今日网络热点：AI芯片：驱动智能产品的大脑 落地难题亟待破解(2)

　　从2018年年底开始，人工智能芯片的“落地”被反复强调。“不论是短期还是长期目标都是落地。”牛昕宇说。由此看来，人工智能芯片2020年的主要看点仍然在于新产品迭代和落地。加速人工智能应用落地，只有以市场需求为驱动的芯片才能持续创造价值。

　　当然，人工智能应用永远需要性能更高、价格更低、功耗更低的芯片，如何能在这之上不断满足市场需求，考验着每一家人工智能芯片企业的核心技术以及对市场所需产品的洞察。

　　“芯片和计算架构在人工智能的发展中扮演着重要角色。”联盟计算架构与芯片组联席秘书长张蔚敏说。2019年起，很多AI芯片产品都在底层架构设计上注重架构创新，2020年这种趋势越发显现。核心在于市场对芯片所能提供的更高实际算力的追求，将在真实使用场景中得到验证。

　　在牛昕宇看来，安防是人工智能落地相对比较充分的领域。“今年我们将看到更多细分领域的落地场景，比如占国民生产总值近30%的制造业。包括鲲云科技在内，许多企业也在为智能制造领域的工业视觉检测提供基于深度学习的一体化算力解决方案。”

　　三大难题：破解AI芯片落地的关键

　　落地，既是今年AI芯片的看点，也是难点。“当前AI的行业应用迟迟没有大规模爆发，AI芯片创业公司依旧面临产品难以落地、研发和应用还没有很有效地衔接起来等问题。”张蔚敏认为，芯片专用化趋势越来越明显，而应用落地则成为迫切需求。

　　从研发角度来看，牛昕宇说，当前人工智能芯片主要面临三方面问题，即芯片设计的底层技术路线同质化较高，软件开发支持依然是短板，以及芯片性能测试处于起步阶段、距离形成权威统一的评测标准还需要一定的时间。

　　显然，技术路线同质化容易导致产品同质化，降低了创造独特价值的可能性。作为底层硬件芯片，不一定每个指标都需要最强，但是要找到对于市场需求独一无二的价值，解决核心问题。这就要在技术路线方面进行创新，掌握自己的核心技术，从而在芯片性能和技术支持上掌握更多主动性。

　　而芯片的使用和对算法的支持离不开软件工具。目前有一些人工智能芯片仍然缺乏可用的软件开发工具，或者软件编译工具设计复杂，用户的开发和使用门槛过高，这些都需要在落地过程中不断完善和迭代。诚如牛昕宇所说，如果不能解决这个问题，AI芯片的大规模商业落地也会遇到阻碍。

　　至于AI芯片评测标准的制定进展，牛昕宇坦言，“目前这类标准还处于项目推广的早期，各家采用的测试网络和测试标准还缺乏统一性，可能对客户的选型造成一定困难。”

　　从2019年起，国内外针对AI芯片的测评方案陆续出炉，比如由百度、谷歌、斯坦福大学、哈佛大学等联合发布的用于测量和提高机器学习软硬件性能的MLPerf国际基准、由中国人工智能产业发展联盟和国内人工智能企业合作推出的AIIA DNN benchmark项目。牛昕宇带领下的鲲云科技也在持续积极推进人工智能芯片评测的标准化。“我们同中国信通院和联盟密切合作，推动AIIA DNN benchmark项目的标准迭代，参与国家标准的制定”。