AI大佬们的2020年！谷歌推深度强化学习、Arm强化开放生态……

日前,由安创加速器(Arm Accelerator)联手 Arm中国、Arm人工智能生态联盟共同举办的“2019全球人工智能创芯峰会”在合肥举行。会议当天，合肥高新区管委会与18家落地企业签约。合肥高新区管委会副主任吕长富表示：“合肥高新区始终把集成电路、ADS7824PB人工智能作为首位产业进行发展，将围绕国家集成电路战略发展，通过集体招引重大项目，培育龙头企业等举措，不断完善产业链，培育产业集群，为合肥市打造世界级产业基地再做贡献。”

本次峰会围绕“芯”为主题，邀请了国内外芯片行业权威专家、Arm生态伙伴、AI芯片领域优秀企业探讨产业变革，共同解析了行业技术发展的最新动向，以及未来AI落地的思路。

Arm中国产品研发副总裁刘澍：碎片化的市场需要软件平台来统一

AI在云端、终端的发展突飞猛进，此外，区域性服务器（例如家庭式服务器等）的发展越来越火。如何把这三个不同领域串起来，使之成为一种协同的智能？刘澍认为，未来一个非常重要的思路是：任何一个设备都可以直接链接到整个链条上进行数据处理，而不一定非要区分是在云/端/边缘或哪个阶段，数据的处理是流动的。

当5G和AI真正融合后，将给整个平台的算力分布和形态带来更多的思考。刘澍认为，首先，软硬件结合是未来计算发展的必由之路。一方面，通用计算可能无法适用于终端；另一方面，异构计算作为现在云端的主流思路，连同加速器等等，可能将成为未来非常流行的形态。

其次，如何解决软件跨不同运算模块的存在？由于今天绝大部分AI能力和深度学习算法都是在通用阶段完成的，因为通用计算可以提供很好的兼容性、软件算法和移植，这是AI发展的第一个阶段；而随着越来越多异构计算架构的出现，未来十年中，通用计算和专用计算一定是共存的，预测NPU会成为未来十年算力的主要承载者，不过即便如此，通用计算的需求还是比我们想象中更多，超过50%的计算还是会在CPU和GPU上完成。在这一趋势下，未来需要一种软件架构来进行统一，让碎片化的市场可以用统一的软件编程来实现，这样对整个业界云端互通能够达到很好的迁移效果。

此外，未来各种联网设备出现后，所有设备的安全性都会成为一个重要问题。Arm中国也会把安全性提到新的高度上，这是未来研发投入的一个重要环节，而周易平台也将支撑更高安全性的实现。

百度PaddlePaddle产品经理赵乔：深度学习平台是智能时代的操作系统

深度学习是AI领域目前最为火热的方向之一。2011年后，随着算法、框架的成熟，深度学习进入蓬勃发展期。以OCR技术为例，早期应用有很多图像预处理工作需要人工加特征处理后才便于机器进行学习，整个流程相对较长。使用深度学习方法后，就变成了检测和识别两个步骤。深度学习的优势是随着数据量的线性增长，性能也在线性增长，在大数据模型开发中，深度学习优势显著。

在整个智能时代，深度学习平台最下层是芯片，最上层连接应用。根据百度基于飞桨平台构建AI开放生态的经验，赵乔提出，随着基于深度学习框架所开发的模型越来越多，AI产业生态将以深度学习开源框架平台为核心，开发者、使用者和相关生态伙伴共同构成。它纵向串联起算法、AI能力的使用、垂直产业的演进，横向则拉动了整个高校和企业产学研的路径，在整个AI生态发展起到重要作用。

综合国内外深度学习框架现状，百度飞桨平台将持续在四方面扩大优势：开发便捷的深度学习框架、超大规模深度学习模型训练技术、多端多平台部署的高性能推理引擎、产业级的开源模型库。

谷歌全球开发专家武强：通过深度强化学习进行智能交通控制

汽车正在变得越来越越智能，但智能控制仍是智能交通中的薄弱环节，武强认为可以通过深度强化学习改变现有的交通控制方式。例如监测路口的车流量情况，动态地改变交通灯的时长，从而改善拥堵。

把每一个路口车辆的视频采集出来，用强化学习的方式计算后传给云端进行协调，理论上可以进行路口的智能分配。但是，由于实际的路况信息非常复杂，简单的智能化并不能够应对所有的特殊情况，例如车里面有没有急诊病患需要马上送医院，是否能够识别并且优先公交车、出租车等鼓励绿色出行等等。需要深度强化学习+边缘计算+多智能体的方式才能实现。

什么是深度强化学习？简言之是智能体与环境不断交互的过程中，根据奖励的机制不断调整自身的状态，将这个强化学习的过程通过深度神经网络来实现，即强化学习+深度学习。但交通不是单个路口的行为，而是多个路口的多智能体的综合，因此就需要边缘计算，将多个智能体联合起来。如果每个路口就有一个交警，多智能体就相当于给每个交警都配备一部对讲机进行通信，这就是多智能体的联合深度学习算法。

未来，在智能交通控制方面，武强透露重点会是现实数据，他们采集了很多交通路口的实时视频做交通流量预测，因为只有真实的流量才可以用相应算法进行模拟和调试，之后再用多智能体深度强化学习进行研究。

珠海全志科技人工智能首席专家林建文：解决人工智能SoC异构计算挑战

林建文认为，目前在AI异构计算形态中主要存在三大挑战：一是编程语言落到计算单元需要一道中间表示层；二是端侧应用中，算子在计算单元的分配；三是系统间带宽的消耗、数据格式不兼容的问题。

前两个挑战比较现实的改善途径是由SoC厂商去把自己底层的算力做统一的抽象，中间表示层就不需要太多去考虑底层，中间框架只需要进行算子的融合与调配，这样才能实现最高的效率。

第三个挑战则需要解决SoC中交互的问题，假如SoC内部有数据格式转化的机制，能够很好地通过中间框架反馈，知道下一步要运行什么算子、会落在哪个SoC的计算单元中，都可以做提前的预设。这种方式能够屏蔽底层硬件差异，让开发者专注在模型的开发。

林建文表示，人工智能是百行百业的时代特征，每一个行业，包括它的产业链都有自己的独特性。全志科技关注和国际主流对接的大框架，支持大生态，同时也希望构建基于行业的人工智能的小生态，在重点发展端侧SoC的同时也会兼顾边缘端。

科大讯飞智能硬件生态总监张良春：分布式混合架构会广泛应用

AI的广泛落地2019年起已经开始，全新的智能物联网时代将来临。张良春表示，芯片设计随着时代变化也将迎来小的爆发式增长。AI计算架构目前主要面临三大挑战：第一是实时性，第二是可靠性，第三是用户隐私。未来，分布式混合架构会得到广泛应用，不论是人脸、语音还是其他图像等，在本地端进行数据收集及AI计算，会更可靠、稳定、实时、安全。这就需要本地有大量的端侧芯片，将处理过的数据进行脱敏送入云端，云端则主要进行数据挖掘、趋势预测、群体行为等分析，以及未来本地端模型的迭代替换。

分布式混合架构对本地AI芯片提出了更高的要求，第一是高性能，因为要处理大量的数据，第二是低功耗，第三个是可联网，此外需要软硬件的深度融合。面向这些趋势，张良春表示，讯飞开放平台已将267项AI能力全部开放出来，为生态伙伴提供10万亿次AI服务。未来，也希望为AI芯片厂商提供强有力的支撑，共享生态红利。

旷视科技产品市场总经理沈瑄：交互、运算、网络是AI未来三大落脚点

旷视从一家计算机视觉领域的AI算法公司演进为软硬件兼顾，为了更好地在芯片级做算法匹配，开始进行芯片研发。2017年，旷视进入手机市场，目前已覆盖大约75%的安卓手机进行人脸识别、拍照功能优化等。

据沈瑄介绍，旷视最核心的技术是brain++，基于这一核心在云、边、端有三种神经网络，分别是ResNet、DorefaNet、ShuffleNet。两大核心算法主要面向人脸识别和机器人，所针对的三大核心领域包括：个人消费IoT终端、城市大脑、以及供应链IoT。

沈瑄表示，明年手机市场主要亮点：一是5G，二是光学。据预测明年国内会有1.5亿部5G手机上市，甚至5G手机价格会下降到1500元人民币左右，5G一定是明年的主战场。光学方面，多摄已经成为趋势，另外一个显著趋势就是传感器未来会和屏进行结合。所有的一线芯片未来都会加入AI，AI会更多向传感器、摄像头等方向扩展。交互、运算、网络，会是AI未来三大落脚点。

引力互联创始人兼CEO夏东明：2020年AI边缘计算迎来井喷

随着5G来临，更快的网络速度、更低的网络延时，哪些运算需要在终端进行？AI的边缘计算会有哪些创新与变革？

夏东明表示，市场上存在大量的边缘计算芯片的需求，例如受限于成本很难用云计算实现的，以及需要实时运算、识别的场景。还有就是出于安全考虑、时效要求等，需要终端在短时间内快速进行判断和决策，都需要边缘计算芯片的算力。在这方面，很多公司已经进行了大量的实践，2020年，AI边缘计算将迎来井喷式发展。

目前，AI开发仍然存在一定的门槛，夏东明认为主要存在三大痛点：不专属，缺少针对 AI 技术学习及软硬件开发的开源环境；价格昂贵，硬件成本高，能够满足普通编程及开发需求的电脑，动辄4k+；可拓展性小，外设接口相对单一，很难满足连接外部设备的需求。

为了降低AI开发门槛，加速开发过程，引力互联在会上正式发布“钛灵 AIX”，这是一款集计算机视觉与智能语音交互两大核心功能为一体的人工智能硬件，搭载 Intel 专业级 AI 加速运算芯片与多种传感技术，搭配Model Play人工智能模型共享平台，在许多场景应用及AI模型下载即用。开发者可以将 AI 模型移植到程序中开发应用，这一环节需要掌握的知识量较少，缩短了开发周期。

耐能技术总监陈云刚：打造未来的终端AI网络

受越来越多采用云端AI服务和联网设备的推动，全球AI市场正在快速增长。AI芯片势头强劲，其中，推理市场大于训练市场，推理计算更多在终端而非云端实现。到2023年，终端推理芯片市场规模将超过600亿美元，复合年增长率为31%。

如何在AI芯片市场生存并取得成功？陈云刚认为，首先公司要有精准的定位；其次要以客户为中心；第三，需要有竞争力的、具备性价比优势的产品。

耐能专注于超高效NPU和轻量级CNN算法，希望以AI赋能终端设备，建立未来的终端AI网络。这一网络将主要具备四大特征：去中心化、算力共享、多个输入、主动智能。

陈云刚表示，智能物联网1.0时代是蜂窝网络，设备连到服务器，通过智能手机APP来控制；2.0现在比较主流，智能化程度较高；3.0时代，智能设备可在本地实时做推理，相互之间可以协作，比如用现存网络的服务器去控制各个设备，通过去除中心化，达到算力共享。

知存科技CEO王绍迪：存算一体芯片解决AI落地瓶颈

以深度学习为代表的AI算法需要频繁地进行数据存取，低功耗和高性能之间的矛盾一直是端侧AI芯片落地的难题。在常规的AI计算中，首先要把神经网络存储在ROM中，运算时再通过RAM进行缓存，然后进行运算。而存算一体相当于直接用ROM单元，把需要的神经网络、所有参数都存储在ROM单元当中。这样只需要把被处理的语音/图像存储到神经网络中，存储单元可以运算乘加法，存储密度和效率带来数量级的提升，进而降低整体系统成本。

王绍迪认为，存算一体技术能够解决常规AI计算中频繁进行数据存取的难题，基于Flash的模拟存算一体技术是AI加速领域发展最快、最接近产业化落地的一个方向。

知存科技最新发布的MemCore001/MemCore001P两款智能语音芯片，基于高精度Flash模拟存算一体技术开发完成，支持智能语音识别、语音降噪、声纹识别等多种智能语音应用。芯片运行功耗小于300uA，待机功耗小于10uA。在几百微安电流下即可运行主流深度学习算法，同时实现单麦或双麦降噪和无单独唤醒的One-shot识别，适用于电池供电的小型智能设备、可穿戴设备和有源供电的智能家电、智能控制等应用。

西井科技产品总监张烁：自动驾驶落地必须与场景结合

西井科技致力于推进AI在工业和物流领域的落地，港口是其中一个场景。由于港口本身的作业工况和温湿度情况，以及这一场景中24小时的作业流程等特殊需求，导致它不是一个可以大规模普及全自动化作业的场景。目前我国只有三个港口：香港港口、青岛港口、厦门港口实现了全自动化作业。而大部分港口发展的方向是什么？张烁认为是AI驱动下的全面无人化，通过AI技术提升效率、降低成本。

西井科技从替代人工采集数据、录入系统的工作开始，目前通过AI识别可以完成98%以上原来需要人工作业的工作，包括闸口升级改造、自动对位、自动吊装、锁孔识别、远程自动作业等等。切入港口场景，西井设计了无人驾驶集装箱卡车。为什么选择港口落地自动驾驶技术？有哪些易与难？

张烁表示，相对复杂的交通道路，码头场景封闭、路线固定、目标物体较少，通常为低速行驶。但是，挑战在于其作业精度要求厘米级别，且环境高度变化，通常需要多车高效协同作业，还有金属信号干扰定位。要实现在这一场景的自动驾驶，需要系统级的解决方案，包括：车辆管理调度系统、生产效率协作系统、车辆仿真平台、无线通信传输技术、智能驾驶感知决策控制、车辆线控技术、无线远程控制技术等。

为了实现这些，西井从底层的AI芯片和算法开始打造，直到智慧大脑，针对客户场景提供了完整的、垂直化的解决方案。张烁表示，未来十年，AI的发展一定是突飞猛进的进程，但是在自动驾驶方面，其落地必须依托于和具体场景的结合。

安创加速器副总裁英语霏：AI时代，成功的加速器能发挥哪些作用？

安创加速器作为Arm全球唯一的加速器，聚焦于硬科技特别是芯片在人工智能和物联网领域的创新，希望借助产业资源优势，以及Arm在全球的生态系统优势，帮助创新技术实现更快的产业化落地。目前安创加速器已经走过了四年，主要专注于从天使轮到A轮的技术驱动型创新项目。

英语霏表示，安创加速器最核心的部分是打造产业闭环，包括基础的核心芯片、传感器、算法等，人工智能、物联网核心模块作为平台层，再向上形成垂直领域的应用层。安创加速器目前共加速了7期企业，总共项目数量115个；其中有6个项目是独角兽企业，估值平均增长8倍；38个AI项目，占比33%；芯片相关项目有24个，其中AI芯片项目13个。

安创加速器注重自身的能力建设，依托人工智能和物联网行业的战略资源库，目前已与众多的企业达成合作，如投资机构、大企业和政府园区，将通过这些资源与Arm生态本身的一些资源形成联动和互补。在合作方面，安创希望打造一个产业闭环平台，链接创新创业企业与行业标杆大企业，推动创新技术落地。