今年年初，AI芯片新老牌厂商“混战”国际消费类电子产品展览会，全面覆盖当古人工智能六大核心落地场景，包括云端演习、云端推理、智好手机、AIoT视觉推理、AIoT语音推理、自动驾驶等，海内AI芯片创企进入落地阶段。

根据中国人工智能家当发展同盟（以下简称“同盟”）供应的数据，2019年以来国内外芯片厂商共发布AI芯片近30款。

AI芯片若何支撑多姿多彩的人工智能运用落地？评测标准进展如何？今年的亮点、看点又在哪？科技日报独家专访AI芯片创企鲲云科技创始人兼CEO牛昕宇博士和同盟打算架构与芯片组联席秘书长张蔚敏。

AI芯片：驱动智能产品的大脑

回顾2019年，AI机器人群聊，AI道路桥梁积水管控，AI写作，AI网购直播回答、视觉设计、***制作、推送营销，AI艺术创作，虚拟形象天生……人工智能做了许多人类才会做的事情。
数不尽的纷繁运用背后离不开AI芯片的根本支撑，它是如何驱动AI“作业”的呢？

目前消费类智能产品大量运用人工智能、大数据等技能，芯片作为硬件载体，承担了“让智能产品发挥浸染”的功能。
牛昕宇博士先容，人工智能行业有三个核心驱动力：算法、算力和数据。
人工智能芯片作为人工智能运用的底层硬件，为其供应算力支撑。
“通过技能创新，不断提升人工智能打算的性能、降落其本钱和功耗，从而支持越来越繁芜的人工智能运用。
”

如果把运行各种人工智能运用比作一个人的话，人工智能芯片便是它的大脑实体，而各种谈天、***制作、自动驾驶运用便是它根据自己所能打仗到的数据，学习到的履历知识。
一方面，随着数据履历的积累，它们运行的人工智能运用会越来越精确，另一方面，它的学习受限于大脑的容量（芯片打算能力）、培养本钱（芯片本钱）以及大脑运算花费的热量（芯片功耗）。

牛昕宇博士阐明道，“人工智能芯片研发所要做的，便是供应这样一个越来越智能的大脑，从而能够学习各种各样的技能（人工智能运用），终极运用到各种智能终端设备中，在自动驾驶、聪慧城市、工业视觉、聪慧安防等领域发挥浸染。
”

起步阶段：加速芯片算力的迭代优化

AI芯片的发展，离不开人工智能技能的发展。
人工智能从1956年出身至今，共经历过三次大的浪潮。
进入21世纪，随着打算机性能的提升和海量数据的产生，机器学习和CNN网络（卷积神经网络）得到打破，算法、算力和数据知足了人工智能的商业化落地需求，人工智能迎来了高速发展的阶段。

“特殊是2017年起，人工智能的商业化落地不断加速。
” 牛昕宇博士认为，从芯片的起步、发展、成熟的三个阶段来看，人工智能芯片仍旧处于起步阶段。

人工智能芯片紧张包含三个发展脉络，一是由于前期人工智能落地的兴旺需求，英伟达的图像处理器GPU由于可以支持CNN等算法网络，知足基本的人工智能落地需求，在这个期间得到了大范围运用，其也通过芯片架构不断迭代，逐步转型成为人工智能芯片供应商。
二是由于算法的不断迭代，对芯片和算力提出了更高的哀求，这时候国内外的初创企业和华为等采取与英伟达类似的指令集技能路线，通过架构创新，推出了一批新的专用人工智能芯片。
三是影响芯片性能的制程工艺发展日趋成熟，摩尔定律放缓对指令集技能路线的发展提出了寻衅，目前也有初创企业采取全新的数据流技能路线，推出新的专用人工智能芯片。

当前海内紧张是后两种人工智能芯片，各家企业都处于推出产品，进行市场化落地的阶段。
例如，鲲云科技自身就在去年发布了自主产权的通用AI底层CAISA芯片架构，可以实现高达98%的芯片利用率，在聪慧城市、工业检测、电力安防等领域实现了规模落地。

牛昕宇博士坦言，芯片行业是一个须要不断迭代发展的行业，深度学习算法日月牙异，对算力也提出了更高的哀求，知足人工智能快速发展的需求，仍旧须要芯片企业对付市场的快速反馈，完成产品的快速迭代和优化。

2020年看点：“落地”被反复强调

人工智能家当规模高速增长，据环球市场调研机构IHS Markit发布的AI遍及度调查预测，到2025年AI运用将从2019年的428亿美元激增到1289亿美元。

从2018年底开始，人工智能芯片的“落地”被反复强调，“不论是短期还是长期目标都是落地。
”牛昕宇博士说。
由此看来，人工智能芯片2020年的紧张看点仍旧在于新产品迭代和落地。
加速人工智能运用落地，只有市场和落地场景需求驱动的芯片才能持续创造代价。

当然，人工智能运用永久须要性能更高、价格更低、功耗更低的芯片，如何能在这之上不断知足市场需求，磨练着每一家人工智能芯片企业的核心技能以及对市场所需产品的洞察。

“芯片和打算架构在人工智能的发展中扮演着重要角色。
”张蔚敏说。
2019年起，很多AI芯片产品都在底层架构设计上看重架构创新，2020年这种趋势加倍显现。
核心在于市场对芯片所能供应的更高实际算力的追求，将在真实利用场景中得到验证。

在牛昕宇博士看来，安防是人工智能落地相比拟较充分的领域。
“今年我们将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。
包括鲲云科技自身在内，许多创企也在为智能制造领域的工业视觉检测供应基于深度学习的一体化算力办理方案。
”

三大难题：破解AI芯片落地的关键

落地，既是今年AI芯片的看点，也是难点。
“当前AI的行业运用迟迟没有大规模爆发，AI芯片创业公司依旧面临产品难以落地，研发和运用还没有很有效的衔接起来等问题。
”张蔚敏认为，芯片专用化趋势越来越明显，而运用落地则成为急迫需求。

从研发角度来看，牛昕宇博士说，当古人工智能芯片紧张面临三方面问题，即芯片设计的底层技能路线同质化较高，软件开拓支持依然是短板，以及芯片性能测试处于起步阶段，间隔形成威信统一的评测标准还须要一定的韶光。

显然，技能路线同质化随意马虎导致产品同质化，降落创造独特代价的切入点。
作为底层硬件芯片，不一定每个指标都须要最强，但是要找到对付市场需求独一无二的代价，办理核心问题。
这就要在技能路线方面进行创新，节制自己的核心技能，从而在芯片性能和技能支持上节制更多主动性。

而芯片的利用和对算法的支持离不开软件工具。
目前有一些人工智能芯片仍旧缺少可用的软件开拓工具，或者软件编译工具设计繁芜，用户的开拓和利用门槛过高，这些都须要在落地过程中不断完善和迭代。
诚如牛昕宇博士所说，如果不能办理这个问题，AI芯片的大规模商业落地也会碰着阻碍。

至于AI芯片评测标准的制订进展，牛昕宇博士坦言，“目前这类标准还处于项目推广的早期，各家采取的测试网络和测试标准还缺少统一性，可能对付客户的选型造成一定困难。
”

张蔚敏谈到，同盟聚焦“标准明确方向，评测保驾护航，平台助力发展”，前期开展的AIIA DNN benchmark项目帮助AI芯片企业明确清晰技能竞争路线，供应第三方评测同时帮助企业选型，近期启动了“AI芯片技能选型推举目录”事情，以进一步促进AI芯片生态和落地运用。

从2019年起，国内外针对AI芯片的测评方案陆续出炉，比如由百度、谷歌、斯坦福大学、哈佛大学等联合发布的用于丈量和提高机器学习软硬件性能的MLPerf国际基准、由中国人工智能家当发展同盟和海内子工智能企业互助推出的AIIA DNN benchmark项目。
牛昕宇博士带领下的鲲云科技也在持续积极推进人工智能芯片评测的标准化，“我们同中国信通院和人工智能家当发展同盟密切互助，推动AIIA DNN benchmark项目的标准迭代，参与国家标准的制订。
”