技術的進化階段是一個熟悉的地方，近年來的主要技術人工智能也不例外。在人工智能中 - 新一代添加更多的MAC，多層量化，這個功能，那個功能 - 所有這些都是為了追求改進的TOPS/Watt。

在這種環(huán)境下，我們已經通過我們的CEVA NeuPro平臺成功地將AI邊緣解決方案引入各個市場。現(xiàn)在，用戶想要更多，但有時僅靠進化是不夠的。

起初，用戶強調易用性，以幫助他們引入這種新的邊緣人工智能技術。但隨著他們在先進人工智能技術方面的專業(yè)知識不斷深入，他們希望獲得所有可能的方法，將差異化融入到他們的產品中，并超越當前最先進的方法一個數(shù)量級。通過進化不可能快速到達那里;革命性的改進是必要的。他們想要的已經從易用性轉變?yōu)橐宰畲笸掏铝亢妥钚」β蕦崿F(xiàn)最大的算法靈活性。

向上測量

TOPS/W 是一個很好的營銷數(shù)字，但它太粗糙了，在實際應用中沒有用處。例如，在視覺推理中，每秒幀/瓦特 （FPS/W） 是一個更有意義的指標。在這種情況下，好分數(shù)的價值很容易理解。檢測前方的行人或汽車或從后面經過的汽車需要快速響應。幾乎沒有時間剎車或轉向，而且這兩個動作都不是瞬間的。推理引擎必須能夠以盡可能低的功率管理至少 100 FPS，因為這只是汽車周圍的眾多傳感器/AI 系統(tǒng)之一。這需要更高的 fps/W 才能獲得競爭力。

市場機會是毋庸置疑的。汽車和電信應用預計將成為這一增長的最大貢獻者，而在汽車領域，智能成像繼續(xù)保持強勁。順便說一下，手機中的“多攝像頭”趨勢也是如此。事實上，此類相機中的成像管道已經開始用神經網絡取代傳統(tǒng)算法，用于降噪、圖像穩(wěn)定、超分辨率和其他新穎功能，所有這些都在非常有限的能量包絡內以 60fps 的速度運行。

重大進步需要什么

圍繞模擬人工智能和峰值神經網絡發(fā)生了一些有趣的事情，但產品制造商不想離他們今天可以擴展到數(shù)量的東西太遠。這種限制仍然留下了很多算法潛力，但現(xiàn)在產品構建者希望以更大的靈活性訪問所有這些算法，以最小的功耗擠出最大的性能。

優(yōu)化可能性的列表很長：廣泛的量化選項、winograd 支持、跳過乘以零的稀疏性優(yōu)化、各種位大小的激活和權重的數(shù)據(jù)類型多樣性、與神經乘法并行的矢量處理能力、數(shù)據(jù)壓縮以減少權重和激活的加載時間、矩陣分解支持，通過參考網絡提供高達 50：1 的加速度， 以及下一代 NN 架構，如變壓器和 3D 卷積支持。

行動呼吁

產品構建者現(xiàn)在在人工智能方面擁有更多經驗，知道他們想要構建什么以及如何構建它。他們需要的是一個平臺，提供他們已經理解的所有神經網絡組件算法，為他們的產品構建最佳解決方案。

這是一份夢寐以求的算法和優(yōu)化清單，可提供高級邊緣 AI 所需的真正突破性功能、吞吐量和低功耗。但為什么只是一個夢想？高級產品構建者不再滿足于人工智能的漸進式改進。他們現(xiàn)在希望平臺能夠與他們對可能性的大幅提高的理解保持一致。

審核編輯：郭婷