亿智电子吴浪：超百万颗芯片量产落地，AI芯片规模化落地的四大难点 | GTIC2020( 三 )
吴浪总结了四个AI芯片规模化落地的难点：
文章插图
一是人才稀缺 。 今天大部分人才还是基于早期做图像、智能算法的人 ， 没有专门基于深度学习的教育人才 ， 尤其是基础算法、应用算法和场景算法的人才 。
尽管在2019年我国有35所高校获批设立人工智能专业 ， 但当下各种场景的算法人才仍非常缺乏 。
二是应用碎片化 。 这个碎片化不单指场景特别多 。 例如 ， 人脸识别应用在俯视、平视和仰视等不同的角度 ， 都需要重新做数据训练和算法优化 。
这意味着没有办法用一个或者几个算法来满足所有或大部分规模化的场景 ， 哪怕是同一类算法都无法适配各种各样的场景 ， 这也是端侧AI落地非常难的原因之一 。
三是数据量大 。 由于数据量的庞大 ， 如何从大数据里找到适合场景并适合算法的数据 ， 这一获取难度非常大 。
据统计 ， 过去十年行业产生的数据量远超过去五千年的数据量 ， 未来的数据化也将成倍数增长 ， 把握基于场景的数据 ， 到后期数据就是生产力 。
四是缺少统一的软硬件平台 。 如何将开发人员在PC端或服务器上训练好的东西 ， 以最快的速度适配到设备端 ， 这也是AI芯片在落地过程中需要思考的问题 。
与此同时 ， 统一的平台除了解决硬件问题 ， 还需要考虑三个问题 。
一是如何让规模市场的算法进行标准化的交付 ， 如果很多场景没有做好标准化 ， 很难实现规模化的量产；二是如何让其它算法公司或终端厂商算法 ， 能够快速移植到自身AI芯片上 ， 这需要交付比较好的整套移植工具；三是产品整体的成本 ， 根据不同的应用场景来定制不同的基于算力的芯片 。
文章插图
总的来说 ， AI芯片的发展经历了从早期基于CPU解决方案的AI产品 ， 到GPU、FPGA、DSP、NPU等不同的算力及技术架构 ， 整个产品化打磨的过程是非常困难和复杂的 。
吴浪谈到 ， 亿智电子作为一家自研NPU的SoC芯片厂商 ， 有能力将算法和NPU做到更好的深度结合 ， 并为客户提供产品在制造性、可量产性、算法移植、产品一致性、稳定性等方面完整解决方案 。
回看今天的整个AI生态 ， 从硬件到算法 ， 再从产业到产品形态 ， 其中的发展潜力非常巨大 。 尤其在当下算法和算力本身结合仍十分不足的情况下 ， 随着未来落地场景更加的复杂和多样化 ， 希望更多小公司或者创业者能抓住这个机会快速发展 。
文章插图
以上是吴浪演讲内容的完整整理 。 除吴浪外 ， 在本届GTIC 2020 AI芯片创新峰会期间 ， 清华大学微纳电子系尹首一教授 ， 比特大陆、地平线、黑芝麻智能、燧原科技、壁仞科技、光子算数、知存科技、豪微科技等芯片创企 ， 全球FPGA领先玩家赛灵思 ， Imagination、安谋中国等知名IP供应商 ， 全球EDA巨头Cadence ， 以及北极光创投、中芯聚源等知名投资机构 ， 分别分享了对AI芯片产业的观察与思考 。 如感兴趣更多嘉宾演讲的核心干货 ， 欢迎关注芯东西后续推送内容 。
文章插图
推荐阅读
- 柔性电子市场广阔，领头羊柔宇科技获更多关注
- 拜拜扫描仪！微信打开这个功能，文档表格扫一扫秒变电子档
- 微软新版电子邮件客户端截图曝光：基于网页端Outlook
- 官宣！首批东莞市电子商务直播基地出炉，9家入选
- 教你一招，把纸质证件扫描到手机变成电子档，非常清晰，永久保存
- 中国电子信息工程科技发展十四大趋势发布
- 原来华为手机隐藏扫描仪，3种方法，纸质档几秒电子化，一学就会
- 微软计划用Monarch项目取代Windows 10电子邮件客户端
- 贸泽电子即日起备货Molex 5G和LTE高增益外部天线
- 微软测试Outlook智能文本预测功能 帮助用户更快地撰写电子邮件