为什么会说看得更清和AI－NPU也有关系呢？从人们直观感受的角度出发，“看得清”很好理解，比如在夜间我们想要把东西看得比较清楚，但传统摄像头拍摄出的图片往往会出现过曝、色彩细节被淹没的现象，同时走动的人和远处的建筑物周围会布满噪点。那么，在类似这种情况下，如何才能更好地实现“看得清”呢？事实上，视觉芯片要“看得清”离不开的正是AI－NPU大算力的支撑。

图｜夜间视频效果对比图

以智慧城市为例，我们已经使用500万像素的摄像头在做智能分析。传统的视频画质的改善使用的是传统的ISP技术，在暗光的场景下，会有大量的噪声，使用AI－ISP可以解决此问题，在暗光场景下依然可以给出清晰的画面，但是使用AI－ISP的技术，就必须用AI算法全分辨率、全帧率地对视频进行处理，而不能采用投机取巧的缩小分辨率或者跳帧的方式进行，因为人眼对于画质的闪烁非常敏感。而500万像素的视频码流，要做到全分辨率、全帧率的处理，就会对NPU的算力提出非常高的要求。

在智能分析的场景中，比如车辆检测和车牌识别的应用，目前常见的是采用500万的摄像头来录制30fps帧率的视频，然后每3／5帧做一次检测，在做检测的时候分辨率降到720P的方法，对于在视频画面中远处的车牌就会识别不出来，对于高速行驶的车辆就可能会漏检，解决方法也是尽量采用全分辨率、更高帧率检测的方式进行处理，而这种做法对NPU的算力同样提出了非常高的要求。

此外，如同前面提到的，除了看得清之外，我们还需要看得懂，所谓看得懂就是要做智能分析，要做智能分析也需要AI－NPU大算力的支撑，我们可以从两个角度来看这个问题。

首先，我们知道AI本身是一个提高效率的工具，它最终还是要落入到场景里面去，这也就是早期的AI＋和最近的＋AI的概念。那么，当AI落到行业里面去时，它能做些什么事情呢？事实上，AI能做的事情很多，比如可以把一些行业的专家系统用神经网络的方式做一些替代，这就相当于我们要把这样一个“专家”装到我们的AI芯片里，这个专家系统要足够聪明，对应的就是一个比较聪明或者比较大的网络，网络比较大就相当于脑容量比较大，它能够维持存储更多的权重值，这就会对NPU算力提出很高的要求。

其次，从部署的角度来看，目前我们模型的训练大都是在大算力的Server上跑出来的，而部署是在算力有限的端侧设备上，只有将模型或算法的计算量降到端侧能跑起来的程度，才能在应用侧更好的落地。因此需要模型压缩的过程，而模型压缩对技术人员的技术要求很高。如果我们端侧的算力比较高，其实这个过程是可以缩短的。这类似于做嵌入式软件开发的过程，早期受限于算力瓶颈，为了能够跑更多的功能，我们需要非常认真地来压榨硬件的性能，所以用汇编来写程序，但如果算力比较高，我们就可以用C语言来做开发。换言之，用一部分算力来换取开发效率的提升、AI落地的加速是可行的，但这种做法又反过来提高了对NPU算力的要求。

以上，我们分析了AI视觉感知芯片公司为什么要开发高性能大算力NPU的驱动力，但要真正实现大算力的芯片开发难度是非常大的。

众所周知，算力是NPU性能的重要指标，然而很多早期AI芯片的算力其实是标称值，真正使用时并不能达到标称的性能。比如号称1T的算力，结果实际跑下来发现只能用到200G或者是3～400G的水平。所以，大家现在使用更加实用的FPS／W或FPS／＄作为衡量先进算法在计算平台上运行效率的评价指标。

图｜AI－NPU的设计难点和驱动力

在自动驾驶领域，2017年特斯拉发布FSD芯片时，马斯克用FSD和此前在特斯拉上应用的英伟达DrivePX2相比，表示：“从算力的角度来看，FSD是DrivePX2的3倍，但在执行自动驾驶任务时，其FPS是后者的21倍。”