在3月底舉行的“深圳市智慧安防商會第一屆二次會員大會”上，北京深鑒科技有限公司銷售與市場總監(jiān)付祺偉圍繞著“深度學習處理器與多場景AI應用”的主題現(xiàn)場做了些許分享，在演講當中，付祺偉重點提到了關于降低人工智能應用門檻的問題，也是當前用戶端比較關心的問題。

　　近兩年來，隨著算力條件的不斷升級以及各行各業(yè)應用需求的爆發(fā)，人工智能成為當前炙手可熱的商業(yè)“課題”。而人工智能要做到“有用，好用”，在硬件架構上需要大規(guī)模的GPU、CPU做運算支持，這意味著高成本的投入，為了讓人工智能在應用領域爆發(fā)開來，當前我們需要解決應用門檻的問題，直白的說就是把應用成本降下來。如何解決成本的問題呢?首先，我們來了解一下計算平臺的變革歷程。

　　計算平臺變革帶來性能和成本的改變

　　2012年初，谷歌算法工程師轟動全球的貓臉識別，當時動用了1000臺服務器和16000個CPU ，模擬了一個10億個節(jié)點的神經網絡，一千萬張谷歌貓臉圖片，訓練出了貓臉識別的算法，耗資巨大。同年，一位叫Geoffrey的工程師僅用一臺服務和2個GPU，開發(fā)了AlexNet的算法，在ImageNet一百萬張圖片庫的識別率就達到了百分之八十幾。

　　從16000個CPU到2個GPU，計算平臺的變革所帶來的改變是巨大的，既帶來了使用體驗的高效提升，同時對于成本的控制也顯而易見。

　　通用芯片轉向專用芯片

　　人工智能所需的深度學習需要很高的內在并行度、大量浮點計算能力以及矩陣運算，計算量巨大，因此也推動著通用的智能芯片向專用芯片的轉化。付祺偉向大家介紹了目前業(yè)內出現(xiàn)的一些定制級的AI芯片，比如國外的芯片巨頭如ARM在CPU上添加神經網絡加速庫、NVIDA的針對AI訓練側的GPU、Xilinx的FPGA、針對深度學習推理側的TPU V1、把自動駕駛算法寫到芯片上的Mobileye Eye Q5 、Intel CPU 、Movidius DSP 等都是針對不同層級的AI芯片。

　　這兩年來，隨著國產AI芯片的崛起，國內如寒武紀、地平線、深鑒科技等也在AI芯片上取得了不錯的進展，其針對的AI層級也有所不同，如寒武紀面向更通用的機器學習市場的Cambricon MLU 、深鑒科技自家的DeePhi DPU則更加關注深度學習層面、地平線的Horizon Journey更專注于面向行業(yè)的算法。

　　相比于通用芯片，專用芯片是為特定場景而定制的，具備低功耗、低成本、高性能的優(yōu)勢。

　　深度模型壓縮算法：提速、減負、降成本

　　目前在深度學習領域分類兩個派別，一派為學院派，研究強大、復雜的模型網絡和實驗方法，為了追求更高的性能;另一派為工程派，旨在將算法更穩(wěn)定、高效的落地在硬件平臺上，效率是其追求的目標。付祺偉認為，復雜的模型固然具有更好的性能，但是高額的存儲空間、計算資源消耗是使其難以有效的應用在各硬件平臺上的重要原因。

　　深鑒科技擁有一套深度模型壓縮算法，這里的壓縮并不同于我們接觸的H.264(H.265)視頻壓縮，而是對算法神經網絡、算法模型的壓縮。為什么算法模型需要壓縮?

      付祺偉表示，一套算法模型一般有大約100Byte的內存規(guī)模，里面包含了神經網絡各個節(jié)點的權重值以及各種計算的鏈接，如果把這么多的權重值和鏈接都讀到內存中讓它們之間相互做運算，它所需要消耗的DDR和存儲空間都是非常巨大的，同時也將產生巨大的計算量。

　　深鑒科技深度模型壓縮算法可以通過“剪枝”和稀疏化來實現(xiàn)對算法模型的壓縮。

　　付祺偉解釋道，“剪枝”就是把不必要的信息過濾掉，稀疏化即是把沒有產生鏈接，沒用的權重值去掉，通過這樣的方式，就可以把比較大的神經網絡壓縮成一個小型規(guī)模的神經網絡，降低功耗的同時，性能保持不變，也讓運算速率提升起來。

      小結

     人工智能熱度不減，因為AI確實是當前個各智能產業(yè)領域提升生產力的重要推力，但目前市場上大談算法和技術成果的企業(yè)很多，真正能拿出手的應用案例仍相對較少。AI 企業(yè)更應該站在用戶的角度，解決AI落地應用的問題，包括成本控制、運算性能等，這樣才能讓人工智能在應用領域加速普及，“工程派”的企業(yè)也將走得更穩(wěn)，更遠。