人工智能产业规模快速增长。根据全球市场研究机构IHSMarkit发布的数据，AI应用市场规模将从2019年的428亿美元激增至2025年的128.9亿美元。回顾2019年，AI机器人群聊、路桥治水、写作、智能客服……人工智能做了很多人类会做的事情。无数的应用都离不开AI芯片的基础支持。日前，新老AI芯片厂商“争先恐后”亮相国际消费电子展，涵盖当前人工智能六大核心场景，包括云训练、云推理、智能手机、AIoT视觉推理、AIoT语音推理、自动驾驶等，国产AI芯片进入落地阶段。中国人工智能产业发展联盟（以下简称联盟）提供的数据显示，2019年以来，国内外芯片厂商发布了近30款AI芯片，AI芯片如何支撑多彩人工智能落地应用程序？评价标准进展如何？今年有哪些亮点和亮点？科技日报记者采访了相关专家。AI芯片：驱动智能产品的大脑回顾2019年，AI机器人群聊、路桥治水、写作、智能客服……人工智能做了很多人类会做的事情。无数的应用都离不开AI芯片的基础支持。它如何驱动人工智能“工作”？目前，消费类智能产品大量使用人工智能、大数据等技术。芯片作为硬件载体，承担着“让智能产品工作”的功能。鲲云科技创始人兼CEO牛新宇介绍，人工智能产业拥有三大核心驱动力：算法、算力和数据。作为底层人工智能应用的硬件，人工智能芯片提供算力支持。“通过技术创新，不断提升人工智能计算性能，降低其成本和功耗，从而支撑更多更复杂的人工智能应用。”如果你把各种人工智能技术集合的操作比作一个人，人工智能芯片是它的大脑实体，各种聊天、视频制作、自动驾驶应用都是它根据它能接触到的数据和它所拥有的经验进行的操作一方面，随着数据经验的积累，他们运行的人工智能应用程序将变得越来越准确。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）和大脑计算能力的限制。消耗的热量（芯片功耗）。牛新宇解释说：“人工智能芯片的研发需要做的就是提供这样一个越来越智能的大脑，让它能够学习各种技能（人工智能应用），最终应用到各种智能终端设备上。”驾驶、智慧城市、工业视觉、智慧安防等领域都将发挥作用。”起步阶段：加速芯片算力迭代优化AI芯片的发展离不开人工智能技术的发展，人工智能自1956年诞生以来，经历了三大浪潮。进入21世纪，随着计算机的进步性能和海量数据的产生，机器学习和CNN（卷积神经网络）取得突破，算法、算力和数据满足人工智能商业化需求，进入快速发展阶段。”特别是2017年以来，人工智能的商业化人工智能一直在加速发展。”牛新宇认为，从芯片起步、发展、成熟三个阶段来看，人工智能芯片还处于起步阶段。人工智能芯片主要包括三个发展路线。一是由于人工智能落地需求强烈前期，英伟达的图像处理器GPU可以支持CNN等算法网络，满足人工智能实现的基本需求。在此期间，它获得了规模化应用，同时也在不断迭代芯片架构，逐步转型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。此时，国内外初创企业和华为都采用了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品。专用人工智能芯片。三是影响芯片性能的工艺技术发展日趋成熟。摩尔定律的放缓对指令集技术路线的发展提出了挑战。目前，一些初创企业采用了新的数据流技术路线，推出了新的专用人工智能芯片。目前国内主要有后两种人工智能芯片，各公司都处于推出产品和实施市场化阶段。例如鲲云科技去年发布了通用AI底层CAISA芯片架构，可实现高达98%的芯片利用率，并在智慧城市、工业检测、电力安全等领域实现规模化落地.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，对算力提出了更高的要求。为适应人工智能快速发展的需求，芯片企业仍需要快速反馈市场，完成产品的快速迭代和优化。2020年看点：《落地》一再强调人工智能产业的高速增长。根据全球市场研究机构IHSMarkit发布的AI人气调查显示，AI应用市场将从2019年的428亿美元激增至2025年的1289亿美元。2018年底以来，人工智能芯片的“落地”被反复强调。“无论是短期目标还是长期目标，都是落地。”牛新宇说道。由此看来，2020年人工智能芯片的重心依旧是新产品的迭代与落地。加速人工智能应用，只有以市场需求为驱动的芯片才能持续创造价值。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。如何在此之上继续满足市场需求，将考验每一个人工智能芯片企业的核心技术和市场所需要的产品。见解。“芯片和计算架构在人工智能的发展中发挥着重要作用，”联盟计算架构和芯片组联合秘书长张伟民说。2019年以来，很多AI芯片产品在底层架构设计上都注重架构创新，而这种趋势在2020年会更加明显。核心在于市场对芯片所能提供的更高实际计算能力的追求，这将是在实际使用场景中得到验证。在牛新宇看来，安防是人工智能比较充分的领域。“今年我们会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。包括鲲云科技在内的多家企业也在提供工业视觉检测的深度解决方案。”智能制造领域，面向学习的综合算力解决方案。三大难题：破解AI芯片实现的关键，既是今年AI芯片的重点，也是难点。“当前AI的行业应用还没有大规模爆发，AI芯片初创企业还面临产品落地难、研发与应用缺乏有效衔接等问题。”张卫民认为，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较为同质化、软件开发支持仍是短板、芯片性能测试仍是短板。在它的婴儿期，距离已经形成。权威统一的评价标准还需要一定的时间。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，并不是每一个指标都需要做到最强，而是需要针对市场需求找到独特的价值，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拥有更多的主动权。芯片的使用和算法的支持都离不开软件工具。目前，部分人工智能芯片还缺乏可用的软件开发工具，或者软件编译工具设计复杂，用户开发使用门槛过高。这些都需要在实施过程中不断完善和迭代。正如牛新宇所说，如果这个问题得不到解决，AI芯片的大规模商用也会遇到障碍。对于AI芯片评估标准的制定进展，牛新宇坦言，“目前这类标准还处于立项推进阶段，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机型带来一定的困难。”从2019年开始，国内外针对AI芯片的评测方案相继出炉，如百度、谷歌、斯坦福大学、哈佛大学联合发布的MLPerf国际基准，用于衡量和提升机器学习软硬件性能等，由发展联盟与国内人工智能企业联合发起的AIIADNN基准项目。牛新宇带领下的坤云科技也在持续积极推进人工智能芯片测评标准化工作。“我们与中国信息通信研究院、联盟紧密合作，推动AIIADNN基准项目的标准迭代，参与国家标准的制定。”
