芯東西（公眾號：aichip001）
編輯 | 韋世瑋
GTIC 2020全球AI芯片創新峰會剛剛在北京圓滿收官！在這場全天座無虛席、全網直播觀看人數逾150萬次的高規格AI芯片產業峰會上，19位產學界重磅嘉賓從不同維度分享了對中國AI芯片自主創新和應用落地的觀察與預判。
在峰會上午場，億智電子聯合創始人兼COO吳浪，發表了題為《拆解端側視覺AI芯片的落地難點與機遇》的演講。
▲億智電子聯合創始人兼COO吳浪
億智電子成立于2016年，作為端側視覺AI SoC芯片領域的新銳玩家，主要圍繞在視覺安防、汽車電子、智能硬件領域賦能AI 產品，并先后獲得了北極光，英特爾資本和中建投等戰略投資，實現AI系統級芯片量產。
在GTIC峰會上，吳浪向大家分享了億智電子在端側視覺AI芯片的研發思路，同時就端側AI芯片的產業賦能，以及在落地進程中面臨的挑戰與機遇進行了深入探討。 吳浪談到，目前億智電子已有超百萬顆芯片量產落地，落地的場景也以人臉設備為主，這也是當下AI落地的主要場景。
但隨著行業的AI需求逐漸爆發，AI芯片也面臨著人才稀缺、應用碎片化、數據量大、缺少統一的軟硬件平臺等規模化落地的難點。
以下為吳浪演講實錄整理：
一、專注三大研發方向，超百萬顆芯片量產落地
在吳浪看來，從2016年AlphaGo事件之后，人們對基于深度學習的人工智能算法及應用的關注重新回到新高潮，熱切關注人工智能從技術、產品到資本等方方面面。
在這一浪潮下成立的億智電子，是一家以AI機器視覺算法及AI SoC芯片設計為核心的系統級方案供應商，志在賦予億萬設備智能化。
自成立以來，億智電子一直堅持AI加速、高清顯示、視頻編解碼、高速數模混合等方向的自研，圍繞視像安防、汽車電子、智能硬件三個方向賦能產業。
2019年7月，億智電子首顆基于自研神經網絡處理單元（NPU）的AI SoC正式量產，緊接著在同年10月，進入客戶正式大規模市場化量產階段。雖然受今年上半年疫情影響，如今億智電子仍已有超過百萬顆芯片量產落地。
目前，億智電子在北京、上海、深圳和珠海均設有辦公地點。其中，珠海總部是芯片設計和軟件研發中心，深圳為行銷中心，上海為行銷及研發中心，北京為算法研究中心。
二、AI發展的三個階段，當下AI落地以人臉設備為主
吳浪談到，人工智能并不是一項新的技術，從50年代提出以來，伴隨著算法的研究與發展，至今經歷了3個重要的歷程。
一是1950年，業界提出能夠模擬人的思維的泛人工智能；二是80年代基于機器學習——特別是以模式識別算法的興起，逐漸有了語音、指紋識別、靜態人臉識別等行業應用；三是2010年以后，基于深度學習的AI算法能夠更好模擬人腦的思維，這也是目前最接近人腦思維的算法，讓業界對AI的關注達到新高度。
從產品應用場景來看，早期的視覺產品實現了“讓設備能夠看得見”。從2000年手機拍照模糊，到今天的2K、4K、8K視頻技術，未來AI技術讓設備從“看得見”到“看得更清晰”，再到“看得懂”，還能實現機器和人、機器和機器之間的交互。
吳浪認為，當下行業落地的AI產品主要以人臉設備為主。
2001年開始，人臉設備開始用于公安部的刑事偵查，早期的人臉設備主要依靠后臺的云端服務器來提供算力。
2016年起，基于安卓芯片的算力發展讓人臉設備實現了大規模應用，安卓芯片CPU為應用提供了算力，包括引入深度學習算法。但這時，行業也碰到了很多算力限制，設備除了做人臉識別外還有更廣泛的應用場景，這些都對芯片算力提出了更高要求。
2019年以后，專門基于AI的SoC開始大規模商用，芯片的發展與產品的需求形成了互相拉動的關系。
三、三大領域的AI芯片落地趨勢，行業的AI需求正在爆發
吳浪提到，現階段在人臉方面的安防應用落地都較為相似，例如產品形態大小多為7-11寸的面板機，但每個具體應用中的實際算法卻大不相同。
例如在工地中，除了需要人臉識別外，還需要安全帽識別，同時由于工地環境原因，人臉容易沾染灰塵或者其它物質，這個場景下又需要基于人臉有污漬情況下的識別。
在疫情影響下，辦公樓宇除了人臉識別，還需要活體、口罩、測溫的識別需求。其中，億智電子有一個客戶將人臉識別應用在酒店考勤中，除了識別人臉外，還需要識別員工的笑臉，以評測員工的表情是否合格。也就是說，依賴人臉識別擴展出來的許多人臉周邊的識別場景正在慢慢深入應用。
在汽車電子領域，2015年至2016年，許多國家及地區對汽車安全提出較高需求。2018年，我國將ADAS（高級駕駛輔助系統）納入安全法規，并在2019年對AEB（自動緊急制動系統）及商用車的部分場景提出了強裝試用的要求。
現階段，該領域主要以賦能輔助駕駛為主，包括疲勞檢測、駕駛員行為等相關服務。未來，行業除了對汽車本身的安全性提出更高要求外，也會對汽車電子化發展提出越來越多的AI需求。
在智能硬件領域，吳浪認為，當下越來越多好玩又實用的智能化產品正在逐步落地，例如高爾夫追蹤相機、室內番茄基地監控等。
在這一領域，億智電子基于自身的SV806芯片開發了一個云臺商用方案，其真實大小比硬幣的面積還要小。
在智能交互方面，人類信息化經歷了PC時代、移動互聯網時代，接下來進入物聯網時代，每一次發展都給交互帶來很大的改善或提升。
例如，人們在PC時代的交互多采用鍵盤和鼠標，移動互聯網時代則使用觸摸+指紋，隨著5G物聯網時代的到來，如今有越來越多基于AI手勢的交互場景在落地。同時，智能音箱、智能機器人也實現了手勢交互的應用。
吳浪舉例了比較典型的AI賦能智慧校園場景。從校車考勤到校門人臉考勤，再到教室考勤、食堂刷臉支付、宿舍門禁等，針對學生在學校中的各種活動，都可以通過利用5G和AI進行落地。
不僅如此，隨著AI賦能各種行業、各種場景，AI在to G、to B、to C非常多的場景都能實實在在地落地。
但吳浪認為，目前大部分AI產品都用于改善傳統工作流程，提高工作效率，減少標準化重復的一些體力或腦力勞動。
例如，基于安防的人臉識別，早期需要人工把所有視頻中的各種人臉進行比對，通過行為分析去做抓取，今天則通過AI來大大提升這些工作效率。
與此同時，以前AI創業公司常常需要教育客戶，告訴客戶AI技術能做什么產品，能幫助客戶改善什么體驗，但現在這個方式已開始發生變化，客戶已開始主動提出越來越多的AI產品需求，意味著行業的AI需求正在慢慢爆發。
四、AI芯片規模化落地的四大難點，端側發展潛力巨大
吳浪談到，如今億智電子落地的芯片產品已達百萬，但在落地過程中也遇到了AI難落地、難大規模落地等難點。
吳浪總結了四個AI芯片規模化落地的難點：
一是人才稀缺。今天大部分人才還是基于早期做圖像、智能算法的人，沒有專門基于深度學習的教育人才，尤其是基礎算法、應用算法和場景算法的人才。
盡管在2019年我國有35所高校獲批設立人工智能專業，但當下各種場景的算法人才仍非常缺乏。
二是應用碎片化。這個碎片化不單指場景特別多。例如，人臉識別應用在俯視、平視和仰視等不同的角度，都需要重新做數據訓練和算法優化。
這意味著沒有辦法用一個或者幾個算法來滿足所有或大部分規模化的場景，哪怕是同一類算法都無法適配各種各樣的場景，這也是端側AI落地非常難的原因之一。
三是數據量大。由于數據量的龐大，如何從大數據里找到適合場景并適合算法的數據，這一獲取難度非常大。
據統計，過去十年行業產生的數據量遠超過去五千年的數據量，未來的數據化也將成倍數增長，把握基于場景的數據，到后期數據就是生產力。
四是缺少統一的軟硬件平臺。如何將開發人員在PC端或服務器上訓練好的東西，以最快的速度適配到設備端，這也是AI芯片在落地過程中需要思考的問題。
與此同時，統一的平臺除了解決硬件問題，還需要考慮三個問題。
一是如何讓規模市場的算法進行標準化的交付，如果很多場景沒有做好標準化，很難實現規模化的量產；二是如何讓其它算法公司或終端廠商算法，能夠快速移植到自身AI芯片上，這需要交付比較好的整套移植工具；三是產品整體的成本，根據不同的應用場景來定制不同的基于算力的芯片。
總的來說，AI芯片的發展經歷了從早期基于CPU解決方案的AI產品，到GPU、FPGA、DSP、NPU等不同的算力及技術架構，整個產品化打磨的過程是非常困難和復雜的。
吳浪談到，億智電子作為一家自研NPU的SoC芯片廠商，有能力將算法和NPU做到更好的深度結合，并為客戶提供產品在制造性、可量產性、算法移植、產品一致性、穩定性等方面完整解決方案。
回看今天的整個AI生態，從硬件到算法，再從產業到產品形態，其中的發展潛力非常巨大。尤其在當下算法和算力本身結合仍十分不足的情況下，隨著未來落地場景更加的復雜和多樣化，希望更多小公司或者創業者能抓住這個機會快速發展。
以上是吳浪演講內容的完整整理。除吳浪外，在本屆GTIC 2020 AI芯片創新峰會期間，清華大學微納電子系尹首一教授，比特大陸、地平線、黑芝麻智能、燧原科技、壁仞科技、光子算數、知存科技、豪微科技等芯片創企，全球FPGA領先玩家賽靈思，Imagination、安謀中國等知名IP供應商，全球EDA巨頭Cadence，以及北極光創投、中芯聚源等知名投資機構，分別分享了對AI芯片產業的觀察與思考。如感興趣更多嘉賓演講的核心干貨，歡迎關注芯東西后續推送內容。
