在過去的2016年,，在計算機產業(yè)來說,，相信沒有一個概念比人工智能更熱門,。跨入2017年,，專家們表示,，人工智能生態(tài)圈的需求增長會更加迅猛。主要集中在為深度神經網絡找尋性能和效率更適合的“引擎”,。

 現(xiàn)在的深度學習系統(tǒng)依賴于軟件定義網絡和大數(shù)據學習產生的超大型運算能力,，并靠此來實現(xiàn)目標。但很遺憾的是,，這類型的運算配置是很難嵌入到那些運算能力,、存儲大小、和帶寬都有限制的系統(tǒng)中（例如汽車,、無人機和物聯(lián)網設備）,。

 這就給業(yè)界提出了一個新的挑戰(zhàn)，如何通過創(chuàng)新,，把深度神經網絡的運算能力嵌入到終端設備中去,。

 Movidius公司的CEO Remi El－Ouazzane在幾個月前說過，將人工智能擺在網絡的邊緣將會是一個大趨勢,。

芯片藍海爭奪 誰能最后勝出" src="http://images.ofweek.com/Upload/News/2016-12/26/lin/1482737178651096403.png" width="500" height="317"/>

Remi El－Ouazzane

 在問到為什么人工智能會被“趕”到網絡邊緣的時候,，CEA Architecture Fellow Marc Duranton給出了三個原因：分別是安全、隱私和經濟,。他認為這三點是驅動業(yè)界在終端處理數(shù)據的重要因素,。他指出，未來將會衍生更多“將數(shù)據轉化為信息”的需求,。并且這些數(shù)據越早處理越好,，他補充說。

CEA Architecture Fellow Marc Duranton

 攝像一下,，假如你的無人駕駛汽車是安全的,，那么這些無人駕駛功能就不需要長時間依賴于聯(lián)盟處理；假設老人在家里跌倒了，那么這種情況當場就應該檢測到并判斷出來,?？紤]到隱私原因，這些是非常重要的,，Duranton強調,。

 但這并不意味著收集家里十個攝像頭的所有圖片，并傳送給我,，就稱作一個號的提醒,。這也并不能降低“能耗、成本和數(shù)據大小”,，Duranton補充說,。

 競賽正式開啟

 從現(xiàn)在的情景看來，芯片供應商已經意識到推理機的增長需求,。包括Movidus （Myriad 2）,， Mobileye （EyeQ 4 ＆ 5） 和Nvidia （Drive PX）在內的眾多半導體公司正在角逐低功耗、高性能的硬件加速器,。幫助開發(fā)者更好的在嵌入式系統(tǒng)中執(zhí)行“學習”,。

 從這些廠商的動作和SoC的發(fā)展方向看來，在后智能手機時代,，推理機已經逐漸成為半導體廠商追逐的下一個目標市場,。

 在今年早些時候，Google的TPU橫空出世,，昭示著業(yè)界意圖在機器學習芯片中推動創(chuàng)新的的意圖,。在發(fā)布這個芯片的時候，搜索巨人表示,，TPU每瓦性能較之傳統(tǒng)的FPGA和GPU將會高一個數(shù)量級,。Google還表示，這個加速器還被應用到了今年年初風靡全球的AlphaGo系統(tǒng)里面,。

 但是從發(fā)布到現(xiàn)在,，Google也從未披露過TPU的具體細節(jié)，更別說把這個產品對外出售,。

 很多SoC從業(yè)者從谷歌的TPU中得出了一個結論,，他們認為，機器學習需要定制化的架構,。但在他們針對機器學習做芯片設計的時候，他們又會對芯片的架構感到懷疑和好奇,。同時他們想知道業(yè)界是否已經有了一種衡量不同形態(tài)下深度神經網絡（DNN）性能的工具,。

工具已經到來

 CEA聲稱，他們已經為幫推理機探索不同的硬件架構做好了準備,，他們已經開發(fā)出了一個叫做N2D2,，的軟件架構,。他們夠幫助設計者探索和聲稱DNN架構?！拔覀冮_發(fā)這個工具的目的是為了幫助DNN選擇適合的硬件”,，Duranton說。到2017年第一季度,，這個N2D2會開源,。Duranton承諾。

 N2D2的特點在于不僅僅是在識別精度的基礎上對比硬件,，它還能從處理時間,、硬件成本和能源損耗的多個方面執(zhí)行對比。因為針對不同的深度學習應用,，其所需求的硬件配置參數(shù)都是不一樣的,，所以說以上幾點才是最重要的，Duranton表示,。

N2D2的工作原理

 N2D2為現(xiàn)存的CPU,、GPU和FPGA提供了一個參考標準。

 邊緣計算的障礙

 作為一個資深的研究組織,，CEA已經在如何把DNN完美的推廣到邊緣計算領域進行了長時間的深入研究,。在問到執(zhí)行這種推進的障礙時，Duranton指出,，由于功耗,、尺寸和延遲的限制，這些“浮點”服務器方案不能應用,。這就是最大的障礙,。而其他的障礙包括了“大量的Mac、帶寬和芯片上存儲的尺寸”,，Duranton補充說,。

 那就是說如何整合這種“浮點”方式，是最先應該被解決的問題,。

 Duranton認為,，一些新的架構是在所難免的，隨之而來的一些類似“spike code”的新coding也是必然的,。

 經過CEA的研究指出,，甚至二進制編碼都不是必須的。他們認為類似spike coding這類的時間編碼在邊緣能夠迸發(fā)出更強大的能量,。

 Spike coding之所以受歡迎,，是因為它能明確展示神經系統(tǒng)內的數(shù)據解碼。往深里講，就是說這些基于事件的的編碼能夠兼容專用的傳感器和預處理,。

 這種和神經系統(tǒng)極度相似的編碼方式使得混合模擬和數(shù)字信號更容易實現(xiàn),，這也能夠幫助研究者打造低功耗的硬件加速器。

 CEA也正在思考把神經網絡架構調整到邊緣計算的潛在可能,。Duranton指出,，現(xiàn)在人們正在推動使用‘SqueezeNet取替AlexNet。據報道,，為達到同等精度,，使用前者比后者少花50倍的參數(shù)。這類的簡單配置對于邊緣計算,、拓撲學和降低Mac的數(shù)量來說,，都是很重要的。

 Duranton認為,，從經典的DNN轉向嵌入式網絡是一種自發(fā)的行為,。

 P－Neuro，一個臨時的芯片

 CEA的野心是去開發(fā)一個神經形態(tài)的電路,。研究機構認為,，在深度學習中，這樣的一個芯片是推動把數(shù)據提取放在傳感器端的一個有效補充,。

 但在達到這個目標之前,，CEA相處了很多權宜之計。例如開發(fā)出D2N2這樣的工具,，幫助芯片開發(fā)者開發(fā)出高TOPS的DNN解決方案,。

 而對于那些想把DNN轉移到邊緣計算的玩家來說，他們也有相對應的硬件去實現(xiàn),。這就是CEA提供的低功耗可編程加速器——P－Neuro?，F(xiàn)行的P－Neuro芯片是基于FPGA開發(fā)的。但Duranton表示,，他們已經把這個FPAG變成了一個ASIC,。

和嵌入式CPU對比的P－Neuro demo

 在CEA的實驗室，Duranton他們已經在這個基于FPAG的P－Neuro搭建了一個面部識別的卷積神經網絡（CNN）,。這個基于 P－Neuro的Demo和嵌入式CPU做了對比,。（樹莓派、帶有三星Exynos處理器的安卓設備）,。他們同樣都運行相同的CNN應用,。他們都安排去從18000個圖片的數(shù)據庫中去執(zhí)行“人臉特征提取”。

 根據示例展示,，P－Neuro的速度是6942張圖片每秒,，而功耗也只是2776張圖每瓦,。

P－Neuro和GPU、CPU的對比

 如圖所示,，和Tegra K1相比，基于FPGA的P－Neuro在100Mhz工作頻率的時候,，工作更快,，且功耗更低。

 P－Neuro是基于集群的SIMD架構打造,，這個架構是以優(yōu)化的分級存儲器體系和內部連接被大家熟知的,。

P－Neuro的框圖

 對于CEA的研究者來說 ，P－Neuro 只是一個短期方案?，F(xiàn)行的 P－Neuro 是在一個CMOS設備上打造的,，使用的是二進制編碼。他們團隊正在打造一個全CMOS方案,，并打算用spike coding,。

 為了充分利用先進設備的優(yōu)勢，并且打破密度和功率的問題,，他們團隊設立了一個更高的目標,。他們考慮過把RRAM當做突觸元素，還考慮過FDSOI和納米線這樣的制程,。

 在一個“EU Horizon 2020”的計劃里面,，他們希望做出一個神經形態(tài)架構的芯片，能夠支持最先進的機器學習,。同時還是一個基于spike的學習機制,。

 Neuromorphic處理器

 這就是一個叫做NeuRAM3的項目。屆時,，他們的芯片會擁有超低功耗,、尺寸和高度可配置的神經架構。他們的目標是較之傳統(tǒng)方案,，打造一個能將功耗降低50倍的產品,。

Neuromorphic處理器

Neuromorphic處理器的基本參數(shù)

 據介紹，這個方案包含了基于FD－SOI工藝的整體集成的3D技術,，另外還用到的RRAM來做突觸元素,。在NeuRAM3項目之下，這個新型的混合信號多核神經形態(tài)芯片設備較之IBM的TrueNorth,，能明顯降低功耗,。

與IBM的TrueNorth對比

 而NeuRAM3項目的參與者包括了IMEC， IBM Zurich,， ST Microelectronics,， CNR （The National Research Council in Italy）,， IMSE （El Instituto de Microelectrónica de Sevilla in Spain）， 蘇黎世大學和德國的雅各布大學,。

 更多AI芯片角逐

 其實AI芯片這個市場,，已經吸引了很多玩家，無論是傳統(tǒng)的半導體業(yè)者,，還是所謂的初創(chuàng)企業(yè),，都開始投奔這個下一個金礦。除了上面說的CEA這個,。我們不妨來看一下市場上還有哪些AI芯片,。

 一、傳統(tǒng)廠商的跟進

（1）Nvidia

 英偉達是GPU霸主,，雖然錯過了移動時代,，但他們似乎在AI時代，重獲榮光,，從其過去一年內的股票走勢,，就可以看到市場對他們的信心。我們來看一下他有什么計劃,，在這個領域,。

 在今年四月，Nvidia發(fā)布了一個先進的機器學習芯片——Tesla P100 GPU,。按照英偉達CEO黃仁勛所說,，這個產品較之英偉達的前代產品，任務處理速度提高了12倍,。這個耗費了20億美元開發(fā)的芯片上面集成了1500億個晶體管,。

 據介紹，全新的 NVIDIA Pascal? 架構讓 Tesla P100 能夠為 HPC 和超大規(guī)模工作負載提供超高的性能,。憑借每秒超過 20 萬億次的 FP16 浮點運算性能,，經過優(yōu)化的 Pascal 為深度學習應用程序帶來了令人興奮的新可能。

 而通過加入采用 HBM2 的 CoWoS（晶圓基底芯片）技術,，Tesla P100 將計算和數(shù)據緊密集成在同一個程序包內,，其內存性能是上一代解決方案的 3 倍以上。這讓數(shù)據密集型應用程序的問題解決時間實現(xiàn)了跨時代的飛躍,。

 再者,，因為搭載了 NVIDIA NVLink? 技術， Tesla P100的快速節(jié)點可以顯著縮短為具備強擴展能力的應用程序提供解決方案的時間,。采用 NVLink 技術的服務器節(jié)點可以 5 倍的 PCIe 帶寬互聯(lián)多達八個 Tesla P100,。這種設計旨在幫助解決擁有極大計算需求的 HPC 和深度學習領域的全球超級重大挑戰(zhàn)。

（2）Intel

 在今年十一月,。Intel公司發(fā)布了一個叫做Nervana的AI處理器,，他們宣稱會在明年年中測試這個原型,。如果一切進展順利，Nervana芯片的最終形態(tài)會在2017年底面世,。這個芯片是基于Intel早前購買的一個叫做Nervana的公司,。按照Intel的人所說，這家公司是地球上第一家專門為AI打造芯片的公司,。

 Intel公司披露了一些關于這個芯片的一些細節(jié),，按照他們所說，這個項目代碼為“Lake Crest”,，將會用到Nervana Engine 和Neon DNN相關軟件。,。這款芯片可以加速各類神經網絡,，例如谷歌TensorFlow框架。芯片由所謂的“處理集群”陣列構成,，處理被稱作“活動點”的簡化數(shù)學運算,。相對于浮點運算,，這種方法所需的數(shù)據量更少,，因此帶來了10倍的性能提升。

 Lake Crest利用私有的數(shù)據連接創(chuàng)造了規(guī)模更大,、速度更快的集群,，其拓撲結構為圓環(huán)形或其他形式,。這幫助用戶創(chuàng)造更大、更多元化的神經網絡模型,。這一數(shù)據連接中包含12個100Gbps的雙向連接,，其物理層基于28G的串并轉換。

 這一2．5D芯片搭載了32GB的HBM2內存,，內存帶寬為8Tbps,。芯片中沒有緩存，完全通過軟件去管理片上存儲,。

 英特爾并未透露這款產品的未來路線圖,，僅僅表示計劃發(fā)布一個名為Knights Crest的版本。該版本將集成未來的至強處理器和Nervana加速處理器,。預計這將會支持Nervana的集群,。不過英特爾沒有透露，這兩大類型的芯片將如何以及何時實現(xiàn)整合,。

 至于整合的版本將會有更強的性能,，同時更易于編程。目前基于圖形處理芯片（GPU）的加速處理器使編程變得更復雜,，因為開發(fā)者要維護單獨的GPU和CPU內存,。

 據透露,，到2020年，英特爾將推出芯片,，使神經網絡訓練的性能提高100倍,。一名分析師表示，這一目標“極為激進”,。毫無疑問,，英特爾將迅速把這一架構轉向更先進的制造工藝，與已經采用14納米或16納米FinFET工藝的GPU展開競爭,。

（3）IBM

 百年巨人IBM,，在很早以前就發(fā)布過wtson，現(xiàn)在他的人工智能機器早就投入了很多的研制和研發(fā)中去,。而在去年,，他也按捺不住，投入到類人腦芯片的研發(fā),，那就是TrueNorth,。

 TrueNorth是IBM參與DARPA的研究項目SyNapse的最新成果。SyNapse全稱是Systems of Neuromorphic Adaptive Plastic Scalable Electronics（自適應可塑可伸縮電子神經系統(tǒng),，而SyNapse正好是突觸的意思）,，其終極目標是開發(fā)出打破馮?諾依曼體系的硬件。

 這種芯片把數(shù)字處理器當作神經元,，把內存作為突觸,，跟傳統(tǒng)馮諾依曼結構不一樣，它的內存,、CPU和通信部件是完全集成在一起,。因此信息的處理完全在本地進行，而且由于本地處理的數(shù)據量并不大,，傳統(tǒng)計算機內存與CPU之間的瓶頸不復存在了,。同時神經元之間可以方便快捷地相互溝通，只要接收到其他神經元發(fā)過來的脈沖（動作電位）,，這些神經元就會同時做動作,。

 2011年的時候，IBM首先推出了單核含256 個神經元,，256×256 個突觸和 256 個軸突的芯片原型,。當時的原型已經可以處理像玩Pong游戲這樣復雜的任務。不過相對來說還是比較簡單,，從規(guī)模上來說,，這樣的單核腦容量僅相當于蟲腦的水平。

 不過,，經過3年的努力,，IBM終于在復雜性和使用性方面取得了突破,。4096個內核，100萬個“神經元”,、2．56億個“突觸”集成在直徑只有幾厘米的方寸（是2011年原型大小的1／16）之間,，而且能耗只有不到70毫瓦，IBM的集成的確令人印象深刻,。

這樣的芯片能夠做什么事情呢,？IBM研究小組曾經利用做過DARPA 的NeoVision2 Tower數(shù)據集做過演示。它能夠實時識別出用30幀每秒的正常速度拍攝自斯坦福大學胡佛塔的十字路口視頻中的人,、自行車,、公交車、卡車等,，準確率達到了80％,。相比之下，一臺筆記本編程完成同樣的任務用時要慢100倍,，能耗卻是IBM芯片的1萬倍。

 跟傳統(tǒng)計算機用FLOPS（每秒浮點運算次數(shù)）衡量計算能力一樣,，IBM使用SOP（每秒突觸運算數(shù)）來衡量這種計算機的能力和能效,。其完成460億SOP所需的能耗僅為1瓦—正如文章開頭所述，這樣的能力一臺超級計算機,，但是一塊小小的助聽器電池即可驅動,。

 通信效率極高，從而大大降低能耗這是這款芯片最大的賣點,。TrueNorth的每一內核均有256個神經元,，每一個神經有分別都跟內外部的256個神經元連接。

（4）Google

 其實在Google上面,，我是很糾結的,，這究竟是個新興勢力，還是傳統(tǒng)公司,。但考慮到Google已經那么多年了,，我就把他放在傳統(tǒng)里面吧。雖然傳統(tǒng)也是很新的,。而谷歌的人工智能相關芯片就是TPU,。也就是Tensor Processing Unit。

 TPU是專門為機器學習應用而設計的專用芯片,。通過降低芯片的計算精度,，減少實現(xiàn)每個計算操作所需的晶體管數(shù)量，從而能讓芯片的每秒運行的操作個數(shù)更高,，這樣經過精細調優(yōu)的機器學習模型就能在芯片上運行的更快,，進而更快的讓用戶得到更智能的結果,。Google將TPU加速器芯片嵌入電路板中，利用已有的硬盤PCI－E接口接入數(shù)據中心服務器中,。

 據Google 資深副總Urs Holzle 透露,，當前Google TPU、GPU 并用,，這種情況仍會維持一段時間,，但也語帶玄機表示，GPU 過于通用,，Google 偏好專為機器學習設計的芯片,。GPU 可執(zhí)行繪圖運算工作，用途多元,；TPU 屬于ASIC,，也就是專為特定用途設計的特殊規(guī)格邏輯IC，由于只執(zhí)行單一工作,，速度更快,，但缺點是成本較高。至于CPU,，Holzle 表示,，TPU 不會取代CPU，研發(fā)TPU 只是為了處理尚未解決的問題,。但是他也指出,，希望芯片市場能有更多競爭。

 如果AI算法改變了（從邏輯上講隨著時間的推移算法應該會改變）,，你是不是想要一款可以重新編程的芯片,，以適應這些改變？如果情況是這樣的,，另一種芯片適合,，它就是FPGA（現(xiàn)場可編程門陣列）。FPGA可以編程,，和ASIC不同,。微軟用一些FPGA芯片來增強必應搜索引擎的AI功能。我們很自然會問：為什么不使用FPGA呢,？

 谷歌的回答是：FPGA的計算效率比ASIC低得多,，因為它可以編程。TPU擁有一個指令集,，當TensorFlow程序改變時,，或者新的算法出現(xiàn)時，它們可以在TPU上運行。

 現(xiàn)在問題的答案開始浮現(xiàn),。在谷歌看來,，能耗是一個重要的考量標準，數(shù)據中心相當巨大,，建設在世界各地,，包括芬蘭和臺灣。能耗越高,，運營的成本就越高,，隨著時間的推移實際消耗的金錢會成倍增長。谷歌工程師對比了FPGA和ASIC的效率,，最終決定選擇ASIC,。

 問題的第二部分與TPU的指令集有關。這是一套基本的命令,，它以硬編碼形式存在于芯片中,，能夠識別、執(zhí)行,；在芯片世界,，指令集是計算機運行的基礎。

 在開發(fā)TPU指令集時,，它是專門用來運行TensorFlow的,，TensorFlow是一個開源軟件庫，針對的是AI應用的開發(fā),。谷歌認為，如果AI有必要在底層進行改變,，極可能發(fā)生在軟件上,，芯片應該具備彈性，以適應這種改變,。

 TPU架構的技術細節(jié)讓許多了解芯片的人驚奇,。Anandtech的Joshua Ho有一個有趣的理論：TPU更加類似于第三類芯片，也就是所謂的數(shù)字信號處理器（Digital Signal Processor）,。

 （5）微軟

 這是又一個由軟轉硬的代表,，微軟蟄伏六年，打造出了一個迎接AI世代的芯片,。那就是Project Catapult,。

 據介紹，這個FPGA 目前已支持微軟Bing,，未來它們將會驅動基于深度神經網絡——以人類大腦結構為基礎建模的人工智能——的新搜索算法,，在執(zhí)行這個人工智能的幾個命令時，速度比普通芯片快上幾個數(shù)量級。有了它,，你的計算機屏幕只會空屏 23 毫秒而不是 4 秒,。

 在第三代原型中，芯片位于每個服務器的邊緣,，直接插入到網絡,，但仍舊創(chuàng)造任何機器都可接入的 FPGA 池。這開始看起來是 Office 365 可用的東西了,。最終,，Project Catapult 準備好上線了。另外,，Catapult 硬件的成本只占了服務器中所有其他的配件總成本的 30％,，需要的運轉能量也只有不到 10％，但其卻帶來了 2 倍原先的處理速度,。

 另外還有賽靈思,、高通、中國寒武紀等一系列芯片投入到AI的研發(fā),。我們暫且按下,。先看一下新興的AI芯片勢力。

二,、新興勢力

（1）KnuEdge

 KnuEdge實際上并不是一個初創(chuàng)公司,，它由NASA的前任負責人創(chuàng)立，已經在一個隱形模式下運營了10年,。KnuEdge最近從隱形的模式中走出,，并讓全世界知道他們從一個匿名的投資人獲取1億美元的投資用來開發(fā)一個新的“神經元芯片”。

 KUNPATH提供基于LambaFabric的芯片技術,，LambaFabric將會通過與現(xiàn)在市場上的GPUs,、CPUs和FPGAs完全不同的架構進行神經網絡的計算。

 LambdaFabric本質上是為在高要求的運算環(huán)境下向上拓展至512000臺設備而設計,，機架至機架延遲時間只有400毫微秒,，低功耗的256核處理器。

 KNUPATH技術以生物學原理為基礎,，將會重新定義數(shù)據中心和消費設備市場中的芯片級／系統(tǒng)級計算,。

 對比其他相似的芯片，這個芯片技術應提供2倍到6倍的性能優(yōu)勢,，并且公司已經通過銷售他們的樣機系統(tǒng)獲得了收入,。在“KnuEdge傘形結構”下，KnuEdge由3個單獨的公司組成,，KnuPath提供他們的芯片,，KnuVerse提供通過驗證的軍事級的語音識別和驗證技術，Knurld．io是一個允許開發(fā)者們去簡單地融合語音驗證到他們的專利產品的公共云API服務（Public cloud API service）。KnuEdge宣稱,，現(xiàn)在只需要對著麥克風說幾個詞就可以做到驗證電腦,、網絡、移動應用和物聯(lián)網設備,。以后再也不用記住密碼將會是一件多棒的事情,？

（2）Nervana

 這個公司已經被英特爾收購了，但我覺得我還是有必要介紹一下這個公司,。Nervana創(chuàng)立于2014年,，位于圣地亞哥的初創(chuàng)公司Nervana Systems已經從20家不同的投資機構那里獲得了2440萬美元資金，而其中一家是十分受人尊敬的德豐杰風險投資公司（Draper Fisher Jurvetson,，DFJ）,。

 在·The Nervana Engine（將于2017年問世）是一個為深度學習專門定做和優(yōu)化的ASIC芯片。這個方案的實現(xiàn)得益于一項叫做High Bandwidth Memory的新型內存技術,，同時擁有高容量和高速度,，提供32GB的片上儲存和8TB每秒的內存訪問速度。該公司目前提供一個人工智能服務“in the cloud”,，他們聲稱這是世界上最快的且目前已被金融服務機構,、醫(yī)療保健提供者和政府機構所使用的服務，他們的新型芯片將會保證Nervana云平臺在未來的幾年內仍保持最快的速度,。

（3）地平線機器人

 由余凱創(chuàng)立于2015年的初創(chuàng)企業(yè)Horizon Robotics（地平線機器人）已經從包括Sequoia和傳奇的風險資本家Yuri Milner等投資人獲得了未透露金額的種子基金,。后來更是獲得了已經獲得了晨興、高瓴,、紅杉,、金沙江、線性資本,、創(chuàng)新工場和真格基金的聯(lián)合投資,。他們正在著手于建立一個一站式人工智能解決方案，定義“萬物智能”,，讓生活更便捷、更有趣,、更安全,。

 地平線致力于打造基于深度神經網絡的人工智能 “大腦” 平臺 － 包括軟件和芯片，可以做到低功耗,、本地化的解決環(huán)境感知,、人機交互、決策控制等問題,。

 其中,，軟件方面，地平線做了一套基于神經網絡的 OS，已經研發(fā)出分別面向自動駕駛的的 “雨果” 平臺和智能家居的 “安徒生” 平臺,，并開始逐步落地,。硬件方面，未來地平線機器人還會為這個平臺設計一個芯片——NPU （Neural Processing Unit） ,，支撐自家的 OS,，到那時效能會提升 2－3 個數(shù)量級（100－1000 倍）。

 安徒生平臺方面,，今年3月 上海的家博會上,，地平線機器人展示了與家電大廠合作的智能家電，近期還會推出其他新品,。雨果平臺方面,，今年3月9日奇點汽車發(fā)布會上，地平線機器人首次展示了基于雨果平臺的 ADAS（先機輔助駕駛系統(tǒng)）原型系統(tǒng),。據悉,，世界某知名 tier－1 汽車零部件供應商的 ADAS 系統(tǒng)也確定將采用地平線研發(fā)的單目感知技術。

（4）krtkl

 創(chuàng)立于2015年的krtkl致力于創(chuàng)造“一個微小的無線電腦用來創(chuàng)造一些完全不同的東西”,。技術人將會迷戀Snickerdoodle,，一個雙核ARM處理器、FPGA,、WIFI,、藍牙，起價于65美元,，“以最小,、最難做、最實惠賦能機器人,、無人機和計算機視覺等的平臺”,。這個產品事實上是通過眾籌獲得了超過16萬美金的資金。最新的信息是說他們已經收到了Snickerdoodle初級版本,，并且很快就會出貨,。這款開拓板是基于XilinxZynq SoC，集成了ARM處置器和可編程FPGA,。用戶甚至可以經過手機上的專用APP對其舉行編程,，供230個用戶可用的I／O接口，應用靈巧兼容很多擴展板卡,，其特征如次：

 選擇Zynq 7010SoCchip,，集成雙核ARM Cortex－A9＠667Mhz處置器和430K LUT的FPGA資源（可晉級為Zynq 7020＠866Mhz1．3M LUT）

 這款開拓板的一大亮點是不僅支援傳統(tǒng)的MicroUSB程序燒寫，終端調試等效能,，還支援手機終端操控,，應用官方供的Apps,，經過Wi－Fi連接開拓板，用戶可以下載程序,，管腳把持,，管腳復用以及體系把持能效能。

（5）Eyeriss

 Eyeriss事實上還不是一個初創(chuàng)公司,，但是因為它是由MIT開發(fā)并且獲得了大量的媒體報道,，所以我們不能從這個名單中排除它。Eyeriss是一個高效能的深度卷積神經網絡（CNN）加速器硬件,，架構圖如下：

 MIT 表示,，該芯片內建168 個核心，專門用來部署神經網路（neural network）,，效能為一般行動GPU 的10 倍,，也因其效能高，不需透過網路處理資料,，就能在行動裝置上直接執(zhí)行人工智慧演算法,。其具有辨識人臉、語言的能力,，可應用在智慧型手機,、穿戴式裝置、機器人,、自動駕駛車與其他物聯(lián)網應用裝置上,。

 而MIT 研究出的Eyeriss 芯片之所以能大量提升效能，關鍵便在于最小化GPU 核心和記憶體之間交換資料的頻率（此運作過程通常會消耗大量的時間與能量）,，且一般GPU 內的核心通常共享單一記憶體,，但Eyeriss 的每個核心擁有屬于自己的記憶體。

 此外,，Eyeriss 芯片還能在將資料傳送到每一個核心之前,，先進行資料壓縮，且每一個核心都能立即與鄰近的核心直接溝通,，因此若需要共享資料,，核心們不需要透過主要記憶體就能傳遞。