日前,由安創加速器(Arm Accelerator)聯手 Arm中國、Arm人工智能生態聯盟共同舉辦的“2019全球人工智能創芯峰會”在合肥舉行。會議當天，合肥高新區管委會與18家落地企業簽約。合肥高新區管委會副主任呂長富表示：“合肥高新區始終把集成電路、人工智能作為首位產業進行發展，將圍繞國家集成電路戰略發展，通過集體招引重大項目，培育龍頭企業等舉措，不斷完善產業鏈，培育產業集群，為合肥市打造世界級產業基地再做貢獻。”

本次峰會圍繞“芯”為主題，邀請了國內外芯片行業權威專家、Arm生態伙伴、AI芯片領域優秀企業探討產業變革，共同解析了行業技術發展的最新動向，以及未來AI落地的思路。

Arm中國產品研發副總裁劉澍：碎片化的市場需要軟件平臺來統一

AI在云端、終端的發展突飛猛進，此外，區域性服務器（例如家庭式服務器等）的發展越來越火。如何把這三個不同領域串起來，使之成為一種協同的智能？劉澍認為，未來一個非常重要的思路是：任何一個設備都可以直接鏈接到整個鏈條上進行數據處理，而不一定非要區分是在云/端/邊緣或哪個階段，數據的處理是流動的。

當5G和AI真正融合后，將給整個平臺的算力分布和形態帶來更多的思考。劉澍認為，首先，軟硬件結合是未來計算發展的必由之路。一方面，通用計算可能無法適用于終端；另一方面，異構計算作為現在云端的主流思路，連同加速器等等，可能將成為未來非常流行的形態。

其次，如何解決軟件跨不同運算模塊的存在？由于今天絕大部分AI能力和深度學習算法都是在通用階段完成的，因為通用計算可以提供很好的兼容性、軟件算法和移植，這是AI發展的第一個階段；而隨著越來越多異構計算架構的出現，未來十年中，通用計算和專用計算一定是共存的，預測NPU會成為未來十年算力的主要承載者，不過即便如此，通用計算的需求還是比我們想象中更多，超過50%的計算還是會在CPU和GPU上完成。在這一趨勢下，未來需要一種軟件架構來進行統一，讓碎片化的市場可以用統一的軟件編程來實現，這樣對整個業界云端互通能夠達到很好的遷移效果。

此外，未來各種聯網設備出現后，所有設備的安全性都會成為一個重要問題。Arm中國也會把安全性提到新的高度上，這是未來研發投入的一個重要環節，而周易平臺也將支撐更高安全性的實現。

百度PaddlePaddle產品經理趙喬：深度學習平臺是智能時代的操作系統

深度學習是AI領域目前最為火熱的方向之一。2011年后，隨著算法、框架的成熟，深度學習進入蓬勃發展期。以OCR技術為例，早期應用有很多圖像預處理工作需要人工加特征處理后才便于機器進行學習，整個流程相對較長。使用深度學習方法后，就變成了檢測和識別兩個步驟。深度學習的優勢是隨著數據量的線性增長，性能也在線性增長，在大數據模型開發中，深度學習優勢顯著。

在整個智能時代，深度學習平臺最下層是芯片，最上層連接應用。根據百度基于飛槳平臺構建AI開放生態的經驗，趙喬提出，隨著基于深度學習框架所開發的模型越來越多，AI產業生態將以深度學習開源框架平臺為核心，開發者、使用者和相關生態伙伴共同構成。它縱向串聯起算法、AI能力的使用、垂直產業的演進，橫向則拉動了整個高校和企業產學研的路徑，在整個AI生態發展起到重要作用。

綜合國內外深度學習框架現狀，百度飛槳平臺將持續在四方面擴大優勢：開發便捷的深度學習框架、超大規模深度學習模型訓練技術、多端多平臺部署的高性能推理引擎、產業級的開源模型庫。

谷歌全球開發專家武強：通過深度強化學習進行智能交通控制

汽車正在變得越來越越智能，但智能控制仍是智能交通中的薄弱環節，武強認為可以通過深度強化學習改變現有的交通控制方式。例如監測路口的車流量情況，動態地改變交通燈的時長，從而改善擁堵。

把每一個路口車輛的視頻采集出來，用強化學習的方式計算后傳給云端進行協調，理論上可以進行路口的智能分配。但是，由于實際的路況信息非常復雜，簡單的智能化并不能夠應對所有的特殊情況，例如車里面有沒有急診病患需要馬上送醫院，是否能夠識別并且優先公交車、出租車等鼓勵綠色出行等等。需要深度強化學習+邊緣計算+多智能體的方式才能實現。

什么是深度強化學習？簡言之是智能體與環境不斷交互的過程中，根據獎勵的機制不斷調整自身的狀態，將這個強化學習的過程通過深度神經網絡來實現，即強化學習+深度學習。但交通不是單個路口的行為，而是多個路口的多智能體的綜合，因此就需要邊緣計算，將多個智能體聯合起來。如果每個路口就有一個交警，多智能體就相當于給每個交警都配備一部對講機進行通信，這就是多智能體的聯合深度學習算法。

未來，在智能交通控制方面，武強透露重點會是現實數據，他們采集了很多交通路口的實時視頻做交通流量預測，因為只有真實的流量才可以用相應算法進行模擬和調試，之后再用多智能體深度強化學習進行研究。

珠海全志科技人工智能首席專家林建文：解決人工智能SoC異構計算挑戰

林建文認為，目前在AI異構計算形態中主要存在三大挑戰：一是編程語言落到計算單元需要一道中間表示層；二是端側應用中，算子在計算單元的分配；三是系統間帶寬的消耗、數據格式不兼容的問題。

前兩個挑戰比較現實的改善途徑是由SoC廠商去把自己底層的算力做統一的抽象，中間表示層就不需要太多去考慮底層，中間框架只需要進行算子的融合與調配，這樣才能實現最高的效率。

第三個挑戰則需要解決SoC中交互的問題，假如SoC內部有數據格式轉化的機制，能夠很好地通過中間框架反饋，知道下一步要運行什么算子、會落在哪個SoC的計算單元中，都可以做提前的預設。這種方式能夠屏蔽底層硬件差異，讓開發者專注在模型的開發。

林建文表示，人工智能是百行百業的時代特征，每一個行業，包括它的產業鏈都有自己的獨特性。全志科技關注和國際主流對接的大框架，支持大生態，同時也希望構建基于行業的人工智能的小生態，在重點發展端側SoC的同時也會兼顧邊緣端。

科大訊飛智能硬件生態總監張良春：分布式混合架構會廣泛應用

AI的廣泛落地2019年起已經開始，全新的智能物聯網時代將來臨。張良春表示，芯片設計隨著時代變化也將迎來小的爆發式增長。AI計算架構目前主要面臨三大挑戰：第一是實時性，第二是可靠性，第三是用戶隱私。未來，分布式混合架構會得到廣泛應用，不論是人臉、語音還是其他圖像等，在本地端進行數據收集及AI計算，會更可靠、穩定、實時、安全。這就需要本地有大量的端側芯片，將處理過的數據進行脫敏送入云端，云端則主要進行數據挖掘、趨勢預測、群體行為等分析，以及未來本地端模型的迭代替換。

分布式混合架構對本地AI芯片提出了更高的要求，第一是高性能，因為要處理大量的數據，第二是低功耗，第三個是可聯網，此外需要軟硬件的深度融合。面向這些趨勢，張良春表示，訊飛開放平臺已將267項AI能力全部開放出來，為生態伙伴提供10萬億次AI服務。未來，也希望為AI芯片廠商提供強有力的支撐，共享生態紅利。

曠視科技產品市場總經理沈瑄：交互、運算、網絡是AI未來三大落腳點

曠視從一家計算機視覺領域的AI算法公司演進為軟硬件兼顧，為了更好地在芯片級做算法匹配，開始進行芯片研發。2017年，曠視進入手機市場，目前已覆蓋大約75%的安卓手機進行人臉識別、拍照功能優化等。

據沈瑄介紹，曠視最核心的技術是brain++，基于這一核心在云、邊、端有三種神經網絡，分別是ResNet、DorefaNet、ShuffleNet。兩大核心算法主要面向人臉識別和機器人，所針對的三大核心領域包括：個人消費IoT終端、城市大腦、以及供應鏈IoT。

沈瑄表示，明年手機市場主要亮點：一是5G，二是光學。據預測明年國內會有1.5億部5G手機上市，甚至5G手機價格會下降到1500元人民幣左右，5G一定是明年的主戰場。光學方面，多攝已經成為趨勢，另外一個顯著趨勢就是傳感器未來會和屏進行結合。所有的一線芯片未來都會加入AI，AI會更多向傳感器、攝像頭等方向擴展。交互、運算、網絡，會是AI未來三大落腳點。

引力互聯創始人兼CEO夏東明：2020年AI邊緣計算迎來井噴

隨著5G來臨，更快的網絡速度、更低的網絡延時，哪些運算需要在終端進行？AI的邊緣計算會有哪些創新與變革？

夏東明表示，市場上存在大量的邊緣計算芯片的需求，例如受限于成本很難用云計算實現的，以及需要實時運算、識別的場景。還有就是出于安全考慮、時效要求等，需要終端在短時間內快速進行判斷和決策，都需要邊緣計算芯片的算力。在這方面，很多公司已經進行了大量的實踐，2020年，AI邊緣計算將迎來井噴式發展。

目前，AI開發仍然存在一定的門檻，夏東明認為主要存在三大痛點：不專屬，缺少針對 AI 技術學習及軟硬件開發的開源環境；價格昂貴，硬件成本高，能夠滿足普通編程及開發需求的電腦，動輒4k+；可拓展性小，外設接口相對單一，很難滿足連接外部設備的需求。

為了降低AI開發門檻，加速開發過程，引力互聯在會上正式發布“鈦靈 AIX”，這是一款集計算機視覺與智能語音交互兩大核心功能為一體的人工智能硬件，搭載 Intel 專業級 AI 加速運算芯片與多種傳感技術，搭配Model Play人工智能模型共享平臺，在許多場景應用及AI模型下載即用。開發者可以將 AI 模型移植到程序中開發應用，這一環節需要掌握的知識量較少，縮短了開發周期。

耐能技術總監陳云剛：打造未來的終端AI網絡

受越來越多采用云端AI服務和聯網設備的推動，全球AI市場正在快速增長。AI芯片勢頭強勁，其中，推理市場大于訓練市場，推理計算更多在終端而非云端實現。到2023年，終端推理芯片市場規模將超過600億美元，復合年增長率為31%。

如何在AI芯片市場生存并取得成功？陳云剛認為，首先公司要有精準的定位；其次要以客戶為中心；第三，需要有競爭力的、具備性價比優勢的產品。

耐能專注于超高效NPU和輕量級CNN算法，希望以AI賦能終端設備，建立未來的終端AI網絡。這一網絡將主要具備四大特征：去中心化、算力共享、多個輸入、主動智能。

陳云剛表示，智能物聯網1.0時代是蜂窩網絡，設備連到服務器，通過智能手機APP來控制；2.0現在比較主流，智能化程度較高；3.0時代，智能設備可在本地實時做推理，相互之間可以協作，比如用現存網絡的服務器去控制各個設備，通過去除中心化，達到算力共享。

知存科技CEO王紹迪：存算一體芯片解決AI落地瓶頸

以深度學習為代表的AI算法需要頻繁地進行數據存取，低功耗和高性能之間的矛盾一直是端側AI芯片落地的難題。在常規的AI計算中，首先要把神經網絡存儲在ROM中，運算時再通過RAM進行緩存，然后進行運算。而存算一體相當于直接用ROM單元，把需要的神經網絡、所有參數都存儲在ROM單元當中。這樣只需要把被處理的語音/圖像存儲到神經網絡中，存儲單元可以運算乘加法，存儲密度和效率帶來數量級的提升，進而降低整體系統成本。

王紹迪認為，存算一體技術能夠解決常規AI計算中頻繁進行數據存取的難題，基于Flash的模擬存算一體技術是AI加速領域發展最快、最接近產業化落地的一個方向。

知存科技最新發布的MemCore001/MemCore001P兩款智能語音芯片，基于高精度Flash模擬存算一體技術開發完成，支持智能語音識別、語音降噪、聲紋識別等多種智能語音應用。芯片運行功耗小于300uA，待機功耗小于10uA。在幾百微安電流下即可運行主流深度學習算法，同時實現單麥或雙麥降噪和無單獨喚醒的One-shot識別，適用于電池供電的小型智能設備、可穿戴設備和有源供電的智能家電、智能控制等應用。

西井科技產品總監張爍：自動駕駛落地必須與場景結合

西井科技致力于推進AI在工業和物流領域的落地，港口是其中一個場景。由于港口本身的作業工況和溫濕度情況，以及這一場景中24小時的作業流程等特殊需求，導致它不是一個可以大規模普及全自動化作業的場景。目前我國只有三個港口：香港港口、青島港口、廈門港口實現了全自動化作業。而大部分港口發展的方向是什么？張爍認為是AI驅動下的全面無人化，通過AI技術提升效率、降低成本。

西井科技從替代人工采集數據、錄入系統的工作開始，目前通過AI識別可以完成98%以上原來需要人工作業的工作，包括閘口升級改造、自動對位、自動吊裝、鎖孔識別、遠程自動作業等等。切入港口場景，西井設計了無人駕駛集裝箱卡車。為什么選擇港口落地自動駕駛技術？有哪些易與難？

張爍表示，相對復雜的交通道路，碼頭場景封閉、路線固定、目標物體較少，通常為低速行駛。但是，挑戰在于其作業精度要求厘米級別，且環境高度變化，通常需要多車高效協同作業，還有金屬信號干擾定位。要實現在這一場景的自動駕駛，需要系統級的解決方案，包括：車輛管理調度系統、生產效率協作系統、車輛仿真平臺、無線通信傳輸技術、智能駕駛感知決策控制、車輛線控技術、無線遠程控制技術等。

為了實現這些，西井從底層的AI芯片和算法開始打造，直到智慧大腦，針對客戶場景提供了完整的、垂直化的解決方案。張爍表示，未來十年，AI的發展一定是突飛猛進的進程，但是在自動駕駛方面，其落地必須依托于和具體場景的結合。

安創加速器副總裁英語霏：AI時代，成功的加速器能發揮哪些作用？

安創加速器作為Arm全球唯一的加速器，聚焦于硬科技特別是芯片在人工智能和物聯網領域的創新，希望借助產業資源優勢，以及Arm在全球的生態系統優勢，幫助創新技術實現更快的產業化落地。目前安創加速器已經走過了四年，主要專注于從天使輪到A輪的技術驅動型創新項目。

英語霏表示，安創加速器最核心的部分是打造產業閉環，包括基礎的核心芯片、傳感器、算法等，人工智能、物聯網核心模塊作為平臺層，再向上形成垂直領域的應用層。安創加速器目前共加速了7期企業，總共項目數量115個；其中有6個項目是獨角獸企業，估值平均增長8倍；38個AI項目，占比33%；芯片相關項目有24個，其中AI芯片項目13個。

安創加速器注重自身的能力建設，依托人工智能和物聯網行業的戰略資源庫，目前已與眾多的企業達成合作，如投資機構、大企業和政府園區，將通過這些資源與Arm生態本身的一些資源形成聯動和互補。在合作方面，安創希望打造一個產業閉環平臺，鏈接創新創業企業與行業標桿大企業，推動創新技術落地。