芯片是“硬”的，算法是“軟”的，如何能將兩者更好的結(jié)合起來，這就需要加強芯片對底層運算加速算法的適應(yīng)性。

一、AI芯片的數(shù)據(jù)存儲問題及瓶頸

在提高AI安防芯片性能，加強算力的同時，芯片中關(guān)鍵的其實并不是單純提升算力，如果不進行存儲優(yōu)化，那么芯片實際提供的計算力會大大降低。這也是制約AI安防芯片規(guī)模化應(yīng)用的問題之一。要突破AI芯片的瓶頸，并不能只是簡單的增加計算算力，而是一定要把數(shù)據(jù)存儲管理做好。

傳統(tǒng)芯片中，采用的是馮·諾伊曼架構(gòu)，計算模塊和存儲單元是分開的，“內(nèi)存墻”問題很嚴重。而AI依賴的算法是一個龐大和復(fù)雜的網(wǎng)絡(luò)，有很多參數(shù)要存儲，也需要完成大量的計算，需要巨大存儲容量，高帶寬、低延時的訪存能力。很多AI初創(chuàng)芯片公司，實際上都在努力解決這個問題。

而我們的思考是，不能采取通常的先有計算指令然后提供數(shù)據(jù)的方式，應(yīng)該從存儲子系統(tǒng)的優(yōu)化入手，讓數(shù)據(jù)在存儲之間的搬移過程之中完成計算。

這也可以叫做“基于memory的計算”，而不是“基于計算的memory”。

當(dāng)前芯片領(lǐng)域?qū)τ贏I算法的關(guān)注還較多，針對AI的結(jié)構(gòu)改進嘗試還比較少。之后，memory與computing結(jié)合的嘗試，我相信會是一個好的方向。

二、安防芯片同質(zhì)化問題嚴重

對于AI安防芯片來說，“芯片+算法”的整合是重要的。而對于具體一款芯片，主要的指標應(yīng)該是價格和穩(wěn)定性。芯片是“硬”的，算法是“軟”的，如何能將兩者更好的結(jié)合起來，這就需要加強芯片對底層運算加速算法的適應(yīng)性?，F(xiàn)有芯片的問題，從技術(shù)角度來說，對前端的AI芯片算力的要求，對存儲問題的解決，都很重要，都需要靠算法和芯片架構(gòu)一起來改善，比如說現(xiàn)在的算法就還比較耗帶寬。再具體應(yīng)用上，AI安防芯片在安防攝像頭中作為協(xié)處理器，目前已經(jīng)被主控芯片集成了，所以單純提供AI加速器并不占優(yōu)勢。而開發(fā)編解碼能力、加密及AI能力三合一的芯片，為攝像頭提供安全加密則是重點所在。這也是安防相對于其他芯片廠商不同的一點。從行業(yè)角度來說，現(xiàn)有AI芯片在安防行業(yè)應(yīng)用落地上的主要問題，其實是同質(zhì)化。很多AI芯片廠商產(chǎn)出的芯片并沒有太大差別，一方面很多芯片達不到現(xiàn)有安防行業(yè)對前端AI芯片的要求，一方面又容易陷入芯片同質(zhì)化競爭?，F(xiàn)在的安防芯片格局下，其實已經(jīng)存在壟斷的生態(tài)，有大的行業(yè)玩家存在，那么做AI安防芯片如何找到自己的價值點，并做到差異化還是很難的。

三、芯片成本問題有待突破

在智能安防監(jiān)控領(lǐng)域，芯片是硬件設(shè)備中成本占比較高的零組件之一，也是安防視頻監(jiān)控設(shè)備的核心部件，通過前端攝像機內(nèi)置人工智能芯片，可實時分析視頻內(nèi)容，檢測對象，識別人、車屬性信息，并通過網(wǎng)絡(luò)傳遞到后端人工智能的中心數(shù)據(jù)庫進行存儲。

目前，安防視頻設(shè)備中所需要的處理器芯片主要包括網(wǎng)絡(luò)攝像機中的SoC芯片、后端DVR/NVR中的SoC芯片以及深度學(xué)習(xí)算法、加速器芯片以及前端模擬攝像機中的ISP芯片四種類型。目前，高性能的深度學(xué)習(xí)算法加速器芯片仍由國外芯片廠商提供，但其余三類處理器芯片已實現(xiàn)了較大程度的國產(chǎn)化替代。安防領(lǐng)域主流的深度學(xué)習(xí)芯片方案是GPU，但GPU存在成本、效率、功耗等瓶頸。

當(dāng)前在安防智能化進程中，算法層面已經(jīng)接近成熟，而在芯片成本上還存在一些問題。為了實現(xiàn)智能化的功能（即運行深度學(xué)習(xí)算法），安防監(jiān)控系統(tǒng)的前端和后端設(shè)備中需要加入英偉達或是英特爾等國際大廠所設(shè)計的GPU、FPGA或者ASIC加速芯片，與原有的承擔(dān)圖像處理和編解碼功能的主處理器芯片一起構(gòu)成雙芯片方案，而采用這些芯片一般要為安防監(jiān)控設(shè)備新增高額成本（2017年僅前端攝像機中采用的AI加速器芯片的成本就高達上百美元），因此導(dǎo)致智能化設(shè)備的成本普遍偏高，在很大程度上影響了智能化的大面積應(yīng)用。

四、AI芯片的易用性有待提升

現(xiàn)在的安防市場上，已經(jīng)出現(xiàn)了很多前端的AI加速器，但實際它們在應(yīng)用上，還存在一些問題。

第一是價格太高。第二是可編程性不足。原先的通用芯片CPU很容易能實現(xiàn)編程，但AI加速模塊中并沒有指令集，無法編程，需要手工去調(diào)整。

在安防領(lǐng)域也是一樣，廠商普遍反映的，不是AI芯片的性能，而是無論AI初創(chuàng)企業(yè)，還是傳統(tǒng)大廠設(shè)計的加速器都很復(fù)雜，AI加速器很難被用起來。

一般來說，通用芯片難以負荷對計算的高要求，AI專用芯片則在可編程性、靈活性上有所欠缺。目前應(yīng)用較多的集成度高的Soc，將不同計算架構(gòu)芯片集成在一起，需要多套編程程序，運行就容易帶來問題。這也是安防芯片廠商們，尤其是在安防前端應(yīng)用上面臨的難題。

而業(yè)內(nèi)目前看好的一種方式，就是將不同的芯片架構(gòu)結(jié)合在一起，這就是“異構(gòu)計算”。

異構(gòu)計算的長處在于，能實現(xiàn)比較好的適應(yīng)性和靈活性，在通用性和專用性上達成一個折衷。既能高效的處理數(shù)據(jù)，又能相對保證算法的及時更新和迭代。這也是我們在探索的一個方向。

現(xiàn)在在安防、自動駕駛等這些邊緣端的市場，對芯片的綜合要求非常高。芯片需要處理的數(shù)據(jù)量很大，同時對于性能、性價比、性能功耗比要求也很高。