A4V125EL1

时下业界利用深度学习算法来训练卷积神经网络（CNN），以期实现智能化程度更高的移动设备，这可能需要以全新方法来设计处理器架构。但是，巧妙地充分利用现有的技术，也可帮助我们进一步走向具备真正智能认知能力的设备，并能够完全重新定义用户体验。
关键词：人工智能移动设备

　　时下业界利用深度学习算法来训练卷积神经网络（CNN），以期实现智能化程度更高的移动设备，这可能需要以全新方法来设计处理器架构。但是，巧妙地充分利用现有的技术，也可帮助我们进一步走向具备真正智能认知能力的设备，并能够完全重新定义用户体验。

　　Nvidia在三月的GPU技术大会上使用汽车和先进驾驶辅助系统（ADAS）作为应用重点，配合Elon Musk的意见和评论，希望表明自动驾驶汽车的挑战几乎已被完全克服了。另一方面，随着时间的推移，加上一些着眼于降低功耗的调整与改良，我看到无处不在的3D感知、3D跟踪，以及图像搜索等许多技术和应用正在快速进入智能手机，以及其他以电源或电池供电的嵌入式系统中。

　　结合用于侦测运动和音频信号的传感器、快速的存储器访问 ，以及高功效的数据处理方法，这些系统可以拥有真正的“认知”能力，甚至在不远的将来构成一个用于人工智能移动设备的平台。同时，重要的是优化现有的架构来实现“智能视觉”功能，比如3D深度图和感知、物体识别以及增强现实，还有一些核心的计算图像学功能，比如图像缩放、HDR、图像再对焦，以及微光图像增强。

　　随着许多图像处理与增强功能也都使用计算机视觉技术，计算机视觉和图像处理技术之间的区别正在变得越来越模糊。最直接的例子就是多帧图像增强功能，比如HDR、图像缩放与再对焦——拍摄多个连续的图像，然后将它们融合在一起，得到更高质量的画面。

　　虽然我们称之为“图像增强”，但这其实涉及大量的计算机视觉处理来“register”图像，既完成两帧或三帧画面之间的匹配。现在，用户认为这种基本功能是理所当然的，但其实它需要非常强大的处理能力，使得对于专门的、高性能的数字信号处理 （DSP）的需求将会增加。

　　高通公司（Qualcomm） 在Uplinq 2013上发布了文章，很好地描绘出用于各种不同处理功能的像素功率和时间关系。图中展示了三个处理器，包括一个在1.2 GHz下运行的单核CPU、一个四核CPU，以及一个在690 MHz下运行的DSP。