AI芯片

AI芯片发展分为三个阶段

  地平线创始人余凯，多次谈过AI芯片行情，他把AI芯片发展分为三个阶段：
  1）第一阶段，GPU+CPU / CPU+FPGA，实现半定制的AI芯片，这是当前AI尚未成规模、深度学习算法暂未稳定时期的最佳选择；
  2）第二阶段，ASIC，全定制方案，性能、功耗和面积成本等都能做到最优，是中短期AI芯片的发展方向；
  3）第三阶段，类脑芯片，希望加速深度学习同时，开发出类脑计算机体系结构，能带来计算体系革命，但现在挑战很大，成熟度有限。

  旷视Face++创始人告诉量子位：AI是场持久战，但第一阶段将在2018年年初结束。如今来看，“结束”的表现可能不在于“终结”，而在于各自分头追逐新目标。

“算法+芯片+应用”的产业布局

  算法在AI全产业链的重要性越来越被看弱，普遍认为两三年之后，大家的算法差异很小；同样，芯片对产业链来讲，也将不会是非常重要的一环。
  但是，“算法+芯片”叠加在一起，将会对产品的落地及性能至关重要。所以，很多算法公司纷纷向上游发展，或自研或联盟芯片厂商，以图在AI早期的扩张过程中占领先机。
  目前看，能够提供芯片、算法及应用的厂商寥寥，但是基于算法向芯片扩展，或者基于算法向产品及解决方案扩展的是大趋势。

  CV时代，算法及芯片公司纷纷进行全产业链布局，与几年前安防发展路径有雷同：算法公司发力芯片，芯片公司打通算法，如深鉴科技的DPU 芯片（FPGA）、寒武纪的AI 服务器芯片（ASIC）等，依图、商汤也凭借自身的技术积累向下游芯片环节延伸，云天励飞正在做“芯片、算法、数据、应用、场景”全产业链布局。

现有的AI硬件产品

  机器人视觉/机器视觉（独立领域）和物联网的潜在目标市场不断壮大。我们个人最喜欢的是一个日本的农民的孩子使用深度学习，树莓派和TensorFlow对黄瓜形状，大小和颜色进行分类。这使他的母亲分拣黄瓜所花的人力时间大大减少。

  计算需求的缩减和移动到移动的趋势是显而易见的，但是它也是通过硬件加速来实现的。很快我们会看到口袋大小的CNN和视觉处理单元（VPUs）到处都是。例如，Movidius Myriad2被谷歌的Project Tango和无人机所使用。

  Movidius Fathom 也使用了Myriad2的技术，允许用户将SOTA计算机视觉性能添加到消费类设备中。具有USB棒的物理特性的Fathom棒将神经网络的能力带到几乎任何设备：一根棒上的大脑。
  2018年11月，推出第二代神经棒。

  传感器和系统使用可见光以外的东西。例子包括雷达，热像仪，高光谱成像，声纳，磁共振成像等。

  Hololens和近乎无数的其他增强现实头盔进入市场。

  Google的Project Tango 代表了SLAM的下一个大型商业化领域。
  Tango是一个增强现实计算平台，包含新颖的软件和硬件。Tango允许在不使用GPS或其他外部信息的情况下检测移动设备相对于世界的位置，同时以3D形式绘制设备周围的区域。
  Google合作伙伴联想于2016年推出了价格适中的Tango手机，允许数百名开发人员开始为该平台创建应用程序。 Tango采用以下软件技术：运动跟踪，区域学习和深度感知。

2018年7月资讯

  Ignatov 称，高通芯片可以加速那些并不兼容所有安卓版本的量化或压缩神经网络。不使用高通骁龙软件开发的典型网络无法利用其 Hexagon DSP AI 加速芯片，尽管 Ignatov 注意到如果实现「恰当驱动」，此类网络可以从中受益。
  「如果你正在研发一款使用 AI 能力的 app，那么你在骁龙 SoC 上无法获得任何加速，除非你研发的 app 只为骁龙处理器服务。」Ignatov 称。
  另一方面，华为的麒麟芯片性能强大——可以提供近 10 倍的神经网络加速，但是这与量化的神经网络并不兼容。华为称今年麒麟芯片将支持量化神经网络。（Ignatov 注意到华为 P20 和 P20 Pro 是市面上唯一运行 Android 8.1 Oreo 为应用程序提供人工智能加速的手机。）

  谷歌博客推送了他们的物联网软硬件新设备——Edge TPU硬件芯片，还有Cloud IoT Edge，将谷歌云AI功能扩展到网关和联网设备的软件堆栈。
  Edge，也就是边缘设备，包含了连接到网络终端的各种各样的电子设备，比如网关、摄像头都属于这一类。通过新推出的两种产品，用户可以在云上构建和训练机器学习模型，通过Edge TPU硬件加速器的功能在Cloud IoT Edge所连接的设备上运行这些模型。