想做AI芯片这家中资公司出了新的神经网络加速器内核
想做AI芯片？这家中资公司出了新的神经网络加速器内核
AI已处于快速发展阶段
AI分为四个阶段，如下图。
1.基础研究阶段。每当一个新技术来临时，一些大学院所机构和大公司(例如英特尔、谷歌等有基础研究部门)会进行反复研究论证，找到产业可能性。
2.应用研究阶段，公司企业尝试让新技术通过原型机认证，以极大地解决生产生活中的痛点，
3.产业快速发展阶段。此时机会多，新公司、大公司多，整个产业迅速发展。
4.最后会出现一个相对成熟的市场，形成一些垄断企业/寡头，大浪淘沙，小鱼和慢鱼被淘汰。
目前AI产业处于快速导入阶段，这也是公司资本和个人都在追逐的，前途非常光明。
AI发展最多的是与应用的结合，例如金融、安防、医疗、教育、客服、视频/娱乐、零售/电商、建筑、法律、招聘、新闻资讯等，每个行业都有领先的企业或独角兽(如下图)。
大部分落地应用的共同特点是取代一些简单的人工劳动，例如智能客服(代替人接电话)、人脸识别等。
如果要把AI进一步做大做强，需要知识图谱的概念和数据结构化，使应用算法在行业里做深、做宽、做大。从弱AI到强AI方面，国内外很多大企业和顶尖院校正在做积累，希望在未来发挥更大的作用。
AI和NN的关系
NN(神经网络)是实现AI的方式之一，但不是唯一方式。
图：人工智能部分算法
NN目前是各行各业最火最热的技术与应用之一，这催生了NN从算法到芯片等的行业的大发展。
边缘AI的机会
很多人认为是英伟达做的数据训练非常成功。但随着行业逐步加深，应用逐步多，发现仅仅在服务器端还不够的，端侧可以做极大延伸。例如，安防从嵌入式视觉系统到视觉导向的自主系统，即过去红外摄像头，保安和监控人员要看一二十个小时，现在把人眼看的部分，通过算法和数据集中到服务器端，下一步希望减少服务器的负担，在端侧——摄像头去做识别。这样做的好处，首先是可以减少网络带宽，因为网络存储等成本非常高;其次是性能，端处理回传会延时;第三是隐私性。
另一个案例是无人机避障。如果通过云端或GPU做，需要10~15 m的缓冲区，这意味着在10-15 m之内无法判断，对消费类还可以，但农业、渔业、防火救灾等场景就不够了，需要精度在1 m之内，这就需要端侧的高效处理能力。
市面上有各种方案，如下图。1.CPU尽管什么都可以做，但处理神经网络效率低，2.DSP最大的问题是有非常少的人员可以基于DSP去做编程，没有标准化和可覆盖。3.GPU，英伟达证明了非常适合处理AI，GPU有标准化的编程方式，但GPU还是功耗较大。是否有功耗非常低又非常灵活?4.固定功能的硬化，一旦硬化后只能做一件事，远远不够产业化。
为此，Imagination有“GPU+NNA”方案。
NNA的强大功能
近日，Imagination Tecnhologies公司宣布推出PowerVR Series2Nx神经网络加速器内核，并在京举办了“Imagination人工智能(AI)研讨会”。
会上，主管PowerVR视觉和人工智能业务的副总裁Russell James和中国区区域市场和业务拓展总监柯川先生称，据Imagination测算，传统GPU搜1000张图需要1分钟;若在端侧处理，若采用Imagination的PowerVR NNA，用2秒就可以解决。同样花费1%功耗，GPU可处理2400张图片，端处理器PowerVR NNA可以做接近43万张图片处理。视频处理时，GPU做1分20秒的处理，如果用Imagination的端侧处理，可以做接近4个小时。
