惊叹！没有硬件能力也能玩转人工智能

2017-03-14 07:18

对标同类产品优势显著

随着摩尔定律走向终结，半导体厂商纷纷开始将目光投向各个新兴应用领域，人工智能就是其中一大热门，那么在这个群雄逐鹿的市场中，赛灵思reVISION凭什么脱颖而出呢？

1.低时延、响应快速

图3：赛灵思reVISION和Nvidia Tegra对比

赛灵思reVISION的竞争对手主要有英伟达的Tegra和典型SoC，包括高通骁龙和恩智浦i.MX产品。Steve对OFweek电子工程网自信的说；“与对手相比，我们的解决方案在机器学习效率方面可以提升6倍。通过对标发现在计算机视觉领域，我们的优势更加明显，可达到40倍以上。”同时他还强调了在实时快速响应系统中一个更重要的参数——时延。他说：“和其他同类竞争产品相比，我们的时延只有1/5。”

图4：低时延优势的具体表现

图4描述的是一辆小轿车跟在一辆小货车后面，货车突然进行紧急停车，小轿车时速是65英里，赛灵思方案响应时间是2.5毫秒，英伟达解决方案响应时间是从49毫秒到320毫秒间不等，具体时间长短取决于工程师如何部署系统。响应时间差异在停车距离上表现明显，距离差从5英尺到33英尺不等。期间的差别转化为结果可能就是是否有发生撞车或撞到行人。

2.硬件和软件的可重配置性和可编程性

图5：机器学习在过去一段时间里的研究过程

通过图5，我们可以发现机器学习在过去两年间取得的进步等于之前四十五年里取得的所有成果之和。

随着新的神经网络、算法的出现，为使上述这些嵌入系统更加有效地实施就会有新方案出现。之前最先进的实施方案是一种浮点方案，该方案非常适合训练，但受限于成本和功耗两个方面，并不十分适合推断。因而实施方案是在不断演进的，从8位下降到4位，甚至是最后到1位，所有一切都在一个神经网络里进行，只不过这个神经网络分成不同的层次，每一个层次对应不同的精度。同时，在嵌入式机器学习方面，也有新技术出现，比如说压缩和修剪技术。因此，可重配置性是非常关键的，只有拥有可重配置性才能持续升级到最新、最好的机器学习技术。

另一方面，可重配置性的重要性还体现在对新传感器技术和不同传感器配置的支持上。

图6：不同类别传感器技术演进过程

通过观察视觉导向应用，比如说图像，发现传感器类型和配置出现了一个爆炸，这种现象被称之为传感器融合。可以看出，人工智能和机器学习的不断扩张驱动了这股传感器融合趋势，这就需要可重配置性来跟上这些变化步伐。

最后，Steve向OFweek电子工程网等媒体总结到：reVISION消除了向广泛视觉导向机器学习应用扩展的障碍；reVISION加上可重配置加速堆栈，扩大了机器学习的应用从端到云的开发和部署。

后记：人工智能从诞生到现在，已经超过60年，期间几经起落，在半导体行业进入以应用为导向的时代，终于再次焕发生机。各式应用层出不穷，正在不断影响着我们生活的方方面面，与人类一同开拓对于各个领域的认知。小编相信未来是人类的也是人工智能的，而视觉导向的机器学习必将在人工智能时代大放异彩。

<上一页 1 2