探討當(dāng)下最新AI芯片格局

AI 芯片設(shè)計(jì)是人工智能產(chǎn)業(yè)鏈的重要一環(huán)。 自 2017 年 5 月以來(lái)，各 AI 芯片廠商的新品競(jìng)相發(fā)布，經(jīng)過(guò)一年多的發(fā)展，各環(huán)節(jié)分工逐漸明顯。 AI 芯片的應(yīng)用場(chǎng)景不再局限于云端，部署于智能手機(jī)、 安防攝像頭、及自動(dòng)駕駛汽車等終端的各項(xiàng)產(chǎn)品日趨豐富。 除了追求性能提升外， AI 芯片也逐漸專注于特殊場(chǎng)景的優(yōu)化。

自 2017 年 5 月以來(lái)發(fā)布的 AI 芯片一覽

目前， 人工智能產(chǎn)業(yè)鏈中，包括提供 AI 加速核的 IP 授權(quán)商，各種 AI 芯片設(shè)計(jì)公司，以及晶圓代工企業(yè)。

? 按部署的位置來(lái)分， AI 芯片可以部署在數(shù)據(jù)中心(云端)，和手機(jī)，安防攝像頭，汽車等終端上。

? 按承擔(dān)的任務(wù)來(lái)分，可以被分為用于構(gòu)建神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練芯片，與利用神經(jīng)網(wǎng)絡(luò)模型進(jìn)行推斷的推斷芯片。 訓(xùn)練芯片注重絕對(duì)的計(jì)算能力，而推斷芯片更注重綜合指標(biāo)， 單位能耗算力、時(shí)延、成本等都要考慮。

? 訓(xùn)練芯片受算力約束，一般只在云端部署。推斷芯片按照不同應(yīng)用場(chǎng)景，分為手機(jī)邊緣推斷芯片、安防邊緣推斷芯片、自動(dòng)駕駛邊緣推斷芯片。為方便起見(jiàn)，我們也稱它們?yōu)槭謾C(jī) AI 芯片、安防 AI 芯片和汽車 AI 芯片。

? 由于 AI芯片對(duì)單位能耗算力要求較高，一般采用 14nm/12nm/10nm等先進(jìn)工藝生產(chǎn)。臺(tái)積電目前和 Nvidia、 Xilinx 等多家芯片廠商展開(kāi)合作，攻堅(jiān) 7nm AI 芯片。

AI 芯片投資地圖

AI 芯片市場(chǎng)規(guī)模： 未來(lái)五年有接近 10 倍的增長(zhǎng)， 2022 年將達(dá)到 352 億美元。根據(jù)我們對(duì)相關(guān)上市 AI 芯片公司的收入統(tǒng)計(jì)，及對(duì) AI 在各場(chǎng)景中滲透率的估算， 2017年 AI 芯片市場(chǎng)規(guī)模已達(dá)到 39.1 億美元，具體情況如下：

? 2017 年全球數(shù)據(jù)中心 AI 芯片規(guī)模合計(jì) 23.6 億美元，其中云端訓(xùn)練芯片市場(chǎng)規(guī)模 20.2億美元，云端推斷芯片 3.4 億美元。

? 2017 年全球手機(jī) AI 芯片市場(chǎng)規(guī)模 3.7 億美元。

? 2017 年全球安防攝像頭 AI 芯片市場(chǎng)規(guī)模 3.3 億美元。

? 2017 年全球自動(dòng)駕駛 AI 芯片的市場(chǎng)規(guī)模在 8.5 億美元。

AI 芯片市場(chǎng)規(guī)模及競(jìng)爭(zhēng)格局

Nvidia 在 2017 年時(shí)指出，到 2020 年，全球云端訓(xùn)練芯片的市場(chǎng)規(guī)模將達(dá)到 110 億美元，而推斷芯片(云端+邊緣) 的市場(chǎng)規(guī)模將達(dá)到 150 億美元。 Intel 在剛剛結(jié)束的 2018 DCI峰會(huì)上，也重申了數(shù)據(jù)業(yè)務(wù)驅(qū)動(dòng)硬件市場(chǎng)增長(zhǎng)的觀點(diǎn)。 Intel 將 2022 年與用于數(shù)據(jù)中心執(zhí)行 AI 加速的 FPGA 的 TAM 預(yù)測(cè)，由 70 億美元調(diào)高至 80 億美元。

而同時(shí)我們也注意到：

1)手機(jī) SoC 價(jià)格不斷上升、 AI 向中端機(jī)型滲透都將為行業(yè)創(chuàng)造更廣闊的市場(chǎng)空間。

歷代 Apple 手機(jī)芯片成本趨勢(shì)

2)安防芯片受益于現(xiàn)有設(shè)備的智能化升級(jí)，芯片需求擴(kuò)大。

自動(dòng)駕駛算力需求加速芯片升級(jí)

3)自動(dòng)駕駛方面，針對(duì)豐田公司提出的算力需求，我們看到當(dāng)下芯片算力與 L5 級(jí)自動(dòng)駕駛還有較大差距。 英飛凌公司給出了各自動(dòng)駕駛等級(jí)中的半導(dǎo)體價(jià)值預(yù)測(cè)， 可以為我們的 TAM 估算提供參考。

英飛凌對(duì)各自動(dòng)駕駛等級(jí)中半導(dǎo)體價(jià)值的預(yù)測(cè)

結(jié)合以上觀點(diǎn)，及我們對(duì) AI 在各應(yīng)用場(chǎng)景下滲透率的分析，我們預(yù)測(cè)：

? 云端訓(xùn)練芯片市場(chǎng)規(guī)模在 2022 年將達(dá)到 172 億美元， CAGR~54%。

? 云端推斷芯片市場(chǎng)規(guī)模在 2022 年將達(dá)到 72 億美元， CAGR~84%。

? 用于智能手機(jī)的邊緣推斷芯片市場(chǎng)規(guī)模 2022 年將達(dá)到 38 億美元， CAGR~59%。

? 用于安防攝像頭的邊緣推斷芯片市場(chǎng)規(guī)模 2022 年將達(dá)到 18 億美元， CAGR~41%。

? 用于自動(dòng)駕駛汽車的邊緣推斷芯片市場(chǎng)規(guī)模 2022 年將達(dá)到 52 億美元， CAGR~44%。

云端訓(xùn)練芯片： TPU 很難撼動(dòng) Nvidia GPU 的壟斷地位

訓(xùn)練是指通過(guò)大量的數(shù)據(jù)樣本，代入神經(jīng)網(wǎng)絡(luò)模型運(yùn)算并反復(fù)迭代，來(lái)獲得各神經(jīng)元“正確”權(quán)重參數(shù)的過(guò)程。 CPU 由于計(jì)算單元少，并行計(jì)算能力較弱，不適合直接執(zhí)行訓(xùn)練任務(wù)，因此訓(xùn)練一般采用“CPU+加速芯片”的異構(gòu)計(jì)算模式。目前 Nvidia 的 GPU+CUDA計(jì)算平臺(tái)是最成熟的 AI 訓(xùn)練方案，除此還有：

AI 芯片工作流程

? 第三方異構(gòu)計(jì)算平臺(tái) OpenCL + AMD GPU 或 OpenCL+Intel/Xilinx 的 FPGA。

? 云計(jì)算服務(wù)商自研加速芯片(如 Google 的 TPU) 這兩種方案。各芯片廠商基于不同方案，都推出了針對(duì)于云端訓(xùn)練的 AI 芯片。

云端訓(xùn)練芯片對(duì)比

? Google

在 GPU 之外，云端訓(xùn)練的新入競(jìng)爭(zhēng)者是 TPU。 Google 在去年正式發(fā)布了其 TPU 芯片，并在二代產(chǎn)品中開(kāi)始提供對(duì)訓(xùn)練的支持，但比較下來(lái)， GPU 仍然擁有最強(qiáng)大的帶寬(900GB/s，保證數(shù)據(jù)吞吐量)和極高的深度學(xué)習(xí)計(jì)算能力(120 TFLOPS vs. TPUv2 45 TFLOPS)，在功耗上也并沒(méi)有太大劣勢(shì)(TPU 進(jìn)行訓(xùn)練時(shí)，引入浮點(diǎn)數(shù)計(jì)算，需要逾 200W 的功耗，遠(yuǎn)不及推斷操作節(jié)能)。目前 TPU 只提供按時(shí)長(zhǎng)付費(fèi)使用的方式，并不對(duì)外直接銷售，市占率暫時(shí)也難以和 Nvidia GPU 匹敵。

? Intel

雖然深度學(xué)習(xí)任務(wù)主要由 GPU 承擔(dān)，但 CPU 目前仍是云計(jì)算芯片的主體。 Intel 于 2015年底年收購(gòu)全球第二大 FPGA 廠商 Altera 以后，也積極布局 CPU+FPGA 異構(gòu)計(jì)算助力 AI，并持續(xù)優(yōu)化 Xeon CPU 結(jié)構(gòu)。 2017 年 Intel 發(fā)布了用于 Xeon 服務(wù)器的，新一代標(biāo)準(zhǔn)化的加速卡，使用戶可以 AI 領(lǐng)域進(jìn)行定制計(jì)算加速。得益于龐大的云計(jì)算市場(chǎng)支撐， Intel 數(shù)據(jù)中心組業(yè)務(wù)收入規(guī)模一直位于全球首位， 2016-17 年單季保持同比中高個(gè)位數(shù)增長(zhǎng)。 2017年 4 季度起，收入同比增速開(kāi)始爬坡至 20%左右，但相比 Nvidia 的強(qiáng)勁增長(zhǎng)態(tài)勢(shì)仍有差距。

? AMD

AMD 雖未單獨(dú)拆分?jǐn)?shù)據(jù)中心收入，但從其計(jì)算和圖像業(yè)務(wù)的收入增長(zhǎng)情況來(lái)看， GPU 銷量向好。目前 AMD GPU 也開(kāi)始切入深度學(xué)習(xí)訓(xùn)練任務(wù)，但市場(chǎng)規(guī)模落后于 Nvidia。

云端推斷芯片：百家爭(zhēng)鳴，各有千秋

推斷是指借助現(xiàn)有神經(jīng)網(wǎng)絡(luò)模型進(jìn)行運(yùn)算， 利用新的輸入數(shù)據(jù)來(lái)一次性獲得正確結(jié)論的過(guò)程。 推斷過(guò)程對(duì)響應(yīng)速度一般有較高要求， 因此會(huì)采用 AI 芯片(搭載訓(xùn)練完成的神經(jīng)網(wǎng)絡(luò)模型)進(jìn)行加速。

相比訓(xùn)練芯片，推斷芯片考慮的因素更加綜合：?jiǎn)挝还乃懔?，時(shí)延，成本等等。初期推斷也采用 GPU 進(jìn)行加速，但由于應(yīng)用場(chǎng)景的特殊性，依據(jù)具體神經(jīng)網(wǎng)絡(luò)算法優(yōu)化會(huì)帶來(lái)更高的效率， FPGA/ASIC 的表現(xiàn)可能更突出。除了 Nvidia、 Google、 Xilinx、 Altera(Intel)等傳統(tǒng)芯片大廠涉足云端推斷芯片以外， Wave computing、 Groq 等初創(chuàng)公司也加入競(jìng)爭(zhēng)。中國(guó)公司里，寒武紀(jì)、比特大陸同樣積極布局云端芯片業(yè)務(wù)。

主要云端推斷芯片對(duì)比

我們認(rèn)為， 云端推斷芯片在未來(lái)會(huì)呈現(xiàn)百花齊放的態(tài)勢(shì)。 具體情況如下：

? Nvidia

在云端推斷芯片領(lǐng)域， Nvidia 主打產(chǎn)品為 P40 和 P4， 二者均采用 TSMC 16nm 制程。 TeslaP4 擁有 2560 個(gè)流處理器，每秒可進(jìn)行 22 萬(wàn)億次(TOPS) 計(jì)算(對(duì)應(yīng) INT 8)。而性能更強(qiáng)的 Tesla P40 擁有 3840 個(gè)流處理器，每秒可進(jìn)行 47 萬(wàn)億次(TOPS)計(jì)算(對(duì)應(yīng) INT 8)。從單位功耗推斷能力來(lái)看， P4/P40 雖然有進(jìn)步，但仍遜于 TPU。 GPU 在推斷上的優(yōu)勢(shì)是帶寬。

? Google

Google TPU 1.0 為云端推斷而生，其運(yùn)算單元對(duì)神經(jīng)網(wǎng)絡(luò)中的乘加運(yùn)算進(jìn)行了優(yōu)化，并采用整數(shù)運(yùn)算。 TPU 1.0 單位功耗算力在量產(chǎn)云端推端芯片中最強(qiáng)，達(dá) 1.2TOPS/Watt，優(yōu)于主流 Nvidia GPU。 TPU 2.0 在推斷表現(xiàn)上相比于 1 代并沒(méi)有本質(zhì)提升，主要進(jìn)步是引入對(duì)浮點(diǎn)數(shù)運(yùn)算的支持，及更高的片上內(nèi)存。正如前文所述，支持訓(xùn)練的 TPU 功耗也會(huì)變得更高。

? Wave Computing

Wave computing 于 2010 年 12 月成立于加州，目前累計(jì)融資 1.2 億美元，是專注于云端深度學(xué)習(xí)訓(xùn)練和推理的初創(chuàng)公司。Wave computing 的一代 DPU 深度學(xué)習(xí)算力達(dá) 180 TOPS，且無(wú)需 CPU 來(lái)管理工作流。目前公司正與 Broadcomm 合作在開(kāi)發(fā)二代芯片，將采用 7nm制程。

? Groq

Groq 是由 Google TPU 初始團(tuán)隊(duì)離職創(chuàng)建的 AI 芯片公司，計(jì)劃在 2018 年發(fā)布第一代 AI芯片產(chǎn)品，對(duì)標(biāo)英偉達(dá)的 GPU。其算力可達(dá) 400 TOPs(INT 8)，單位能耗效率表現(xiàn)搶眼。

? 寒武紀(jì)科技

寒武紀(jì)在 2017 年 11 月發(fā)布云端芯片 MLU 100，同時(shí)支持訓(xùn)練和推斷，但更側(cè)重于推斷。MLU 100 在 80W 的功耗下就可以達(dá)到 128 TOPS(對(duì)應(yīng) INT 8)的運(yùn)算能力。

? 比特大陸

比特大陸的計(jì)算芯片 BM 1680，集成了深度學(xué)習(xí)算法硬件加速模塊(NPUs)，應(yīng)用于云端計(jì)算與推理。 BM1680 還提供了 4 個(gè)獨(dú)立的 DDR4 通道，用于高速數(shù)據(jù)緩存讀取，以提高系統(tǒng)的執(zhí)行速度。其典型功耗只有 25W，在單位能耗推斷效率上有一定優(yōu)勢(shì)。

應(yīng)用場(chǎng)景#1：云端推斷芯片助力智能語(yǔ)音識(shí)別

云端推斷芯片提升語(yǔ)音識(shí)別速度。 語(yǔ)音識(shí)別是推斷芯片的工作場(chǎng)景之一，如 Amazon 的語(yǔ)音助手 Alexa，其“智能”來(lái)自于 AWS 云中的推斷芯片。 Alexa 是預(yù)裝在亞馬遜 Echo內(nèi)的個(gè)人虛擬助手，可以接收及相應(yīng)語(yǔ)音命令。通過(guò)將語(yǔ)音數(shù)據(jù)上傳到云端，輸入推斷芯片進(jìn)行計(jì)算，再返回結(jié)果至本地來(lái)達(dá)到與人實(shí)現(xiàn)交互的目的。原先云端采用 CPU 進(jìn)行推斷工作，由于算力低，識(shí)別中會(huì)有 300-400ms 的延遲，影響用戶體驗(yàn)。

智能音箱通過(guò)云端推斷芯片工作

而現(xiàn)今 AWS 云中采用了 Nvidia 的 P40 推斷芯片，結(jié)合 Tensor RT 高性能神經(jīng)網(wǎng)絡(luò)推理引擎(一個(gè) C++庫(kù))，可以將延遲縮減到 7ms。 此外， AI 芯片支持深度學(xué)習(xí)，降低了語(yǔ)音識(shí)別錯(cuò)誤率。 目前， 借助云端芯片的良好推斷能力，百度語(yǔ)音助手的語(yǔ)音識(shí)別準(zhǔn)確度已達(dá)到 97%之高。

Nvidia 云端推斷芯片提升語(yǔ)音識(shí)別速度

應(yīng)用場(chǎng)景#2：推斷芯片應(yīng)用于智能搜索

RankBrain 是 Google 眾多搜索算法的一部分，它是一套計(jì)算機(jī)程序，能把知識(shí)庫(kù)中上十億個(gè)頁(yè)面進(jìn)行排序，然后找到與特定查詢最相關(guān)的結(jié)果。 目前， Google 每天要處理 30 億條搜索，而其中 15%的詞語(yǔ)是 Google 沒(méi)有見(jiàn)過(guò)的。 RankBrain 可以觀察到看似無(wú)關(guān)復(fù)雜搜索之間的模式，并理解它們實(shí)際上是如何彼此關(guān)聯(lián)的， 實(shí)現(xiàn)了對(duì)輸入的語(yǔ)義理解。 這種能力離不開(kāi) Google 云端推斷芯片 TPU 的輔助。

推斷芯片助力深度學(xué)習(xí)實(shí)現(xiàn)語(yǔ)義識(shí)別

先前，在沒(méi)有深度學(xué)習(xí)情況下，單純依靠 PageRanking 及 InvertedIndex， Google 也能實(shí)現(xiàn)一定程度的對(duì)搜索詞條排序的優(yōu)化，但準(zhǔn)確率不夠。 TPU 利用 RankBrain 中的深度學(xué)習(xí)模型，在 80%的情況下計(jì)算出的置頂詞條，均是人們最想要的結(jié)果。

TPU+RankBrain 在推斷正確率上獲得提高

用于智能手機(jī)的邊緣推斷芯片：競(jìng)爭(zhēng)格局穩(wěn)定，傳統(tǒng)廠商持續(xù)受益

手機(jī)芯片市場(chǎng)目前包括：(1)蘋(píng)果，三星，華為這類采用芯片+整機(jī)垂直商業(yè)模式的廠商，以及(2)高通，聯(lián)發(fā)科，展銳等獨(dú)立芯片供應(yīng)商和(3) ARM， Synopsys、 Cadence 等向芯片企業(yè)提供獨(dú)立 IP 授權(quán)的供應(yīng)商。 采用垂直商業(yè)模式廠商的芯片不對(duì)外發(fā)售，只服務(wù)于自身品牌的整機(jī)，性能針對(duì)自身軟件做出了特殊優(yōu)化，靠效率取勝。獨(dú)立芯片供應(yīng)商以相對(duì)更強(qiáng)的性能指標(biāo)，來(lái)獲得剩余廠商的市場(chǎng)份額。

從 2017 年開(kāi)始，蘋(píng)果，華為海思，高通，聯(lián)發(fā)科等主要芯片廠商相繼發(fā)布支持 AI 加速功能的新一代芯片(如下圖)， AI 芯片逐漸向中端產(chǎn)品滲透。由于手機(jī)空間有限， 獨(dú)立的AI 芯片很難被手機(jī)廠采用。在 AI 加速芯片設(shè)計(jì)能力上有先發(fā)優(yōu)勢(shì)的企業(yè)(如寒武紀(jì))一般通過(guò) IP 授權(quán)的方式切入。

手機(jī) AI 芯片對(duì)比

對(duì)這些廠商來(lái)說(shuō)，我們認(rèn)為 AI 化的主要作用是提升芯片附加價(jià)值與產(chǎn)品單價(jià)。根據(jù) IHS的數(shù)據(jù)，隨著硬件性能的增強(qiáng)及針對(duì)于 AI 的運(yùn)算結(jié)構(gòu)不斷滲透，蘋(píng)果 A11 芯片的成本已達(dá)到 27.5 美元。

智能手機(jī) SoC 市占率分析(2017)

芯片成本持續(xù)上漲有望帶動(dòng)垂直模式廠商整機(jī)售價(jià)走高，在出貨量相同的情況下為現(xiàn)有芯片廠商貢獻(xiàn)更多的營(yíng)業(yè)收入。高通、聯(lián)發(fā)科、展銳等獨(dú)立芯片供應(yīng)商則會(huì)受益于芯片本身 ASP 的提升。

歷代 Apple 手機(jī)芯片成本趨勢(shì)

應(yīng)用場(chǎng)景#1：推斷芯片為 AI 拍照技術(shù)提供硬件支持

智能手機(jī)通過(guò) AI 算法+終端推斷芯片，可實(shí)現(xiàn)對(duì)于現(xiàn)實(shí)世界圖像的智能識(shí)別，并在此基礎(chǔ)上進(jìn)行實(shí)時(shí)優(yōu)化：

1)從整個(gè)場(chǎng)景識(shí)別，到特殊優(yōu)化過(guò)程中，推斷芯片為算法運(yùn)行提供硬件支持。

2)手機(jī)推斷芯片中 GPU、 NPU 等單元的協(xié)同工作，實(shí)現(xiàn)了對(duì)邊緣虛化更準(zhǔn)確的處理，使小尺寸感光元件的手機(jī)獲得“單反” 級(jí)的景深效果，增加相片的層次感。

3)人臉結(jié)構(gòu)的識(shí)別也離不開(kāi)邊緣推斷芯片，芯片性能的提升直接導(dǎo)致了 AI 美顏、 3D 光效等特殊效果變得更加自然。 如果缺少終端芯片的支持，一旦運(yùn)行高負(fù)載的 AI 任務(wù)手機(jī)就需要呼喚云端。而云端的相應(yīng)速度不夠，導(dǎo)致 AI 攝影的識(shí)別率和準(zhǔn)確率下降，用戶體驗(yàn)將大打折扣。

手機(jī) AI 芯片輔助圖片渲染優(yōu)化

應(yīng)用場(chǎng)景#2：推斷芯片助力語(yǔ)音助手處理復(fù)雜命令

從“聽(tīng)清”到“聽(tīng)懂”，自然語(yǔ)言理解能力提升與推斷芯片硬件的支持分不開(kāi)：多麥克風(fēng)方案的普及解決了“聽(tīng)清”的問(wèn)題，而到“聽(tīng)懂”的跨越中自然語(yǔ)言理解能力是關(guān)鍵。這不僅對(duì)云端訓(xùn)練好的模型質(zhì)量有很高要求，也必須用到推斷芯片大量的計(jì)算。隨著對(duì)話式 AI 算法的發(fā)展，手機(jī) AI 芯片性能的提升，語(yǔ)音助手在識(shí)別語(yǔ)音模式、分辨模糊語(yǔ)音、剔除環(huán)境噪聲干擾等方面能力得到了優(yōu)化，可以接受理解更加復(fù)雜的語(yǔ)音命令。

手機(jī) AI 芯片輔助 Vivo Jovi 處理復(fù)雜命令

用于安防邊緣推斷芯片： 海思、安霸與 Nvidia、 Mobileye 形成有力競(jìng)爭(zhēng)

視頻監(jiān)控行業(yè)在過(guò)去十幾年主要經(jīng)歷了“高清化”、“網(wǎng)絡(luò)化”的兩次換代，而隨著 2016年以來(lái) AI 在視頻分析領(lǐng)域的突破，目前視頻監(jiān)控行業(yè)正處于第三次重要升級(jí)周期——“智能化”的開(kāi)始階段。 前端攝像頭裝備終端推斷芯片，可以實(shí)時(shí)對(duì)視頻數(shù)據(jù)進(jìn)行結(jié)構(gòu)化處理，“云+邊緣”的邊緣計(jì)算解決方案逐漸滲透。 我們預(yù)計(jì)， 應(yīng)用安防攝像頭的推斷芯片市場(chǎng)規(guī)模，將從 2017 年的 3.3 億美元，增長(zhǎng)至 2022 年的 18 億美元， CAGR~41%。

應(yīng)用場(chǎng)景：安防邊緣推斷芯片實(shí)現(xiàn)結(jié)構(gòu)化數(shù)據(jù)提取，減輕云端壓力

即便采用 H.265 編碼，目前每日從攝像機(jī)傳輸?shù)皆贫说臄?shù)據(jù)也在 20G 左右，不僅給存儲(chǔ)造成了很大的壓力，也增加了數(shù)據(jù)的傳輸時(shí)間。 邊緣推斷芯片在安防端的主要應(yīng)用，基于將視頻流在本地轉(zhuǎn)化為結(jié)構(gòu)化數(shù)據(jù)。 這樣既節(jié)省云端存儲(chǔ)空間， 也提升系統(tǒng)工作效率?！耙曨l結(jié)構(gòu)化”，簡(jiǎn)言之即從視頻中結(jié)構(gòu)化提取關(guān)鍵目標(biāo)，包括車輛、人及其特征等。雖然這種對(duì)數(shù)據(jù)的有效壓縮要通過(guò)算法實(shí)現(xiàn)，但硬件的支持不可或缺。

視頻結(jié)構(gòu)化數(shù)據(jù)提取實(shí)例

根據(jù)?？低?/u>提供傳統(tǒng)視頻解碼芯片廠商積極布局 AI 升級(jí)。 華為海思、安霸(Ambarella)都在近一年內(nèi)推出了支持 AI 的安防邊緣推斷芯片。海思的 HI3559A 配備了雙核神經(jīng)網(wǎng)絡(luò)加速引擎，并成為第一款支持 8k 視頻的芯片;安霸也通過(guò)集成 Cvflows 張量處理器到最新的 CV2S 芯片中，以實(shí)現(xiàn)對(duì) CNN/DNN 算法的支持。