什么是人工智能芯片 AI芯片的重要性分析

如今，层出不穷的智能设备已渗透进我们的生活里，语音助手、面部识别摄像头，甚至是你的个人电脑都会或多或少的装有这些东西。然而，它们并不能通过魔法来工作，需要一些东西来支持它们所做的所有数据处理。一些设备可以通过大量的数据中心在云端完成。其他设备则是通过人工智能（AI）芯片的帮助来完成所有处理。

据了解，AI技术的发展和应用在美国、中国和欧盟等世界主要国家中已经成为国家战略，在国家的科技发展和产业竞争中占据越来越重要的位置。同时，AI技术在手写识别（例如MNIST数据集）、人脸识别（例如Facebook的DeepFace）、语音识别（例如亚马逊的Alexa、Apple的Siri、微软的Cortana）、机器人技术（例如机器人操作系统）、自动驾驶（例如TartanRacing），甚至智力游戏（例如Google的AlphaGo）和视频游戏（例如Pac-mAnt）等领域得到了广泛应用。随着人工智能的发展，产生了更多的专业技术，比如神经网络模型、机器学习等，依靠经验学习而不是编程来做出决策。反过来，机器学习为深度学习奠定了基础，深度学习涉及分层算法，以便更好地理解数据。

为训练而设计的芯片实际上扮演着网络教师的角色，就像一个在学校的孩子。一个原始的神经网络最初是不发达的，通过输入大量的数据来进行训练。训练是依赖于计算的，所以我们需要专注于训练的AI芯片，它能够快速有效地处理这些数据。芯片越强大，网络学习速度就越快。

一旦一个网络经过训练，它就需要用于推理的芯片，以便使用现实世界中的数据，如面部识别、手势识别、自然语言处理、图像搜索、垃圾邮件过滤等。将推理视为你最有可能在人工智能系统中看到的方面，除非你从事的是训练方面的人工智能开发。

你可以把训练看作是在编篡一本字典，而推理则类似于查找单词并理解如何使用。两者都是必要、共生的。

值得注意的是，为训练而设计的芯片也可以进行推理，但推理芯片不能进行训练。

云计算和边缘

我们需要了解的AI芯片的另一个方面是，它可以用于云应用和边缘端，当然，这也是需要训练和推理的。

云计算之所以有用，是因为它的可访问性，因为它的功能完全可以在非prem情况下使用。在这些用例中，您不需要设备上的芯片来处理任何推理，这可以节省电力和成本。然而，在隐私和安全方面，它也有缺点，因为数据存储在云服务器上，可能会遭到黑客攻击。对于推理用例，它也可能效率较低，因为它没有边缘芯片那么专业。

处理“边缘推理”的芯片也可以在一个设备上，比如面部识别摄像头。因为所有的数据都存储在设备上，而且芯片通常都是为特定目的而设计——例如，面部识别摄像头会使用一种擅长运行面部识别模型的芯片。但如在设备上增加另一个芯片会增加成本和电力消耗。重要的是要使用边缘AI芯片来平衡成本和功率，以确保设备对其细分市场来说成本刚刚好，或者不是太耗电。

以下是这些应用程序和芯片通常是如何配对的：

云+训练

这种配对的目的是开发用于推理的人工智能模型。这些模型最终细化为特定于用例的AI应用程序。这些芯片功能强大，运行成本昂贵，而且设计的目的是尽可能快地进行训练。

训练芯片被用于训练Facebook的照片或谷歌翻译，云推理芯片用于处理你输入的数据，使用这些公司创建的模型。其他例子包括人工智能聊天机器人或大型科技公司运营的人工智能服务。

边缘+推理

使用设备上的边缘芯片进行推理可以消除任何与网络不稳定或延迟有关问题，并且更好地保护所使用数据的隐私和安全性。其优点是在上传大量数据时所需的带宽，特别是图像或视频等可视化数据，无需相关成本，因此只要成本和功耗达到平衡，就可以比云计算更便宜、更高效。

比如耐能Kneron芯片，KL520和最近推出的KL720芯片，这是为设备上使用而设计的低功耗、低成本的芯片。比如他们的KL520，它能够给 2D、3D 图像识别提供支持，适配各种 2D、3D 传感器，适用于结构光、ToF、双目视觉等 3D 传感技术并计算不同神经网络模型，且兼具规格、性能、成本等多重优点，解决 3D 模组相对较贵、芯片成本高和硬件功耗高等问题。正是这样，这颗芯片能被广泛应用于智能门锁、门禁系统、机器人、无人机、智能家电、智能玩具等智能物联网领域。其他的比如英特尔Movidius和谷歌的Coral TPU。

应用领域包括面部识别监控摄像头，用于行人和危险检测或驾驶意识检测的车辆摄像头，以及用于语音助手的自然语言处理。

所有这些不同类型的芯片及其不同的实现、模型和用例都是未来AIoT发展的必要条件。如果得到5G等其他新兴技术的支持，它们的性能将会更上一层楼。无论是在家里还是在工作中，人工智能正在迅速成为我们生活的重要组成部分，人工智能芯片空间的发展将迅速，不久的将来将会有更多类型的芯片问市，让我们的工作生活更加便利迅捷。
编辑：hfy