2020 年 8 月 7 日，第五屆全球人工智能與機(jī)器人峰會(huì)（CCF-GAIR 2020）于深圳正式拉開帷幕。

CCF-GAIR 2020 峰會(huì)由中國(guó)計(jì)算機(jī)學(xué)會(huì)（CCF）主辦，香港中文大學(xué)（深圳）、雷鋒網(wǎng)聯(lián)合承辦，鵬城實(shí)驗(yàn)室、深圳市人工智能與機(jī)器人研究院協(xié)辦。

從 2016 年的學(xué)產(chǎn)結(jié)合，2017 年的產(chǎn)業(yè)落地，2018 年的垂直細(xì)分，2019 年的人工智能 40 周年，峰會(huì)一直致力于打造國(guó)內(nèi)人工智能和機(jī)器人領(lǐng)域規(guī)模最大、規(guī)格最高、跨界最廣的學(xué)術(shù)、工業(yè)和投資平臺(tái)。

8 月 7 日下午，依圖科技 CTO 顏水成為人工智能前沿專場(chǎng)做了題為《芯智能，新基建》的主題演講。

顏水成從新基建的產(chǎn)業(yè)大規(guī)模應(yīng)用出發(fā)，首先探討了學(xué)術(shù)界和工業(yè)界在人工智能探索方面的差別；以紅燒獅子頭作比喻，認(rèn)為學(xué)術(shù)界追求算法的可復(fù)制性、新穎性和公平性，而工業(yè)界的最終面向?qū)ο笫强蛻簦蛻羰遣⒉魂P(guān)心過程的。

所以，顏水成認(rèn)為，工業(yè)界要想讓人工智能走向落地，一個(gè)非常重要的點(diǎn)是要讓人工智能的成本降低，讓用戶用得起；這時(shí)候就需要把算法的效能和芯片的效能，通過協(xié)同開發(fā)的方式去形成人工智能的解決方案，而不是純粹的算法——這種解決方案稱之為芯智能。

值得一提的是，顏水成在演講中也談到了 "算法即芯片" 的理念，他表示：

要想打造一款有競(jìng)爭(zhēng)力的芯片，要清晰明白這個(gè)芯片典型的使用場(chǎng)景，它的主要算法以及這些算法在未來幾年里可能的發(fā)展趨勢(shì)，然后根據(jù)這些信息再去對(duì)芯片架構(gòu)進(jìn)行優(yōu)化，以及對(duì)工具鏈做相應(yīng)的優(yōu)化，最后實(shí)現(xiàn)它們相互的優(yōu)化，但同時(shí)也要保障芯片和算法能夠分層解耦。

以下是顏水成大會(huì)現(xiàn)場(chǎng)全部演講內(nèi)容，雷鋒網(wǎng)作了不改變?cè)獾恼砑熬庉嫞?/strong>

顏水成：今天想跟大家分享依圖在人工智能解決方案和人工智能的基礎(chǔ)設(shè)施維度的一些觀點(diǎn)和進(jìn)展。

人工智能在學(xué)術(shù)界和工業(yè)界的探索之差

今年新基建被提出來，在新基建的概念里面，一共定義了 7 個(gè)核心領(lǐng)域，其中有 4 個(gè)領(lǐng)域都跟人工智能和芯片有密切的聯(lián)系，如果仔細(xì)分析這四個(gè)方向，就會(huì)發(fā)現(xiàn)其跟產(chǎn)業(yè)大規(guī)模的應(yīng)用是非常相關(guān)的，但是當(dāng)我們?nèi)ヌ剿魅斯ぶ悄艿臅r(shí)候，在學(xué)術(shù)界和工業(yè)界的差別是非常巨大的。

下面我想用一個(gè)類似“紅燒獅子頭”這樣的比喻來說明在工業(yè)界和學(xué)術(shù)界研究人工智能本質(zhì)的差別。我們暫且從深度學(xué)習(xí)的角度出發(fā)，把紅燒獅子頭當(dāng)做是學(xué)術(shù)界或者工業(yè)界訓(xùn)練出來的最終的模型，在學(xué)術(shù)界，我們要得到這樣一個(gè)模型或者寫一篇論文，一般我們會(huì)說“請(qǐng)廚師在這個(gè)廚房用這些食材，當(dāng)面給我做一個(gè)紅燒獅子頭”為什么是這樣呢？因?yàn)樵趯W(xué)術(shù)界評(píng)判的對(duì)象是行業(yè)的專家，我們追求算法的可復(fù)制性，追求它的新穎性、公平性。公平性就意味著你要用同樣的數(shù)據(jù)，要用同樣的算力來做工作。新穎性就是這個(gè)廚師在做的過程中有什么新穎的地方，如果新穎的話，我就會(huì)覺得這個(gè)工作非常好。

但是工業(yè)界不是這樣的，我們的評(píng)判對(duì)象是最終的客戶，它的場(chǎng)景就類似于我就要一個(gè)紅燒獅子頭，請(qǐng)給我上來。我們的最終客戶并不會(huì)關(guān)心我們到底是用什么樣的食材做的，用了什么樣的制作工具，以及到底是誰烹飪的，我們都不管，他關(guān)心的就是最后他的這個(gè)紅燒獅子頭的味道是什么樣子的。

正是因?yàn)檫@些差別，有很多的學(xué)術(shù)界的教授到工業(yè)界并不能很好地適應(yīng)這種變化。所以在工業(yè)界里面當(dāng)我們?nèi)パ芯咳斯ぶ悄艿臅r(shí)候，一個(gè)非常優(yōu)秀的人工智能的模型，它的精度和速度在某種意義上已經(jīng)可以開始被解耦。

在工業(yè)界如果要想打造一個(gè)非常不錯(cuò)的人工智能的模型，一般有兩種方式，一種是數(shù)據(jù)和迭代的執(zhí)行力，一種是在算法上的創(chuàng)新。

如果我們要提升一個(gè)模型的精度，在當(dāng)前這個(gè)大背景，也就是很多算法已經(jīng)被開源的情況下，從算法角度能提升的精度和用大數(shù)據(jù)能提升的精度相比，往往大數(shù)據(jù)能提升的要大非常多。

但是如果我們想從速度的角度來提升，這個(gè)時(shí)候純粹靠速度和執(zhí)行力，它的價(jià)值就相對(duì)來說會(huì)小很多，算法的價(jià)值就會(huì)變得非常大。

也就是說在工業(yè)界，在算法已經(jīng)給你的情況下，你從數(shù)據(jù)的角度能快速提升精度，當(dāng)然是對(duì)速度的提升相對(duì)有限。

但是從算法創(chuàng)新的角度，可以把這個(gè)速度提升得非常多，但是精度的提升是非常弱的。如果我們要想讓人工智能落地的話，首先是要讓用戶用得起人工智能，同時(shí)，需要把算法的效能和芯片的效能，通過協(xié)同開發(fā)的方式形成人工智能的解決方案，而不是純粹的算法，我們把這種解決方案叫做芯智能，而這也是依圖在過去這幾年作為服務(wù)于新基建的核心和根基。

那么，為什么要做芯片和算法的協(xié)同開發(fā)呢？下面我們從三個(gè)維度的關(guān)系來做一個(gè)分析，一是算法模型的效能，二是芯片計(jì)算的效能，三是算法模型效能和芯片計(jì)算效能合并之后能分析的數(shù)據(jù)的規(guī)模。

如果我們只是一個(gè)算法開發(fā)者，當(dāng)一款算法開發(fā)出來之后，把它用在具體的芯片上，姑且認(rèn)為它們能處理的速度規(guī)模就是它們的線段交叉的部分，當(dāng)我們用更高效能的芯片，也就是說我們會(huì)用更好制程的芯片提升它的效能，我們能處理的數(shù)據(jù)的規(guī)模會(huì)不斷提升。但是因?yàn)樗惴ê托酒瑑蓚€(gè)是分開的，所以它只能起到一個(gè)線性連接的作用。

假設(shè)我是一個(gè)芯片開發(fā)者，我們要解決一個(gè)具體場(chǎng)景的應(yīng)用，比如說城市大腦，當(dāng)我們用不同的模型，隨著模型的效能提升，我們能夠讓這個(gè)分析的規(guī)模逐步的提升。但是如果我們協(xié)同開發(fā)，它就完全不一樣了，它會(huì)帶來一個(gè)額外的增量，它不再只是說連線上能處理的數(shù)據(jù)的規(guī)模，協(xié)同開發(fā)會(huì)帶來一個(gè)額外的增量，這個(gè)增量會(huì)極大地提升最終解決方案的效能，從而讓我們提供的解決方案更具核心競(jìng)爭(zhēng)力。

具體來說就是“算法即芯片”的理念，你要想在當(dāng)前芯片非常多的背景下，打造一款有競(jìng)爭(zhēng)力的芯片，你要清晰明白這個(gè)芯片典型的使用場(chǎng)景，它有哪些主要的算法，以及這些算法在接下來幾年里面可能的發(fā)展趨勢(shì)，然后根據(jù)這些信息再去對(duì)你的芯片架構(gòu)進(jìn)行優(yōu)化，以及工具鏈做相應(yīng)的優(yōu)化，最后實(shí)現(xiàn)它們相互的優(yōu)化，但要保障芯片和算法能夠分層解耦。

依圖做的兩個(gè)工作

接下來跟大家分享依圖在過去這段時(shí)間里面在高效能的算法和高效能的芯片里面做的一些工作。

在高效能算法里面分享兩個(gè)，第一個(gè)工作是想跟 bottleneck structure  （音）做一個(gè)正名，它也可以用來設(shè)計(jì)低資源、低功耗的深度學(xué)習(xí)的模型，自從 MobileNetV2 被提出來之后，Inverted Residual Block(IRB) 一直被用來設(shè)計(jì)所有低資源、低功耗的深度學(xué)習(xí)的模型，但是 IRB 有一個(gè)特點(diǎn)，它的連接的部分是在窄的部分，在這個(gè)部分有一個(gè)比較大的問題，當(dāng)信息通道變少了以后，也就是說它窄了的話，從不同的隨機(jī)數(shù)據(jù)樣本獲取的梯度差別就會(huì)很大，它會(huì)有很大的抖動(dòng)，當(dāng)不同數(shù)據(jù)樣本里面產(chǎn)生的梯度互相矛盾的時(shí)候，優(yōu)化的速度就會(huì)大大的降低。盡管在 MobileNetV2 里面有實(shí)驗(yàn)表明: IRB 這種反漏斗模型的效率比 bottleneck structure 要好很多，但是并沒有太仔細(xì)地講它這個(gè)漏斗模型到底是怎么樣設(shè)計(jì)的。

于是我們做了三組非常詳細(xì)的實(shí)驗(yàn)，一組實(shí)驗(yàn)是在 IRB 的1×1卷積之后，第二個(gè)是在 3×3 這個(gè)寬的地方有 ReLU 的情況，第三種是把 ReLU 去掉去做直連。如果我們從 1×1 的卷積上直連，它的性能確確實(shí)實(shí)比 IRB 差不少，但是我們把它連接的位次上升到 3×3 的卷積的時(shí)候，效率就提升了，一個(gè)經(jīng)驗(yàn)上的解釋是因?yàn)?1×1 卷積缺少 Special information，或者它的 Complex 比不上 3×3 卷積之后那么好。（這部分不太確定）

就第三種情況來看，當(dāng)我們把這個(gè) ReLU 去掉之后，它的模型就比 IRB 有更好的效能，從 72.3% 上升到  73.7%，從這些實(shí)驗(yàn)說明，bottleneck structure如果純粹從結(jié)構(gòu)上說，會(huì)增益網(wǎng)絡(luò)梯度更新，增加收斂速度，進(jìn)而用來設(shè)計(jì)低功耗的深度學(xué)習(xí)的模型是沒有問題的。

我們到底如何設(shè)計(jì)一個(gè)非常通用的適合于低功耗的場(chǎng)景的模型呢？

我們直接從 bottleneck structure 開始肯定是比較難，因?yàn)?3×3 的卷積是放在非常窄的地方，Spatial context 考慮得太少，于是我們把 3×3 卷積從它原來的位置放到了比較寬的位置，同時(shí)我們把它 copy 兩份，這樣即使在 Depthwise 這種情況下，這個(gè)模型 Spatial context 還能考慮得非常充分，于是我們就得到了右邊這樣一個(gè) bottleneck structure，用來設(shè)計(jì)低功耗深度學(xué)習(xí)的模型。

但是還有一個(gè)問題，如果從寬的地方直連，一個(gè)現(xiàn)實(shí)的情況是在現(xiàn)在的算力平臺(tái)上，Element wise 這種加法計(jì)算的效能是相對(duì)來說比較差的，同時(shí)跳躍鏈接可能會(huì)引起額外的內(nèi)存訪問，這對(duì)于計(jì)算效能的影響也是不可忽略的。所以減小跳躍鏈接的Tensor 尺度可以有效的提高硬件效率。這也是當(dāng)時(shí) IRB 提出的一個(gè)主要原因，于是我們提出一種思想叫Partial connection，這恰好是我們?cè)?2017 年打 ImageNet 競(jìng)賽里面提出的一個(gè)核心的思想，這個(gè)實(shí)驗(yàn)的結(jié)果非常有意思，我們把它從原來百分之百的直連降成 50% 的直連，一般而言它的性能不但沒有下降，還會(huì)上升，這也證明原來這種思想也是非常合適的，這樣我們就得到了非常適合做低資源、低功耗、深度學(xué)習(xí)的模型設(shè)計(jì)的網(wǎng)絡(luò)。我們把 MobileNetV2 的 IRB 的結(jié)構(gòu)替換成新的 SG Block  的模型，把模型的性能從 72.3% 上升到 74%，加上一些其它的優(yōu)化，可以上升到 77.3%，在這種情況下，說明我們用 bottleneck structure 已經(jīng)跟當(dāng)前幾乎是最好的低資源的深度學(xué)習(xí)模型可以媲美。

我們看一下這個(gè)模型的結(jié)構(gòu)，是不是有足夠的泛化的能力，于是把它放到了現(xiàn)在大家在深度思考的 NAS的思想里面，我們用 Darts 的算法，把原來的 search space 加入SG block，我們做了三組不同的實(shí)驗(yàn)，一種用原始的 search space，一種把 IRB放進(jìn)去，SG Block在參數(shù)一定降低的情況下，還能把精度提升，而且Darts會(huì)自動(dòng)地在它的網(wǎng)絡(luò)里面大量選用 SG Block，也就是說 SG Block 是通用的，可以在很多場(chǎng)景使用，來提升低資源、低功耗、深度學(xué)習(xí)設(shè)計(jì)的網(wǎng)絡(luò)。

第二個(gè)工作是希望去提升在 Language model 或者 Training model 的 Training Efficient。前面幾位講者介紹的模型，哪怕最原始的模型，都會(huì)有一個(gè)顯著的問題，跟通用的計(jì)算機(jī)視覺模型相比，它的參數(shù)要大很多，它差不多是4倍以上的參數(shù)、60 倍以上的計(jì)算量，這樣帶來的后果就是，除了大公司有能力去探索這個(gè)領(lǐng)域，在學(xué)校里面的研究者基本上沒有太多的機(jī)會(huì)深入地對(duì)這些方向進(jìn)行探索，我覺得這肯定不是最好的，于是我們思考，能不能有辦法把基礎(chǔ)的速度大幅提升。在 self-attention 使用的時(shí)候，我們發(fā)現(xiàn)一個(gè)比較大的問題，它這里面存在非常多的冗余的信息。

Attention 的機(jī)制是希望動(dòng)態(tài)確定一個(gè) token，跟其它的 token  之間的Dependency，self-attention是說所有的 token 產(chǎn)生對(duì)所有 token 的 Dependency，如果用 Fix convolution kernel 的話，這種  Dependency是固定的，如果用最簡(jiǎn)單的Dynamic，就是從一個(gè) token 去產(chǎn)生一個(gè)肯定的結(jié)果肯定是非常難的，因?yàn)檎Z義上有很多歧義，比如說一個(gè) Apple，它有可能是一個(gè)品牌，也可能是一個(gè)真實(shí)的水果，如果純粹從一個(gè) token  出發(fā)，它非常難把真正的Dependency 展示出來，我們用 一個(gè)token 和一個(gè)周圍的token去預(yù)測(cè) Local Dependency，于是就得到了新的這種結(jié)構(gòu)。

實(shí)驗(yàn)表明，F(xiàn)ix convolution kernel肯定是最差的，我們這種效果有很好的提升。

另外一個(gè)維度，如果兩者融合，它的效果肯定會(huì)更好。于是我們把它融合在一起，融合在一起之后會(huì)發(fā)現(xiàn)一個(gè)很有意思的事情，在有 Convolution 的情況下，在新的模型里面，self-attention模塊就會(huì)轉(zhuǎn)向真的去刻畫 Global Dependency。把它們真正地用更細(xì)致的實(shí)驗(yàn)去跑這些模型，你會(huì)發(fā)現(xiàn)正因?yàn)橛羞@種 Global 和local模塊 的加入，我們能夠用 1/10 的訓(xùn)練的時(shí)間和 1/6 的參數(shù)，就能獲得跟原來的模型獲得一樣的精度，這種機(jī)制就可以讓更多的學(xué)者用更少的時(shí)間能夠去探索 Language model 的訓(xùn)練，對(duì)于這個(gè)領(lǐng)域的發(fā)展來說，我覺得也是非常重要的。

在芯片這個(gè)維度，我們主要想分享幾個(gè)我們的觀點(diǎn)和最近的進(jìn)展。

有很多人最近經(jīng)常要回答的一個(gè)問題是，算法、算力和數(shù)據(jù)在工業(yè)界來說到底哪一個(gè)是最重要的，毫無疑問，如果從科學(xué)的角度來說，肯定只有算法是最重要的，沒有它的不斷地探索，我們不可能讓整個(gè)領(lǐng)域往前推動(dòng)。

但是從工業(yè)界來說，特別是在當(dāng)前這個(gè)階段，算力已經(jīng)變得越來越重要，一方面是因?yàn)橹悄苊芏鹊奶嵘?，更多的傳感器和?shù)據(jù)是要被處理。這時(shí)候需要的算力會(huì)大幅度增加。另外一個(gè)非常重要的原因是我們處在一個(gè)從感知智能向決策智能躍遷的階段，我們會(huì)對(duì)感知智能的精度要求更高，我們要對(duì)解釋對(duì)象的數(shù)量大幅的提升，以及對(duì)象之間的關(guān)系也會(huì)大幅的提升，這時(shí)候合在一起，對(duì)算力的要求會(huì)是一個(gè)指數(shù)級(jí)的增加。

另外一個(gè)維度，大家都探索過對(duì)模型的訓(xùn)練，它所需要的算力，已經(jīng)不是原來的摩爾時(shí)代的那種速度，已經(jīng)是每三個(gè)多月的時(shí)間就會(huì)翻一番。很顯然，我們已經(jīng)進(jìn)入到一個(gè)算力霸權(quán)的時(shí)代，GPT-3 前面已經(jīng)講過，我們就看計(jì)算機(jī)視覺這個(gè)領(lǐng)域，最近一個(gè)方向是自我訓(xùn)練，當(dāng)我們想要得到一個(gè)非常有效的模型，已經(jīng)需要用 2000  多塊 TPU core 訓(xùn)練 6 天的時(shí)間，用網(wǎng)上的報(bào)價(jià)來算，需要 13 萬美金才能訓(xùn)練一個(gè)模型，這對(duì)學(xué)術(shù)界來說也是一個(gè)非常巨大的挑戰(zhàn)。

當(dāng)我們把訓(xùn)練和價(jià)格放在一起思考的時(shí)候，需要考慮如何大規(guī)模的降低算力的成本。在算力霸權(quán)的情況下，我們真的要回答 AI 的終局是什么，比如說自然語言能達(dá)到什么樣的程度，這時(shí)候一定要打造自己的AI芯片。

前面提到依圖 AI 芯片設(shè)計(jì)的理念是“算法即芯片”，在這里我想再用一個(gè)齒輪的圖形給大家清晰理解“算法即芯片”的意義是什么。當(dāng)我們確定了幾個(gè)典型的應(yīng)用場(chǎng)景，它足夠大、足夠消化這款芯片，我們就會(huì)知道有哪些算法，以及這些算法就能夠拆解出它的算子出來，如果我們的 AI 芯片對(duì)于這些算子的頻率做了一個(gè)分析，然后做了一個(gè)設(shè)計(jì)上的優(yōu)化和設(shè)計(jì)之后，當(dāng)一個(gè)算法跑起來，AI 芯片里面相應(yīng)的算子就會(huì)被啟動(dòng)，當(dāng)另外一部分算法跑起來，另外一部分算子就會(huì)被啟動(dòng)，這樣它的算子的冗余和利用率，就會(huì)根據(jù)我們的場(chǎng)景和算法有一個(gè)相互的優(yōu)化和協(xié)同的開發(fā)，它的效能肯定是最好的。

依圖基于這種理念，在 2019 年 5 月份發(fā)布了第一款芯片叫求索芯片，這款芯片發(fā)布即商用，發(fā)布這款芯片的時(shí)候，直接就在現(xiàn)場(chǎng)拉了 200 路視頻，把我們的 AI 芯片做成 AI 服務(wù)器，實(shí)時(shí)的做推理和分析。

這款芯片是由云端和邊緣端視覺推理的芯片，它具備了 AI 的端到端的能力。具體來說，跟發(fā)布時(shí)市面最典型的解決方案相比，單路視頻的功耗能降到 1/5 到 1/10，單位面積芯片也有相應(yīng)的優(yōu)勢(shì)，這樣對(duì)于大大地降低用戶最終的購(gòu)買和使用成本，這個(gè)價(jià)值是非常不錯(cuò)的。

基于依圖的高效能 AI 的算法，大家可能理解的比較多的是依圖的人臉識(shí)別的算法，其實(shí)依圖在 Re-ID 維度落地也非常不錯(cuò)，再加上依圖的求索芯片在一起，我們打造 AI 的解決方案，相應(yīng)的硬件包括云端的服務(wù)器和邊緣盒子，分別應(yīng)用于不同的場(chǎng)景，對(duì)應(yīng)剛才陳老師的說法，右邊的放在邊緣計(jì)算，左邊的放在云端計(jì)算。

這些一體化的解決方案，已經(jīng)用來解鎖不同的場(chǎng)景，依圖解鎖場(chǎng)景有兩種方式，一種方式是用精度的極限，比如說在福州和貴陽用刷臉乘地鐵的方案，是因?yàn)槿四樧R(shí)別的精度已經(jīng)非常高，能夠滿足這種場(chǎng)景的應(yīng)用。

另外一些場(chǎng)景要解鎖是要解鎖用戶買得起，比如說城市級(jí)的智慧城市解決方案，在這種情況下，你可能要處理的視頻路數(shù)是 10 萬到 50 萬路，只有當(dāng) AI 的芯片和 AI 算法柔和在一起，才可能打造出一個(gè)可用的解決方案。

最后做一個(gè)簡(jiǎn)短的總結(jié)，依圖會(huì)在芯智能這條路上不斷地深耕，不斷地提升算法的效能和芯片的效能，通過協(xié)同開發(fā)的形式，我們期望為新基建提供更高效能的芯智能的解決方案。謝謝大家。

問答環(huán)節(jié)

主持人：謝謝顏水成的精彩演講。下面是提問環(huán)節(jié)。

提問：你說算法和硬件你是聯(lián)合考慮的，如果說把硬件和算法解耦出來，讓其它公司的算法跑進(jìn)去，也能有這么高的效率嗎？這是第一個(gè)問題。第二個(gè)問題，你剛才講 AI 芯片的設(shè)計(jì)，你是面向具體的應(yīng)用場(chǎng)景的，你的 PPT 里面講了有語音的，也有視覺的，是不是你們的芯片在語音和視覺方面都做了很好的優(yōu)化？

顏水成：第一個(gè)問題，我們講了要對(duì)不同場(chǎng)景常見的算法以及它未來的趨勢(shì)做預(yù)測(cè)，意味著我們?cè)陬A(yù)測(cè)的時(shí)候，其實(shí)已經(jīng)把其它的算法廠商可能的算法的特點(diǎn)考慮進(jìn)來了，所以這款芯片是能保證算法和芯片是解耦的，也就是說這款芯片也能夠讓第三方廠家的算法在上面能夠跑得不錯(cuò)。為了保障它跑得不錯(cuò)，因?yàn)槲覀冇幸恍┧阕涌隙ㄊ莾?yōu)化得比另外一些算子更好，所以一般的情況下，我們都會(huì)提供一個(gè)平臺(tái)，讓第三方的廠家可以根據(jù)這個(gè)平臺(tái)去Re-Design，或者是用NAS的方式自動(dòng)搜索它的模型的結(jié)構(gòu)，以便更好地適應(yīng)芯片上的特點(diǎn)。

第二個(gè)問題，我們這款芯片最初的目的是用于云和邊的視覺推理，但是因?yàn)槲覀冇邢鄳?yīng)的算子的支持，其實(shí)依圖也做語音識(shí)別，而且做得也不錯(cuò)，落地的地方也不少，我們發(fā)現(xiàn)對(duì)我們的語音識(shí)別的算法，對(duì)有些算子稍作調(diào)整，語音識(shí)別的算法也是可以跑在這款芯片里面。

提問：這兩個(gè)應(yīng)用完全不一樣，單比特的算力，視覺類和語音類差距比較大。

顏水成：是，所以我們定的目標(biāo)是視覺類的，但是當(dāng)語音的數(shù)據(jù)量并不是非常大的時(shí)候，當(dāng)然我們也希望有，在這里面跑也是可以的。

提問：視覺類的算法邊界也是很大的，場(chǎng)景也是很多的，是不是像檢測(cè)、跟蹤、語義分割，包括行為分析都可以？

顏水成：這是肯定的，因?yàn)槟闶怯脦讉€(gè)場(chǎng)景來定義這款芯片的，在幾個(gè)場(chǎng)景下，你所用到的常規(guī)的算法肯定是一定要全部包含的。

主持人：再次謝謝水成。

溫馨提示：

大會(huì)現(xiàn)場(chǎng)票已罄，應(yīng)觀眾強(qiáng)烈需求，現(xiàn)新增少許第三天 7 個(gè)專場(chǎng)通票，請(qǐng)于 8 月 8 號(hào) 23:00 前申請(qǐng)搶座：微信打開https://gair.leiphone.com/gair/free/s/5f28d5ae607bf  一鍵獲取。

雷鋒網(wǎng)雷鋒網(wǎng)雷鋒網(wǎng)

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。