隨著5G的落地，物聯網的成本效益顯現，工業數字化、城市智慧化等演進趨勢日益明顯，越來越多的企業和城市開始在物聯網創新中加入數字孿生這種顛覆性的概念，來提高生產力和生產效率、降低成本，加速新型智慧城市的建設。值得一提的是，數字孿生技術已被寫進國家“十四五”規劃，為數字孿生城市建設提供國家戰略指引。
關于數字孿生，我們可以舉個例子，前幾年亞馬遜和京東推過的無人零售概念型實體店，將線下零售店變成了線上淘寶店，人們去店里購物前只需打開APP，在設置中完成刷臉登錄，臉部認證成功后，在刷臉開門時即可自動關聯賬戶，購物后不用排隊手動結賬，只靠刷臉即可離開。看似無人管理，但背后卻是人工智能的全程跟蹤，消費者的一舉一動都被攝像頭捕捉了下來，比如你把什么商品拿起來看了又看，意味著你對這個商品很有興趣，但是出于某種顧慮又沒買，最終買了另外的商品，這樣的數據會被抓取下來，進行深層次的分析，形成基礎數據庫，之后就可以根據你所有的購物記錄和消費習慣進行周期性的推送等。
通過這個例子，我們可以看到將物理世界數字化帶來的便利性。而視覺是人類感知世界的一個重要手段。人類進入智能社會的基礎是數字化，感知是將物理世界數字化的前提，而前端視覺感知的種類、數量和質量決定了我們這個社會智能化程度的高低。由此可見，智能化未來的基礎是“感知＋計算”，AI視覺在智能化的進程中會起到非常關鍵的作用，具備非常廣闊的應用前景。有行業分析師認為，數字孿生技術即將超越制造業，進入物聯網、人工智能和數據分析等整合領域。這也就是我們選擇了這個創業方向的原因。
而視覺芯片作為物理世界到數字孿生世界最重要的入口，正受到廣泛關注，尤其是能夠對物理世界進行80％－90％還原的AI視覺感知芯片。
那么什么是AI視覺感知芯片呢？從需求端的角度來看，AI視覺感知芯片需要具備兩大功能：一是看得清，二是看得懂，其中AI－ISP負責的就是看得清，AI－NPU負責看得懂。
事實上，從廣義上來講，在人工智能應用中能實現AI加速的芯片都可以被稱為AI芯片，而其中用來提高AI算法運行效率的模塊往往被稱為NPU（神經網絡處理器）。目前，使用NPU加速的AI視覺芯片已被廣泛地應用于大數據、智能駕駛和圖像處理領域。
根據IDC發布的最新數據顯示，2021年加速服務器市場規模達到53．9億美元，同比增長68．6％。其中，GPU服務器以90％的市場份額占據主導地位，ASIC和FPGA等非GPU加速服務器以43．8％的增速占有了11．6％的市場份額，達到6．3億美元。這意味著神經網絡處理器NPU的應用已走出早期試點階段，正成為人工智能業務中的關鍵需求。所以，今天我們就來聊聊負責“看得更清”以及“看得懂”的AI－NPU。
為什么會說看得更清和AI－NPU也有關系呢？從人們直觀感受的角度出發，“看得清”很好理解，比如在夜間我們想要把東西看得比較清楚，但傳統攝像頭拍攝出的圖片往往會出現過曝、色彩細節被淹沒的現象，同時走動的人和遠處的建筑物周圍會布滿噪點。那么，在類似這種情況下，如何才能更好地實現“看得清”呢？事實上，視覺芯片要“看得清”離不開的正是AI－NPU大算力的支撐。
以智慧城市為例，我們已經使用500萬像素的攝像頭在做智能分析。傳統的視頻畫質的改善使用的是傳統的ISP技術，在暗光的場景下，會有大量的噪聲，使用AI－ISP可以解決此問題，在暗光場景下依然可以給出清晰的畫面，但是使用AI－ISP的技術，就必須用AI算法全分辨率、全幀率地對視頻進行處理，而不能采用投機取巧的縮小分辨率或者跳幀的方式進行，因為人眼對于畫質的閃爍非常敏感。而500萬像素的視頻碼流，要做到全分辨率、全幀率的處理，就會對NPU的算力提出非常高的要求。
在智能分析的場景中，比如車輛檢測和車牌識別的應用，目前常見的是采用500萬的攝像頭來錄制30fps幀率的視頻，然后每3／5幀做一次檢測，在做檢測的時候分辨率降到720P的方法，對于在視頻畫面中遠處的車牌就會識別不出來，對于高速行駛的車輛就可能會漏檢，解決方法也是盡量采用全分辨率、更高幀率檢測的方式進行處理，而這種做法對NPU的算力同樣提出了非常高的要求。
此外，如同前面提到的，除了看得清之外，我們還需要看得懂，所謂看得懂就是要做智能分析，要做智能分析也需要AI－NPU大算力的支撐，我們可以從兩個角度來看這個問題。
首先，我們知道AI本身是一個提高效率的工具，它最終還是要落入到場景里面去，這也就是早期的AI＋和最近的＋AI的概念。那么，當AI落到行業里面去時，它能做些什么事情呢？事實上，AI能做的事情很多，比如可以把一些行業的專家系統用神經網絡的方式做一些替代，這就相當于我們要把這樣一個“專家”裝到我們的AI芯片里，這個專家系統要足夠聰明，對應的就是一個比較聰明或者比較大的網絡，網絡比較大就相當于腦容量比較大，它能夠維持存儲更多的權重值，這就會對NPU算力提出很高的要求。
其次，從部署的角度來看，目前我們模型的訓練大都是在大算力的Server上跑出來的，而部署是在算力有限的端側設備上，只有將模型或算法的計算量降到端側能跑起來的程度，才能在應用側更好的落地。因此需要模型壓縮的過程，而模型壓縮對技術人員的技術要求很高。如果我們端側的算力比較高，其實這個過程是可以縮短的。這類似于做嵌入式軟件開發的過程，早期受限于算力瓶頸，為了能夠跑更多的功能，我們需要非常認真地來壓榨硬件的性能，所以用匯編來寫程序，但如果算力比較高，我們就可以用C語言來做開發。換言之，用一部分算力來換取開發效率的提升、AI落地的加速是可行的，但這種做法又反過來提高了對NPU算力的要求。
以上，我們分析了AI視覺感知芯片公司為什么要開發高性能大算力NPU的驅動力，但要真正實現大算力的芯片開發難度是非常大的。
眾所周知，算力是NPU性能的重要指標，然而很多早期AI芯片的算力其實是標稱值，真正使用時并不能達到標稱的性能。比如號稱1T的算力，結果實際跑下來發現只能用到200G或者是3～400G的水平。所以，大家現在使用更加實用的FPS／W或FPS／＄作為衡量先進算法在計算平臺上運行效率的評價指標。
在自動駕駛領域，2017年特斯拉發布FSD芯片時，馬斯克用FSD和此前在特斯拉上應用的英偉達DrivePX2相比，表示：“從算力的角度來看，FSD是DrivePX2的3倍，但在執行自動駕駛任務時，其FPS是后者的21倍。”
在AI視覺芯片領域，愛芯元智發布的第一款高性能、低功耗的人工智能視覺處理器芯片AX630A，在公開數據集下的不同神經網絡運行速度對比，每秒處理幀數分別為3116和1356，遠超其他同類芯片產品，且功耗僅約3W。
到底是什么拉開了這些NPU利用率的差距？這背后其實是內存墻和功耗墻的問題。所謂內存墻就是當我們通過堆MAC單元來拉高算力指標的同時，數據帶寬一定要跟上，否則數據供應能力不足，就會帶來MAC單元不斷等待數據的現象，處理性能就會下降。而功耗墻的問題主要來自兩個方面：MAC單元和DDR。當我們通過堆MAC單元來拉高算力指標時，MAC單元本身的耗電總量會提升，同時還需要高帶寬的支撐，在服務器側可以使用比較貴的HBM，如此一來DDR所需的功耗勢必會拉升上去，而在端側，出于成本的考量，還沒有特別好的DDR方案。
為了解決阻礙AI落地的內存墻和功耗墻這兩個共性問題，業界常用的方法有兩種，一種是存算一體，但會受到工藝節點瓶頸的限制，距離量產還有一定的距離；另外一種是減少數據搬運。愛芯元智就是通過混合精度技術減少了數據搬運，從而在一定程度上減小了內存墻和功耗墻的阻礙，提高了整個NPU的效率。
那么，混合精度是如何減少數據搬運的呢？首先我們要明確混合精度的概念——混合精度就是將不同精度的浮點數／定點進行數值計算。
圖｜神經網絡示意圖（簡化版）
如上圖所示，其每一數列被稱為一個layer層，最左邊的是輸入層，最右邊的是輸出層，中間的部分是隱藏層。圖中的每個圓圈代表一個神經元，每一個神經元上都有很多鏈接，鏈接上的數字是權重，它是參與計算的重要組成。如果權重是小數的話，則代表著其為浮點數。
在整個神經網絡中，權重系數比較復雜，傳統NPU的數據表示格式一般是8比特、16比特和浮點數，才能達到AI算法的精度，所以運算量繁重。但愛芯元智發現，在實際應用中，AI網絡中有的信息是有冗余的，這意味著并不是所有的計算都需要高精度的浮點或是高精度的16比特，而是采用8比特或者4比特等低精度混合運算就足夠了。
在愛芯元智的AI－ISP應用中，就是基于混合精度技術，網絡中許多中間層都是采用INT4精度。相比原來的8比特網絡，數據搬運量可能就變成原來的1／2，計算量縮減為1／4。由此便可以提升NPU的使用率和效率，在單位面積內提供數倍于傳統NPU的等效算力，同時還能把成本和功耗降下來，更有利于端側和邊緣側AI落地。
當然，在AI落地的過程中，除了要解決內存墻和功耗墻問題以外，還需要考慮算法和硬件的結合問題。尤其是在端側和邊緣側，芯片天生就和場景有一種弱耦合的關系，所以愛芯元智在設計AI視覺芯片時，采用了從應用到算法再到NPU的聯合優化設計。
具體來講，在傳統的AI方案中，算法和硬件通常是相互獨立的兩部分。但愛芯元智的算法團隊會在NPU設計早期就將算法網絡的結構、量化需求／算子需求、內存訪問的需求等很多詳細信息提供給NPU設計的架構師，硬件架構師可以根據這些算法的需求來調整或優化整個NPU的設計，從而使算法跑起來的效率達到優化后的水平。與此同時，硬件工程師也會把算子硬件加速條件，例如數據流優化、存儲優化、量化限制等硬件限制提供給算法工程師，如此算法工程師在設計算法時，可以考慮到硬件限制，從算法的角度來規避一些硬件上的短板。兩者結合，便可以兼顧NPU的硬件和軟件開發，加快AI開發的落地效率。
基于以上優勢與積累，愛芯元智先后推出了AX630A、AX620A、AX620U、AX170A兩代四顆端側、邊緣側AI視覺感知芯片。其中，AX170A針對手機應用場景，可對4K30fps的影像進行實時畫質優化，配合主控芯片可實現超級夜景視頻和優秀的暗光拍攝功能，實現夜晚低照度下高清影像的細膩呈現；AX620A針對智慧城市、智能家居等應用，不僅能實現暗光環境下優異的畫質效果，同時還能兼顧約1W的低功耗優越性能，滿足電池應用方案的功耗需求，兼顧IoT、智能運動相機、手機等應用場景；AX630A針對智慧城市、智慧交通等密集場景，以強大的暗光圖像視頻處理能力和20路1080p30fps的解碼能力，能將高畫質、全智能、全感知和實時分析的能力優勢發揮到極致，可輕松滿足客戶“全天候”和“看得清”的核心訴求。
愛芯元智深知垂直化生態是AI芯片的歸途，所以在提供芯片的同時，還提供demo板等開發套件、開源軟件包，降低用戶的開發難度，縮短用戶的開發周期。
而從用戶的角度來講，采用第三方的NPU芯片除了能夠降低自身研發難度，獲得充足的有效AI計算能力以外，還能降低開發成本，這是AI－NPU使用量越大越好用的優勢。
就像愛芯元智創始人兼CEO仇肖莘博士曾在2021世界人工智能大會上所說的：“希望盡我們的一些努力，能夠為世界的數字化和智能化新基建，提供更多在邊緣側和端側的支持，給社會帶來更多深刻的變化。”
