<strike id="xh1ss"><address id="xh1ss"></address></strike>
  1. <legend id="xh1ss"></legend>
  2. 更多課程 選擇中心

    嵌入式培訓
    達內IT學院

    400-111-8989

    AI芯片存在嗎?AI芯片是原嵌入式處理器的升級版嗎?

    • 發布:靴子
    • 來源:嵌入式資訊精選
    • 時間:2018-06-14 17:16

    昨天看到《IEEE協會首次在京舉辦研討會,王飛躍稱不存在AI芯片》,就在想AI芯片存在嗎?AI芯片是原嵌入式處理器的升級版嗎?現在將尋找的資料貼出來,大家一起來看看:

    小編迫不及待地打開文章找到了關鍵段落,原文是這樣說的:

    最后,在談及“AI芯片”話題時,王飛躍教授直言,我不認為現在有所謂的人工智能芯片。德國馬格德堡大學教授安德烈·紐倫堡(Andreas Nuernberger)補充道:“我同意沒有人工智能芯片這一說法。現在芯片的發展加速了深度學習的過程,之前在圖像方面也有這種深度學習,你現在把它們稱作為人工智能的芯片,但這是出于某種特定的目的而生產的產品。我覺得現在物聯網可以讓過程變得更加可靠,可以確保這些網絡和硬件的反應速度更快、更加可靠、更有活力。我覺得這些是智能硬件的現實世界,但是他們的代價很高,因為你需要更加復雜的基礎設施,更多的技術,這和之前是不同的。”

    說來也巧,在幾天前編輯部的例會上,我們剛剛討論過“AI芯片”,而且主編何立民教授認為“AI芯片”值得關注!針對此問題,何教授有自己的看法:

    主編何教授談AI芯片

    “AI芯片”的確存在,其概念不僅被廣泛應用,也無法用其它的概念,如MCU、MPU等概念所替代。

    王飛躍稱不存在AI芯片,可能認為AI芯片只是原有嵌入式處理器的功能擴展而已。殊不知隨著嵌入式處理器的功能不斷外延,已從量變產生了質變。自從人工智能進入機器的深度學習時代,原有MCU的硬件加速已無法滿足高速海量數值計算要求,以及大數據的云間交互要求。這樣一來,在嵌入式領域便出現了MCU與AI芯片兩個有本質差異的芯片群。前者是滿足工具智能化的智能控制芯片(以控制見長);后者是滿足智能機器深度學習的計算芯片(以計算見長)。未來,在人工智領域會逐漸形成智能化工具與智能機器兩大領域。目前,智能化工具領域業已成熟,智能機器領域依托AI芯片、神經網絡、深度學習、云際交互逐漸向強人工智能領域進發。目前,AI芯片形式多樣,屬初級發展階段,盡管有些概念尚可商榷,但原有的各種嵌入式處理器的概念已無法沿襲,“AI芯片”可能會約定式俗。

    以人臉識別為例,用于門禁的實時人臉識別,也許可以用MCU+圖形加速器方案。但要從眾多人群中實時識別特定的人臉,就要引入深度學習,不斷提高其識別能力;為了與眾多人臉對比,還要與云端大數據交互,無論多么高明的MCU都無法承擔如此重任。也許“深度學習”、“云端交互”是AI芯片的兩大重要特征。

    目前AI芯片領域競爭激烈,也許一時難以形式統一的結構體系,但逐步完善后,作為嵌入式領域中的又一新兵,在人工智能領域與MCU相互補充、各盡其職。既不可相互替代,又有不同的技術發展方向。MCU與AI處理器用在不同領域,兩者都有巨大的發展潛力。

    一個新概念出來之后,一定會存在質疑階段,這也是客觀規律使然,面對以上兩種截然不同的觀點,各位嵌友又是如何看待此問題呢?

    在3月份第一財經日報中報道:世人都曉AI好,AI芯片知多少?

    AI芯片是當前科技產業和社會關注的熱點,也是AI技術發展過程中不可逾越的關鍵一環,不管有什么好的AI算法,要想最終應用,就必然要通過芯片實現。

    “AI芯片面臨兩個現實問題,第一我們沒有一個覆蓋所有算法的架構,需要在芯片當中實現一個具備深度學習的引擎,適應算法的引進,第二就是架構的可變性,要有高效的架構變換能力,目前的CPU加軟件、CPU加FPGA,需要我們探索架構上的創新。” 清華大學微納電子系主任、微電子所所長魏少軍在智東西主辦的GTIC 2018 全球 AI 芯片創新峰會上公開演講時表示。

    “多元的”AI芯片

    AI是一個相當寬泛的概念,雖然不少面向消費者的電子產品生產商在宣傳頁上印上AI相關字眼,但他們中也有人意識到AI產品的發展要歷經多個不同的階段,因此頗為審慎。

    352空氣凈化設備加入了激光檢測模塊來判斷環境的PM2.5污染水平,同時通過自主研發的智能控制算法,使空氣凈化設備能夠根據PM2.5污染水平高低自動運轉,但在352環保科技合伙人張燚的表述中把這個稱作“是為了提升智能化體驗”而沒有特別強調AI。

    “真正的智能化形式絕不僅僅是物聯網和遠程控制以及語音輸入,這些目前還只是一些手段和零散的表現形式。我認為智能化終極目標還是要在減少用戶的干預,洞察用戶心理,隨時做出內部調整以及增強產品的學習能力,使產品能夠有思考及改善能力,逐漸上升到重視人類的情感需求方面,也就是最終讓人通過產品的自發服務滿足最高的情感需求。”張燚告訴第一財經記者。

    要談AI芯片,就必須先對AI下一個定義。

    在萊迪斯半導體亞太區資深事業發展經理陳英仁看來,“AI神經網絡”不是簡單定義為某類產品,而是一個新的設計方法,“傳統的一些算法,是照規則、照邏輯的,神經網絡是用數據訓練出來的結果。”

    這就好比出行到指定地點,如果要先定一些規則(邏輯),比如提前選擇出行方式、規劃中轉地點,最后到達,就是傳統的“規則型”設計;如果是有輸入和已知的輸出,比如起點和終點,在樣本足夠多之后(數據訓練)就可以提供一個新的算法,這需要AI芯片。

    在芯片研發的過程中,既有傳統的老牌廠商,也有科技新貴,是否會出現像通用CPU那樣獨立存在的通用AI處理器呢?

    事實上,各家技術路線大相徑庭,在不同的技術路線上探索著通用與優化的平衡。

    以虛擬貨幣數字芯片起家的比特大陸提出,要實現AI芯片9個月迭代一版的速度,這是對摩爾定律18~24個月升級一次的時間賽跑,也是用ASIC技術對暗硅發起的一次挑戰。

    “暗硅”,即是由于功耗的限制,導致處理器同一時刻只有很少的一部分的門電路能夠工作,而大部分處于不工作的狀態,這部分不工作的門電路,在某一個計算時刻是完全無效的。

    ASIC是為了特定應用而設計的集成電路,除了不能擴展以外,在功耗、可靠性、體積方面都有優勢,尤是其在高性能、低功耗的移動端。在這條路上比特大陸并不孤單,既有谷歌的TPU在前方高舉大旗,也有一眾創業公司在機器視覺等垂直領域跟隨。

    “與傳統芯片迭代速度相比,AI算法迭代更快。我們針對最新算法的需求、神經網絡算法的共性基礎,把它快速地放到芯片上。” 比特大陸產品戰略總監湯煒偉說。

    比特大陸2017年11月份推出的首款AI芯片,現在已經全線量產,兼顧訓練和推理的功能,但以推理為主。他認為,訓練和推理應該是兩個不同的平臺,未來比特大陸還是會側重于推理。 “高性能計算它涉及到很多領域,所以我們在2015年底決定進入到AI這個領域,尤其深度學習這個領域,我們在已有的一些高性能計算這些芯片、硬件,還有一些軟件算法的基礎上,我們還大量引進了很多AI方面專業的人才。”湯煒偉說。

    但比特大陸還沒有考慮做終端芯片,提供的芯片將用于服務器。

    目前業內使用最多的是GPU,因為它適用于單指令、多數據處理,可用于深度學習的訓練和推理。英偉達AI技術中心亞太首席技術官Simon See接受第一財經采訪時表示,英偉達要做通用性的芯片,“通用是我們的優勢,ASIC是針對其中一個領域,而GPU不僅僅可以應用于AI訓練還有圖像渲染等等。”

    他表示,新的算法一直在出現,為了適配新的算法,就需要重新做芯片,英偉達會收集客戶的意見并改進,但不會因為所謂“風口”的轉向而調整,比如去做專門挖礦的芯片。 “做芯片是很冒險的,這么多公司在做是好事,說不定會有新的公司出很好的產品。我們的芯片性能體現,不僅僅是靠芯片自身的性能(raw performance),還有軟件的性能。” Simon說。

    此外,被大眾關注較少,但有望把握住AI芯片發展機會的還有FPGA。FPGA適用于多指令,單數據流的分析,常用于預測階段,因為沒有內存和控制所帶來的存儲和讀取部分在效率和功耗上具有一定優勢,劣勢是運算量并不是很大。

    “AI是FPGA是一個非常好的切入點,也是一個重新洗牌的機會點。FPGA的并行運算算法、設計不好寫,因為人的邏輯都是一個單向的,要多角度去考慮,其實不是那么容易,通常要特別的設計方法。”陳英仁告訴第一財經。

    簡言之,芯片成品可以按照是否可編程進行劃分。CPU、GPU、FPGA都是可編程的,下達不同指令就可以做不同的運算,而ASIC是不可編程、定制化的芯片。兩者的區別可以粗略比較為買成衣還是高級定制。成衣的客戶相對廣泛,而高級定制如果要想努力變成一個標準產品因不能修改就沒那么容易。

    可編程,意味著通用,而定制化意味著某些方面的優化以其他方面的犧牲為代價。通用和優化是對立的,芯片廠商都在尋找著最佳的平衡點。

    應用落地是終極難題

    由于還不存在適用所有通用算法的AI芯片,確定應用領域就成為發展的重要前提。遺憾的是,AI的殺手級應用目前尚未出現,現存的應用還未形成剛需,即便如此,AI芯片還是出現了百家爭鳴的氣象。

    機器視覺領域成為AI芯片的“兵家必爭之地”,涌入了商湯、曠視、地平線等一眾創業者,眼擎科技創始人、CEO朱繼志也是其中之一。

    在解決實際問題層面,芯片并不是眼擎科技的唯一方案,而是根據行業的不同情況提供從IP授權、模組、芯片到行業定制系列解決方案。眼擎科技看到,以CPU為代表的通用芯片壟斷時代已經過去,AI產業已經產生了新需求,偏重于前端在圖像收集階段直接解決因弱光、反光、逆光而造成的圖像質量不高和算法識別率低的問題。

    朱繼志的AI芯片之路是從上游的芯片領域開始做創新成像技術架構,以滿足AI新市場的新需要。“視頻圖像技術有兩種,一種是給到圖片在后端進行分析,比如商湯科技。圖像是怎么來的,這是我們的事情,在前端處理。前端處理必須要在前端實時處理完成,不能有延時或出錯,像流水一樣,兩者技術路線是不一樣的。” 朱繼志說。

    同樣,輸出基于人工智能的商業應用解決方案的鋒時互動專注于人機交互領域,提供手勢識別、人臉識別、姿態識別等多種基于人工智能的解決方案。鋒時互動CEO劉哲告訴記者,“人工智能必將細分到行業中,呈現多元化發展的趨勢。在技術逐漸成熟后,也會勢必推出專屬的針對人機交互的場景推出芯片,以降低成本和功耗。同時帶來性能的大幅提升。”

    讓人與機器在多種環境下都能自然溝通,構建更為高效、更具想象力的通用型AI生態也吸引著投資人的注意力。

    “AI芯片現在是兩撥人在做,以寒武紀為代表的,他們原本就做芯片,在計算機體系結構和芯片設計方面比較有經驗,另外一撥是以地平線為代表的,以前做的是軟件算法,現在做芯片。前者更容易做出一個好用、可靠的產品,后者更偏向于提供整體解決方案,硬件不足的地方用軟件補足。”云啟資本董事總經理陳昱判斷,兩者會有路徑的差異化。

    芯片的成本高在設計研發階段,設計好之后要經過昂貴的流片驗證才能量產,如果沒有大的客戶,就無法分攤前期成本。即便研發成功,量產時也面臨著上游產能受限的問題。

    “比特大陸在芯片設計上具有豐富經驗,他們的挖礦芯片因為加密貨幣市場的爆發而需求強勁,但其產能仍受制于上游的芯片代工廠商。” 陳昱說。按照湯煒偉的說法,比特大陸有望今年成為臺積電全球第五大客戶。

    正是因為芯片的研發周期和成本都很高,硬蛋公關總監王剛告訴第一財經,未來會考慮提供AI通用模塊。“我們今年看到了AIOT的機會,就是人工智能與物聯網的結合。硬蛋會把產業鏈上游的AI合作伙伴,如百度、云知聲等,與硬蛋平臺上的物聯網項目對接,推出通用的AI模塊。”

    毫無疑問,國內的半導體行業正在蓬勃發展。已有消息傳出國家成立的國家集成電路產業投資基金(下稱“大基金”)第二期正在緊鑼密鼓募資之中,籌資規模會超過一期,在1500億~2000億元左右。按照1∶3的撬動比,所撬動的社會資金規模在4500億~6000億元左右。

    國家集成電路產業投資基金股份有限公司總裁丁文武去年10月份接受《中國電子報》采訪時稱,原計劃首期募集資金1200億元,通過各方的努力,實際募集資金達到了1387.2億元。經過3年的運作,截至2017年9月20日,大基金累計決策投資55個項目,涉及40家集成電路企業,共承諾出資1003億元,承諾投資額占首期募集資金的72%,實際出資653億元,也達到首期募集資金的將近一半。

    “真正把AI芯片做成有競爭力,要有護城河,這是遠超于芯片本身的事情。像阿里和騰訊爭取入口流量一樣芯片往應用層走,更好知道最終用戶的實際需求,更好的定義芯片,需要有比較強的能效,有一定的AI處理架構,沒有這樣的架構都是一片浮云。” 深鑒科技聯合創始人、CEO姚頌對此有著清醒的認識。

    而魏少軍在一片繁榮之際毫不諱言“現在的發展太熱了,甚至媒體在其中也起到了推波助瀾的作用”。他提到,AI芯片的發展很可能在未來2到3年遭遇一個挫折期,今天以滿足特定應用為主要目的的AI芯片需要思考何去何從,今天的部分甚至大部分創業者將成為此次技術變革中的先烈。

    倘若如此,“毫無疑問,這將是AI發展中最令人欽佩也最令人動容的偉大實踐。” 魏少軍說。

    另外,TensorFlow成員說:深度學習的未來,在單片機的身上

    果然,TensorFlow Mobile的老大,滿腦子還是便攜設備的事。

    Pete Warden,是谷歌TensorFlow團隊成員,也是TensorFLow Mobile的負責人,常年遨游在深度學習的大海。

    AI芯片存在嗎?AI芯片是原嵌入式處理器的升級版嗎?

    另外,這些看上去很熟悉的書,也是他的作品。除此之外,皮特有個新的想法要和大家分享——他堅定地相信,未來的深度學習能夠在微型的、低功耗的芯片上自由地奔跑。換句話說,單片機 (MCU) ,有一天會成為深度學習最肥沃的土壤。這里面的邏輯走得有些繞,但好像還是有點道理的。

    為什么是單片機?單片機遍地都是

    根據皮特的估計,今年一年全球會有大約400億枚單片機 (MCU) 售出。

    MCU里面有個小CPU,RAM只有幾kb的那種,但醫療設備、汽車設備、工業設備,還有消費級電子產品里,都用得到。這樣的計算機,需要的電量很小,價格也很便宜,大概不到50美分。之所以得不到重視,是因為一般情況下,MCU都是用來取代 (如洗衣機里、遙控器里的) 那些老式的機電系統——控制機器用的邏輯沒有發生什么變化。

    能耗才是限制因素

    任何需要主電源 (Mains Electricity) 的設備,都有很大的局限性。畢竟,不管到哪都要找地方插電,就算是手機和PC都得經常充電才行。

    然而,對智能產品來說,在任何地方都能用、又不用經常維護,才是王道。所以,先來看下智能手機的各個部位用電有多快——

    · 顯示器400毫瓦

    · 無線電800毫瓦

    · 藍牙100毫瓦

    · 加速度計21毫瓦

    · 陀螺儀130毫瓦

    · GPS 176毫瓦

    相比之下,MCU只需要1毫瓦,或者比這更少。可是,一枚紐扣電池擁有2,000焦耳的電量,所以即便是1毫瓦的設備,也只能維持1個月。當然,現在的設備大多用占空比 (Duty Cycling) ,來避免每個部件一直處在工作狀態。不過,即便是這樣,電量分配還是很緊張。

    CPU和傳感器不太耗電

    CPU和傳感器的功耗,基本可以降到微瓦級,比如高通的Glance視覺芯片。相比之下,顯示器和無線電,就尤其耗電了。即便是WiFi和藍牙也至少要幾十毫瓦。

    因為,數據傳輸需要的能量,似乎與傳輸距離成正比。CPU和傳感器只傳幾毫米,而無線電的傳送距離以米為單位,就要貴得多。

    傳感器的數據都去哪了

    傳感器能獲取的數據,比人們能用到的數據,多得多。皮特曾經和從事微型衛星拍攝的攻城獅聊過。他們基本上用手機相機來拍高清視頻。但問題是,衛星的數據存儲量很小,傳輸帶寬也很有限,從地球上每小時只能下載到一點點數據。就算不涉及到地外事務,地球上的很多傳感器也會遇到這樣的尷尬。

    一個很有趣的栗子,來自皮特的一個好基友,每到12月,他家上網流量就會用到爆炸。后來,他發現是那些給圣誕節掛的彩燈,影響了視頻下載的壓縮比例,多下載了很多幀。

    跟深度學習有什么關系

    如果上面這些聽上去有點道理,那么就有一大片市場等待技術來挖掘。我們需要的是,能夠在單片機上運轉的,不需要很多電量的,依賴計算不依賴無線電,并且可以把那些本來要浪費掉的傳感器數據利用起來的。這也是機器學習,特別是深度學習,需要跨越的鴻溝。

    天作之合

    深度學習就是上面所說的,計算密集型,可以在現有的MCU上運行得很舒服。這很重要,因為很多其他的應用,都受到了“能在多短的時間里獲得大量的儲存空間”這樣的限制。

    AI芯片存在嗎?AI芯片是原嵌入式處理器的升級版嗎?

    相比之下,神經網絡大部分的時間,都是用來把那些很大很大的矩陣乘到一起,翻來覆去用相同的數字,只是組合方式不同了。這樣的運算,當然比從DRAM里讀取大量的數值,要低碳得多。需要的數據沒那么多的話,就可以用SRAM這樣低功耗的設備來存儲。如此說來,深度學習最適合MCU了,尤其是在8位元計算可以代替浮點運算的時候。

    深度學習很低碳

    皮特花了很多時間,來考慮每次運算需要多少皮焦耳。比如,MobileNetV2的圖像分類網絡,的最簡單的結構,大約要用2,200萬次運算。如果,每次運算要5皮焦,每秒鐘一幀的話,這個網絡的功率就是110微瓦,用紐扣電池也能堅持近一年。

    對傳感器也友好

    最近幾年,人們用神經網絡來處理噪音信號,比如圖像、音頻、加速度計的數據等等。

    AI芯片存在嗎?AI芯片是原嵌入式處理器的升級版嗎?

    如果可以在MCU上運行神經網絡,那么更大量的傳感器數據就可以得到處理,而不是浪費。那時,不管是語音交互,還是圖像識別功能,都會變得更加輕便。雖然,這還只是個理想。

    恭喜你已經閱讀完了本文,AI芯片存在嗎?AI芯片是原嵌入式處理器的升級版嗎?此刻你能回答這個問題嗎?你有其他的想法嗎?歡迎你來達內嵌入式培訓機構進行探討交流!

    免責聲明:內容和圖片源自網絡,版權歸原作者所有,如有侵犯您的原創版權請告知,我們將盡快刪除相關內容。

    預約申請免費試聽課

    填寫下面表單即可預約申請免費試聽!怕錢不夠?可就業掙錢后再付學費! 怕學不會?助教全程陪讀,隨時解惑!擔心就業?一地學習,可全國推薦就業!

    上一篇:四個月零基礎學習嵌入式,達內助力你成功!
    下一篇:怎么自學嵌入式?如何快速學習嵌入式?來聽老司機帶給你的分享

    什么是嵌入式?嵌入式的三重境界是什么?

    嵌入式開發與單片機哪個更難?聽聽高手怎么說!

    有哪些編碼習慣有利于我們寫出漂亮的嵌入式C代碼?

    嵌入式硬件設計中需要注意什么?

    • 掃碼領取資料

      回復關鍵字:視頻資料

      免費領取 達內課程視頻學習資料

    • 視頻學習QQ群

      添加QQ群:1143617948

      免費領取達內課程視頻學習資料

    Copyright ? 2021 Tedu.cn All Rights Reserved 京ICP備08000853號-56 京公網安備 11010802029508號 達內時代科技集團有限公司 版權所有

    選擇城市和中心
    黑龍江省

    吉林省

    河北省

    湖南省

    貴州省

    云南省

    廣西省

    海南省

    黄色一级全祼,欧美一级aa片,一级毛卡片,一级特黄大片,三级片视频 百度 好搜 搜狗
    <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <文本链> <文本链> <文本链> <文本链> <文本链> <文本链>