以达到几十倍、上百倍的差距，这就是 AI 芯片的加速效果。
坚持不使用 AI 芯片确实可以跑通 AI 算法完成任务，但会产生巨大的耗电量和发热量，用户体验多差就不言而喻了。相对于通用芯片，AI 算法在 AI 芯片上运行的速度更快，效率更高、功耗更低，并且能够为图像识别、视觉识别、语音识别、自动驾驶等不同的 AI 算法提供更高性价比的算力支持。
同时，为了用户体验，实时性还要越快越好。自动驾驶场景的实时性要求可谓是最高的了，设想一下当延时过大导致有些场景下汽车失控，这肯定是不能接受的。所以，自动驾驶的汽车对 AI 芯片的需求是最强烈的。但是，目前成本还是一大问题，因为自动驾驶汽车还没正式商用。
三年前我们在研发第一代产品的时候，根据产品定义我们必须找到支持 8 麦克风输入的芯片。可找遍了业界居然都没有一个芯片能够支持，于是我们就开始自己用 FPGA 来设计。最后解决了采集问题，并和一家英国公司完成了芯片设计制造。所以目前在这个阶段，语音交互、视觉交互的公司为什么要自己做芯片呢？一方面原有的运算这些芯片已经无法达到需求，另一方面为了成功量产来降低成本，更好被市场所接受。
1、应用领域。这个 AI 芯片是属于云端还是终端。它是用在手机上的，还是只在云端给大家服务。如果是用在终端上，那么这个芯片是用在什么样的产品，什么样的场景。这样的话，你就能够大概理解这个芯片能带来什么。
2、架构。它是一个 SoC，还是一个专门的 NPU江南，不同组合意味着芯片本身的复杂度不同以及产品定位不同。这个芯片能够独立工作，还是需要协同工作，或者配合其他的芯片在特定场景下共作，甚至与其他的硬件设备来共同完成一项工作。
3、运行效率。AI 芯片必然是要运行 AI 算法，效率能够达到多少，不同深度模型的结构对算力的要求也不一样，对芯片本身的设计也是不一样的。
4、价格和功耗。芯片也是一种商品，必然涉及到价格问题。而功耗跟你的应用场景有关，你是用在智能设备还是用在手机，或者用在云端，这些功耗要求完全不一样。
一个芯片成功与否，最终还是需要市场检验，出货量高低即可作为判断标准。6 月 26 日我们在杭州举办的 Rokid Jungle 首场发布会，也会带来一款全新的自研 SoC 智能 AI 语音芯片。届时，这款芯片不仅会用于我们自己的产品，还会开放给业界。
官方微博
