在今天的人工智能硬件和让智能城市和自动驾驶汽车顺利运行所需的技术之间，还有很长的路要走。
为了实现新的创新，AI芯片制造商必须专注于磨练未来实现真正智能AV和IoT系统所需的构建技术。这意味着构建一个足够高效和紧凑的处理器来实时计算和解释大量数据。为了获得最大收益，这些处理器必须嵌入边缘设备本身。
在保持低计算成本和低功耗的同时，提高性能和速度是主要挑战。专为深度学习应用设计的特定领域嵌入式芯片可以帮助应对这一挑战。
嵌入式硬件已经能够以有限的性能执行语义分割和复杂对象检测等任务。改善这些功能最终将为完全自治铺平道路。
目前的处理器面临结构上的限制。
即使是今天的高端定制GPU也没有尽可能地针对AI和机器学习(ML)应用进行优化，这些结构性限制也阻碍了未来的智能技术。
例如，目前的视频和音频系统可能有复杂的算法和超清晰传感器，但它们处理和处理收集的数据的方式通常不能胜任。因为AV承受不了云端数据收发的速度(会导致潜在危险的反应时间滞后，比如考虑到避免孩子飞上街头所需的瞬间反应时间)，所以被迫将笨拙又耗电的“超级计算机”拖进后备箱。
这也是为什么如今的技术仍然依赖ADAS系统辅助驾驶员，却无法接管驾驶员的部分原因。
然而，带有ADAS系统的汽车上的一些硬件可以帮助支持全自动驾驶。事实上，许多现代汽车实际上并没有充分利用车载摄像头和其他传感器的分辨率，因为它们的数据系统根本无法处理全分辨率馈送，或者处理速度不够快。
在许多情况下，有许多传感器技术。然而，除非将功能强大、便携且节能的处理器直接安装在车辆中，否则真正自主所需的低延迟和高保真度之间的平衡仍然无法维持。
用人工智能重构建筑
提出了以独特的人工智能处理器和改进的体系结构在设备上实现真正的边缘计算的方法。
通过放弃传统计算架构，完全重建专用AI芯片，未来的处理器可以突破以前的限制。新的领域专用AI芯片比传统架构具有更高的效率。
与标准的CPU和GPU不同，这类芯片不需要外部存储器，而是将所有核心计算资源直接存储在芯片上。这种接近减少了向芯片发送数据和从芯片接收数据所需的能量和时间。
为什么专用的AI处理器这么高效？由于神经网络由许多层和节点组成，因此在神经网络之间快速有效地传输计算能力和数据的能力转化为显著的性能提升。此外，这种紧密的硬件集成使软件能够动态地重新分配资源，以最适合手头的任务。
事实上，这种特殊的芯片可以以最小的功耗提供出色的性能，同时，它可以一致地实时执行重要的人工智能计算。
标签：