人工智能產業規模高速增長，全球市場調研機構IHS Markit發布數據顯示，到2025年AI應用市場規模將從2019年的428億美元激增到1289億美元。
回顧2019年，AI機器人群聊、管控道路橋梁積水、寫作、智能客服……人工智能做了許多原本人類才會做的事情。數不盡的紛繁應用背后離不開 AI 芯片的基礎支撐。
日前，AI芯片新老牌廠商“混戰”國際消費類電子產品展覽會，全面覆蓋當前人工智能六大核心落地場景，包括云端訓練、云端推理、智能手機、AIoT視覺推理、AIoT語音推理、自動駕駛等，國內AI芯片進入落地階段。
根據中國人工智能產業發展聯盟(以下簡稱聯盟)提供的數據，2019年以來國內外芯片廠商共發布AI芯片近30款。
AI芯片怎樣支撐多姿多彩的人工智能應用落地？評測標準進展如何？今年的亮點、看點又在哪？科技日報記者采訪了相關專家。
AI芯片：驅動智能產品的大腦
回顧2019年，AI機器人群聊、管控道路橋梁積水、寫作、智能客服……人工智能做了許多原本人類才會做的事情。數不盡的紛繁應用背后離不開AI芯片的基礎支撐，它是如何驅動AI“作業”的呢？
目前消費類智能產品大量應用人工智能、大數據等技術，芯片作為硬件載體，承擔了“讓智能產品發揮作用”的功能。鯤云科技創始人兼CEO牛昕宇介紹，人工智能行業有三個核心驅動力：算法、算力和數據。人工智能芯片作為人工智能應用的底層硬件，為其提供算力支撐。“通過技術創新，不斷提升人工智能計算的性能、降低其成本和功耗，從而支持越來越復雜的人工智能應用。”
如果把運行各種人工智能技術集合比作一個人的話，人工智能芯片就是它的大腦實體，而各種聊天、視頻制作、自動駕駛應用就是它根據自己所能接觸到的數據，學習到的經驗知識進行的操作。一方面，隨著數據經驗的積累，它們運行的人工智能應用會越來越精確，另一方面，它的學習受限于大腦的容量(芯片計算能力)、培養成本(芯片成本)以及大腦運算消耗的熱量(芯片功耗)。
牛昕宇解釋道：“人工智能芯片研發要做的，就是提供這樣一個越來越智能的大腦，從而能夠學習各種各樣的技能(人工智能應用)，最終應用到各類智能終端設備中，在自動駕駛、智慧城市、工業視覺、智慧安防等領域發揮作用。”
起步階段：加速芯片算力的迭代優化
AI芯片的發展，離不開人工智能技術的發展。人工智能從1956年誕生至今，共經歷過三次大的浪潮。進入21世紀，隨著計算機性能的提升和海量數據的產生，機器學習和CNN網絡(卷積神經網絡)獲得突破，算法、算力和數據滿足了人工智能的商業化落地需求，人工智能迎來了高速發展的階段。
“特別是2017年起，人工智能的商業化落地不斷加速。” 牛昕宇認為，從芯片的起步、發展、成熟的三個階段來看，人工智能芯片仍然處于起步階段。
人工智能芯片主要包含三個發展脈絡，一是由于前期人工智能落地的旺盛需求，英偉達的圖像處理器GPU因為可以支持CNN等算法網絡，滿足基本的人工智能落地需求，在這個時期獲得了大范圍應用，其也通過芯片架構不斷迭代，逐步轉型成為人工智能芯片供應商。二是因為算法的不斷迭代，對芯片和算力提出了更高的要求，這時候國內外的初創企業和華為等采用與英偉達類似的指令集技術路線，通過架構創新，推出了一批新的專用人工智能芯片。三是影響芯片性能的制程工藝發展日趨成熟，摩爾定律放緩對指令集技術路線的發展提出了挑戰，目前也有初創企業采用全新的數據流技術路線，推出新的專用人工智能芯片。
當前國內主要是后兩種人工智能芯片，各家企業都處于推出產品、進行市場化落地的階段。例如，鯤云科技就在去年發布了通用AI底層CAISA芯片架構，可以實現高達98%的芯片利用率，在智慧城市、工業檢測、電力安防等領域實現了規模落地。
牛昕宇坦言，芯片行業是一個需要不斷迭代發展的行業。深度學習算法日新月異，對算力也提出了更高的要求，滿足人工智能快速發展的需求，仍然需要芯片企業對于市場的快速反饋，完成產品的快速迭代和優化。
2020年看點：“落地”被反復強調
人工智能產業規模高速增長，據全球市場調研機構IHS Markit發布的AI普及度調查預測，到2025年AI應用市場規模將從2019年的428億美元激增到1289億美元。
從2018年年底開始，人工智能芯片的“落地”被反復強調。“不論是短期還是長期目標都是落地。”牛昕宇說。由此看來，人工智能芯片2020年的主要看點仍然在于新產品迭代和落地。加速人工智能應用落地，只有以市場需求為驅動的芯片才能持續創造價值。
當然，人工智能應用永遠需要性能更高、價格更低、功耗更低的芯片，如何能在這之上不斷滿足市場需求，考驗著每一家人工智能芯片企業的核心技術以及對市場所需產品的洞察。
“芯片和計算架構在人工智能的發展中扮演著重要角色。”聯盟計算架構與芯片組聯席秘書長張蔚敏說。2019年起，很多AI芯片產品都在底層架構設計上注重架構創新，2020年這種趨勢越發顯現。核心在于市場對芯片所能提供的更高實際算力的追求，將在真實使用場景中得到驗證。
在牛昕宇看來，安防是人工智能落地相對比較充分的領域。“今年我們將看到更多細分領域的落地場景，比如占國民生產總值近30%的制造業。包括鯤云科技在內，許多企業也在為智能制造領域的工業視覺檢測提供基于深度學習的一體化算力解決方案。”
三大難題：破解AI芯片落地的關鍵
落地，既是今年AI芯片的看點，也是難點。“當前AI的行業應用遲遲沒有大規模爆發，AI芯片創業公司依舊面臨產品難以落地、研發和應用還沒有很有效地銜接起來等問題。”張蔚敏認為，芯片專用化趨勢越來越明顯，而應用落地則成為迫切需求。
從研發角度來看，牛昕宇說，當前人工智能芯片主要面臨三方面問題，即芯片設計的底層技術路線同質化較高，軟件開發支持依然是短板，以及芯片性能測試處于起步階段、距離形成權威統一的評測標準還需要一定的時間。
顯然，技術路線同質化容易導致產品同質化，降低了創造獨特價值的可能性。作為底層硬件芯片，不一定每個指標都需要最強，但是要找到對于市場需求獨一無二的價值，解決核心問題。這就要在技術路線方面進行創新，掌握自己的核心技術，從而在芯片性能和技術支持上掌握更多主動性。
而芯片的使用和對算法的支持離不開軟件工具。目前有一些人工智能芯片仍然缺乏可用的軟件開發工具，或者軟件編譯工具設計復雜，用戶的開發和使用門檻過高，這些都需要在落地過程中不斷完善和迭代。誠如牛昕宇所說，如果不能解決這個問題，AI芯片的大規模商業落地也會遇到阻礙。
至于AI芯片評測標準的制定進展，牛昕宇坦言，“目前這類標準還處于項目推廣的早期，各家采用的測試網絡和測試標準還缺乏統一性，可能對客戶的選型造成一定困難。”
從2019年起，國內外針對AI芯片的測評方案陸續出爐，比如由百度、谷歌、斯坦福大學、哈佛大學等聯合發布的用于測量和提高機器學習軟硬件性能的MLPerf國際基準、由中國人工智能產業發展聯盟和國內人工智能企業合作推出的AIIA DNN benchmark項目。牛昕宇帶領下的鯤云科技也在持續積極推進人工智能芯片評測的標準化。“我們同中國信通院和聯盟密切合作，推動AIIA DNN benchmark項目的標準迭代，參與國家標準的制定”。
