本篇文章3086字，读完约8分钟
人工智能产业的规模正在迅速增长。根据全球市场研究机构IHS Markit发布的数据，人工智能应用市场将从2019年的428亿美元飙升至2025年的1289亿美元。
人工智能产业的规模正在迅速增长。根据全球市场研究机构IHS Markit发布的数据，人工智能应用市场将从2019年的428亿美元飙升至2025年的1289亿美元。
回顾2019年，人工智能机器人说话，控制道路和桥梁的积水，写道，智能客户服务……人工智能做了许多人类会做的事情。无数的应用离不开人工智能芯片的基本支持。
几天前，新成立的人工智能芯片制造商的“混战”国际消费电子展全面涵盖了当前人工智能的六个核心登陆场景，包括云训练、云推理、智能手机、AIoT视觉推理、AIoT语音推理和自动驾驶。国内人工智能芯片已经进入登陆阶段。
根据中国人工智能产业发展联合会(以下简称“联合会”)提供的数据，自2019年以来，国内外芯片制造商已经发布了近30款人工智能芯片。
人工智能芯片如何支持丰富多彩的人工智能应用？评估标准进展如何？今年的亮点和亮点是什么？《科技日报》记者采访了相关专家。
人工智能芯片:大脑驱动智能产品
回顾2019年，人工智能机器人说话，控制道路和桥梁的积水，写道，智能客户服务……人工智能做了许多人类会做的事情。无数的应用离不开人工智能芯片的基本支持。它如何驱动人工智能“工作”？
目前，大量消费智能产品使用人工智能、大数据等技术。作为硬件载体，芯片承担着“让智能产品发挥作用”的功能。昆云科技的创始人兼首席执行官牛新宇表示，人工智能产业有三个核心驱动力:算法、计算能力和数据。人工智能芯片作为人工智能应用的底层硬件，为其提供了有力的支持。“通过技术创新，人工智能计算的性能不断提高，成本和功耗降低，从而支持人工智能越来越复杂的应用。”
如果我们将各种人工智能技术的操作与一个人进行比较，人工智能芯片是它的大脑实体，而各种聊天、视频制作和自动驾驶应用程序是它基于它能够访问的数据和所学的经验和知识的操作。一方面，随着数据经验的积累，他们运行的人工智能应用将变得越来越精确。另一方面，它的学习受到大脑容量(芯片计算能力)、训练成本(芯片成本)和大脑计算消耗的热量(芯片功耗)的限制。
牛新宇解释说:“在人工智能芯片的研发中应该做的是提供这样一个日益智能化的大脑，使其能够学习各种技能(人工智能应用)并最终应用于各种智能终端设备，在自动驾驶、智能城市、工业视觉、智能安全等领域发挥作用。”
初始阶段:加速芯片计算力的迭代优化
人工智能芯片的发展离不开人工智能技术的发展。自1956年诞生以来，人工智能经历了三次大浪潮。进入21世纪，随着计算机性能的提高和海量数据的产生，机器学习和神经网络都取得了突破。算法、计算能力和数据满足了人工智能商业登陆的需要，并已进入快速发展阶段。
"特别是自2017年以来，人工智能的商业化一直在加速."牛新宇认为，从芯片的启动、发展和成熟三个阶段来看，人工智能芯片仍处于起步阶段。
人工智能芯片主要包括三个开发线程。首先，由于早期对人工智能着陆的强烈需求，Avida的图像处理器GPU在这一时期得到了广泛应用，因为它可以支持CNN等算法网络，满足人工智能着陆的基本要求。通过芯片架构的不断迭代，它也逐渐转变为人工智能芯片供应商。二是算法的不断迭代对芯片和计算能力提出了更高的要求。这时，国内外的初创企业和华为等纷纷涌现。采用与Avida相似的指令集技术路线，通过架构创新推出一批新型专用人工智能芯片。第三，影响芯片性能的工艺技术的发展日益成熟。摩尔定律减速对指令集技术的发展提出了挑战。目前，一些初创企业也采用了全新的数据流技术路线，并引入了新的专业人工智能芯片。
目前，中国主要有后两种人工智能芯片，所有企业都处于产品引进和上市阶段。例如，昆云科技去年发布的通用智能底层CAISA芯片架构，芯片利用率高达98%，实现了在智能城市、工业检测、电力安全等领域的大规模登陆。
牛新宇坦言，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，它也对计算能力提出了更高的要求，以适应人工智能快速发展的需要。它仍然需要市场上芯片企业的快速反馈来完成产品的快速迭代和优化。
2020年的亮点:反复强调“着陆”
人工智能产业的规模正在迅速增长。根据全球市场研究机构IHS Markit发布的人工智能受欢迎程度调查，人工智能应用市场规模将从2019年的428亿美元飙升至2025年的1289亿美元。
从2018年底开始，人工智能芯片的“登陆”一再被强调。“短期和长期目标都在实现。”牛新宇说。从这个角度来看，2020年人工智能芯片的主要吸引力仍然是新产品的迭代和登陆。为了加速人工智能在地面上的应用，只有由市场需求驱动的芯片才能不断创造价值。
当然，人工智能应用总是需要性能更高、价格更低、功耗更低的芯片。除此之外，如何满足市场需求将考验每个人工智能芯片企业的核心技术及其对市场所需产品的洞察力。
"芯片和计算架构在人工智能的发展中扮演着重要的角色."联盟计算架构和芯片组联合秘书长张为民说。自2019年以来，许多人工智能芯片产品将重点放在底层架构设计的架构创新上，这一趋势将在2020年变得更加明显。核心在于市场对芯片能够提供的更高实际计算能力的追求，这将在实际使用场景中得到验证。
在牛新宇看来，安全对于人工智能着陆来说是一个相对足够的领域。“今年，我们将在制造业等子行业看到更多的着陆场景，制造业占国内生产总值的近30%。包括坤云科技在内的许多企业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集成计算解决方案。”
三大难题:破解人工智能芯片登陆的关键
登陆是今年人工智能芯片的亮点和难点。“目前，行业内还没有大规模爆发人工智能应用。人工智能芯片初创公司仍面临产品登陆困难、研发与应用缺乏有效融合等问题。”张为民认为，芯片专业化趋势越来越明显，应用落地成为迫切需求。
从研发的角度来看，牛新宇表示，目前人工智能芯片主要面临三个问题，即芯片设计的底层技术路线同质性较高，软件开发支持仍然短板，芯片性能测试还处于起步阶段，还需要一段时间才能形成权威统一的评估标准。
显然，技术路线的同质化很容易导致产品同质化，降低创造独特价值的可能性。作为底层硬件芯片，并不是每个指标都需要最强，而是要为市场需求找到独特的价值并解决核心问题。这就需要在技术路线上进行创新，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权。
芯片的使用和算法的支持离不开软件工具。目前，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，用户开发和使用门槛过高，需要在登陆时不断改进和迭代。正如牛新宇所说，如果这个问题得不到解决，人工智能芯片的大规模商业登陆也会遇到障碍。
对于AI芯片评估标准的制定，牛新宇坦言，“目前，此类标准还处于项目推广的早期阶段，各公司采用的测试网络和测试标准还缺乏统一性，这可能会给客户选择带来一定的困难。”
从2019年开始，国内外对人工智能芯片的评估计划陆续出台，如百度、谷歌、斯坦福大学、哈佛大学等联合发布的衡量和改善机器学习软硬件性能的MLPerf国际基准，以及中国人工智能产业发展协会和国内人工智能企业联合推出的AIIA DNN基准项目。以牛新宇为首的昆云科技也在继续积极推进人工智能芯片评估的标准化。“我们与中国信息与通信学会和联盟密切合作，推动AIIA DNN基准项目的标准迭代，并参与制定国家标准”。(记者汤芳)
责任:吉爱玲
