人工智能产业发展现状与四大趋势
随着全球新一轮科技革命和产业变革孕育兴起，人工智能等数字技术加速演进，引领数字经济蓬勃发展，对各国科技、经济、社会等产生深远影响，已成为驱动新一轮科技革命和产业变革的重要力量。近年来，各国政府及相关组织持续加强人工智能战略布局，以人工智能为核心的集成化技术创新成为重点，人工智能相关技术产业化和商业化进程不断提速，正在加快与千行百业深度融合，其“头雁”效应得以充分发挥。此外，全球高度关注人工智能治理工作，发展安全可信人工智能已成为全球共识。
一人工智能的内涵与产业链
（一）人工智能的内涵
人工智能（ArtificialIntelligence）作为一门前沿交叉学科，与数学、计算机科学、控制科学、脑与认知科学、语言学等密切相关，自1956年首次提出以来，各方对其界定一直存在不同的观点。通过梳理不同研究机构和专家学者提出的相关概念，关于“人工智能”的内涵可总结如下：人工智能是指研究、模拟人类智能的理论、方法、技术及应用系统的一门技术科学，赋予机器模拟、延伸、扩展类人智能，实现会听、会看、会说、会思考、会学习、会行动等功能，本质是对人的意识和思想过程的模拟。
图1：人工智能内涵示意图
来源：火石创造根据公开资料绘制
（二）人工智能的发展历程
从1956年“人工智能”概念在达特茅斯会议上首次被提出至今，人工智能发展已经历经60余年，经历了三次发展浪潮。当前全球人工智能正处于第三次发展浪潮之中。
第一次浪潮（1956－1980年）：训练机器逻辑推理能力。在1956年达特茅斯会议上，以“人工智能”概念被提出为标志，第一次发展浪潮正式掀起，该阶段的核心是：让计算机具备逻辑推理能力。这一时期内，开发出了计算机可以解决代数应用题、证明几何定理、学习和使用英语的程序，并且研发出第一款感知神经网络软件和聊天软件，这些初期的突破性进展让人工智能迎来发展史上的第一个高峰。但与此同时，受限于当时计算机的内存容量和处理速度，早期的人工智能大多是通过固定指令来执行特定问题，并不具备真正的学习能力。
第二次浪潮（1980－2006年）：专家系统应用推广。1980年，以“专家系统”商业化兴起为标志，第二次发展浪潮正式掀起，该阶段的核心是：总结知识，并“教授”给计算机。这一时期内，解决特定领域问题的“专家系统”AI程序开始为全世界的公司所采纳，弥补了第一次发展浪潮中“早起人工智能大多是通过固定指令来执行特定问题”，使得AI变得实用起来，知识库系统和知识工程成为了80年代AI研究的主要方向，应用领域不断拓宽。
第三次浪潮（2006年至今）：机器学习、深度学习、类脑计算提出。以2006年Hinton提出“深度学习”神经网络为标志，第三次发展浪潮正式掀起，该阶段的核心是实现从“不能用、不好用”到“可以用”的技术突破。与此前多次起落不同，第三次浪潮解决了人工智能的基础理论问题，受到互联网、云计算、5G通信、大数据等新兴技术不断崛起的影响，以及核心算法的突破、计算能力的提高和海量数据的支撑，人工智能领域的发展跨越了从科学理论与实际应用之间的“技术鸿沟”，迎来爆发式增长的新高潮。
图2：人工智能的三次发展浪潮
来源：火石创造根据公开资料绘制
（三）人工智能的产业链
人工智能产业链分为三层：基础层、技术层以及应用层。基础层涉及数据收集与运算，这是人工智能的发展基础，包括智能芯片、智能传感器、大数据与云计算等；技术层处理数据的挖掘、学习与智能处理，是连接基础层与应用层的桥梁，包括机器学习、类脑智能计算、计算机视觉、自然语言处理、智能语音、生物特征识别等；应用层是将人工智能技术与行业的融合发展的应用场景，包括智能机器人、智能终端、智慧城市、智能交通、智能制造、智能医疗、智能教育等。
图3：人工智能产业链
来源：火石创造根据公开资料绘制
二全球人工智能产业发展现状
（一）人工智能产业规模保持快速增长
近年来人工智能技术飞速发展，对人类社会的经济发展以及生产生活方式的变革产生重大影响。人工智能正全方位商业化，AI技术已在金融、医疗、制造、教育、安防等多个领域实现技术落地，应用场景也日益丰富。人工智能的广泛应用及商业化，加快推动了企业的数字化、产业链结构的优化以及信息利用效率的提升。全球范围内美国、欧盟、英国、日本、中国等国家和地区均大力支持人工智能产业发展，相关新兴应用不断落地。根据相关统计显示，全球人工智能产业规模已从2017年的6900亿美元增长至2021年的3万亿美元，并有望到2025年突破6万亿美元，2017－2025年有望以超30％的复合增长率快速增长。
图4：2017－2025年全球人工智能产业规模（单位：亿美元）
数据来源：火石创造根据公开资料整理
（二）全球主要经济体争相布局，中美两国占据领先位置
人工智能作为引领未来的战略性技术，目前全球主要经济体都将人工智能作为提升国家竞争力、维护国家安全的重大战略。美国处于全球人工智能领导者地位，中国紧随其后，欧洲的英国、德国、法国，亚洲的日本、韩国，北美的加拿大等国也具有较好的基础。从全球各国人工智能企业数量来看，美国人工智能企业数量在全球占比达到41％，中国占比为22％，英国为11％，以上三个国家的人工智能企业数量合计占到全球的七成以上。
图5：全球人工智能企业数量分布
数据来源：中国信通院，火石创造整理
（三）公共数据集不断丰富，关键平台逐步形成
全球数据流量持续快速增长，为深度学习所需要的海量数据提供良好基础。商业化数据产业发展迅速，为企业提供海量图片、语音等数据资源和相关服务。公共数据集为创新创业和行业竞争提供优质数据，也为初创企业的发展带来必不可少的资源。优势企业例如Google、亚马逊、Facebook等都加快部署机器学习、深度学习底层平台，建立产业事实标准。目前业内已有近40个各类AI学习框架，生态竞争十分激烈。中国的代表企业如科大讯飞、商汤科技利用技术优势建设开放技术平台，为开发者提供AI开发环境，建设上层应用生态。
（四）人工智能技术飞速发展，应用持续深入
近十年来，得益于深度学习等算法的突破、算力的不断提升以及海量数据的持续积累，人工智能真正大范围地从实验室研究走向产业实践。以深度学习为代表的算法爆发拉开了人工智能浪潮的序幕，在计算机视觉、智能语音、自然语言处理等领域广泛应用，相继超过人类识别水平。人工智能与云计算、大数据等支撑技术的融合不断深入，围绕着数据处理、模型训练、部署运营和安全监测等各环节的工具链不断丰富。工程化能力持续增强，人工智能的落地应用和产品交付更加便捷高效。AI在医疗、制造、自动驾驶、安防、消杀等领域的应用持续深入，特别是新冠疫情以来，社会的数字化、智能化转型不断提速，进一步推动人工智能应用迈入快车道。
三全球人工智能产业发展趋势
（一）算法、算力和数据作为人工智能产业的底层支撑，仍是全球新一代人工智能产业的核心引擎
算法、算力和数据被全球公认为是人工智能发展的三驾马车，也是推动人工智能发展的重要基础。在算力层面，单点算力持续提升，算力定制化、多元化成为重要发展趋势；计算技术围绕数据处理、数据存储、数据交互三大能力要素演进升级，类脑芯片、量子计算等方向持续探索智能芯片的技术架构由通用类芯片发展为全定制化芯片，技术创新带来的蓝海市场吸引了大量的巨头企业和初创企业进入产业。在算法层面，Cafe框架?CNTK框架等分别针对不同新兴人工智能算法模型进行收集整合，可以大幅度提高算法开发的场景适用性，人工智能算法从RNN、LSTM到CNN过渡到GAN和BERT还有GPT－3等，不断涌现的新兴学习算法将在主流机器学习算法模型库中得到更高效的实现。在数据层面，以深度学习为代表的人工智能技术需要大量的标注数据，催生了专业的技术服务，数据服务进入深度定制化阶段。
（二）全球新兴技术持续孕育涌现，以人工智能为核心的集成化技术创新成为重点
随着全球虚拟现实、超高清视频、新兴汽车电子等新技术、新产品将不断孕育涌现，并与人工智能加速交叉集成，推动生产生活方式和社会治理方式智能化变革的经济形态；与此同时，人工智能与5G、云计算、大数据、工业互联网、物联网、混合现实（MR）、量子计算、区块链、边缘计算等新一代信息技术互为支撑。这意味着以交叉融合为特征的集成化创新渐成主流，多种新兴技术交叉集成的价值将使人工智能发挥更大社会经济价值。例如：人工智能与汽车电子领域加速融合，实现感知、决策、控制等专用功能模块，推动形成自动驾驶、驾驶辅助、人车交互、服务娱乐应用系统；人工智能与虚拟现实技术相结合，为生产制造、家装等提供工具，并为虚拟制造、智能驾驶、模拟医疗、教育培训、影视娱乐等提供场景丰富、互动及时的平台环境等。
（三）新基建春风与场景赋能双轮驱动，全球泛在智能时代加速来临
在新冠肺炎疫情成为全球发展“新常态”背景下，全球主要经济体均面临经济社会创新发展和转型升级挑战，对人工智能的运用需求愈加迫切，纷纷推动人工智能与实体经济加速融合，助力实现新常态下产业转型升级。一方面，全球大力布局智能化基础设施建设和传统基础设施智能化升级，推动网络泛在、数据泛在和应用需求泛在的万物互联生态加速实现，为人工智能的应用场景向更多行业、更多领域、更多环节、更多层面拓展奠定基础；另一方面，AI应用场景建设成为国内外关注和紧抓的关键举措，面向医疗健康、金融、供应链交通、制造、家居、轨道交通等重点应用领域，积极构建符合本地优势和发展特点的人工智能深度应用场景，探索智能制造、智能物流、智能农业、智慧旅游、智能医疗、智慧城市等模式创新和业态创新，同时典型场景建设也吸引了全球资本市场的重点关注，泛在化智能经济发展时代即将到来。
（四）全球高度关注人工智能治理工作，发展安全可信人工智能已成为全球共识
随着全球人工智能发展步入蓬勃发展阶段，人工智能深入赋能引发的挑战与风险广受关注，并在全球范围内掀起了人工治理浪潮。2019年6月，二十国集团（G20）批准了倡导人工智能使用和研发“尊重法律原则、人权和民主价值观”的《G20人工智能原则》，成为人工智能治理方面的首个政府间国际公约，发展安全可信的人工智能已经成为全球共识。此后，全球各国纷纷加速完善人工智能治理相关规则体系，聚焦自动驾驶、智慧医疗和人脸识别等重点领域出台分级分类的监管措施，推动人工治理从以“软法”为导向的社会规范体系，向以“硬法”为保障的风险防控制度体系转变。与此同时，面向人工智能治理体系建设和打造安全可信生态的相关需求，围绕着安全性、稳定性、可解释性、隐私保护、公平性等方面的可信人工智能研究持续升温，其理念逐步贯彻到人工智能的全生命周期之中，基于模糊理论的相关测试技术、AI结合隐私计算技术、引入公平决策量化指标的算法模型等新技术陆续涌现，产业实践不断丰富，已经演变为落实人工智能治理相关要求的重要方法论。
原文标题 : 全球视野下人工智能产业发展现状与四大趋势
高科技与产业化
近日，中国工程院院士、湖南大学教授王耀南在2021世界机器人大会上表示，未来机器人一定是朝着自主化更强，容错性更好的多机协作方向发展。机器人的发展态势应该是网络化、自主化、协同化、灵巧化。机器人要发展好，首先一定要规划好，第二要有一个好的创新环境，第三机器人一定要有标准，第四人才是关键。以下为现场报告整理。
机器人在智能时代发挥重要作用
人类从机械化发展到电器化、信息化，今天已经进入智能化时代，机器人在智能化时代中发挥着重要的作用。最早的机器人可以追溯到中国东汉时期，如无人车、指南车。真正的现代机器人是出现在1978年的工业机器人，其被广泛地应用到机器生产线、电子和汽车生产线——从这时起工业机器人和机器人才真正在产业方面被发挥应用。
近几年来，机器人已经在各大领域发挥重要作用，成为高端装备、智能制造的核心重要工具，同时也是推动重大装备加工、测量、检测等的重要引擎和工具。如今机器人在重大工程当中也发挥着重要的作用，在重大工程建模、运维、维护等各个方面，都有机器人的参与。机器人在重大基础设施建设和运维方面，都已发挥不可替代的重要的作用。
近年来我国制造业不断转型升级，劳动力的短缺加速推动了机器人的发展。当前全球多个发达国家都非常重视机器人产业，美国、德国、中国和日本四国是其中发展最迅速的，均发布了各自的产业规划。
无论是工业机器人、服务机器人还是特种机器人，简单而言，机器人就是光机电一体化的机械化装置。近几年间在机械化装置发展下，增加了机器人的感知、规划、决策、控制等功能，使机器人更加智能。
从机器人应用的角度划分，过去是工业机器人、服务机器人、特殊机器人等。从专业角度看，机器人结构分为仿生机构，并联机构等；从空域角度划分，可面向地面、空中和水下等。如今机器人已经广泛应用在工业、水下以及航空航天，近几年发展迅速的就是无人驾驶。
感知技术
机器人是一个典型的反馈的、闭环的控制系统。不管机器人构造如何复杂，都包含四个核心的关键技术：本体结构技术，感知系统与感知技术，决策与规划、调度、控制技术及执行技术。
目前机器人已经广泛应用到现实生活当中，如智能机器人、新材料、仿生、机器人的能源动力，以及脑机接口、医疗机器人——包括机器人的伦理等，都是未来机器人发展和挑战的方向。未来机器人一定是朝着自主化更强，容错性更好得多机协作的方向发展。
我们团队认为一个完整的机器人要具备五大能力（要素），包括感知要素、运动要素、规划要素、学习能力及决策能力。从专业角度来说，机器人就是一个闭环的反馈控制系统，三个关键的核心技术起到支撑作用。第一个是环境感知，第二个是规划决策，第三个方面是协同控制。
近几年来，我们团队在视觉传感器方面，研制视觉传感器的成像，在视觉成像后对视觉信息进行处理，再做成视觉的硬件和软件嵌入式系统。
首先，怎么打造高速高精的视觉感知与传感器呢？如何才能够有效地应用到机器人中，给机器人备上一双明亮的眼睛？近几年发展比较迅速的是支持性的光学成像、机器学习以及实时硬件处理等，能有效地应对高实时、高可靠、高性能的视觉感知系统。
处理微小、微弱业务时怎样有效地识别、判断？能让医疗、工业机器人在行走时能够精准地感知？机器人要装配一个零部件，首先得通过学习提取特征，用大量的样本训练，学习完以后用模型来建立三维的环境、场景的感知。通过这个三维模型让机器人固化在控制系统里，形成一个实时的视觉伺服控制以有效应对。目前发展得比较迅速的是三维地图定位与重建。
机器人控制系统发展迅速
在感知环节后，我们还要依托感知的信息，来控制机器人的操作。如今机器人的控制系统发展得也非常迅速。第一个方面是柔性控制，第二个方面是机器人视觉伺服控制，第三个方面是机器人的学习、智能控制，第四个方面是机器人的多机协同，多机协同是未来的发展方向。
机器人学习是一个漫长的过程，通过不断地学习后，设计学习控制器，可以将其通过硬件固化在机器人大脑、关节控制器、系统控制中，近几年强化学习控制器发展非常迅速。此外，我们加工一个大型复杂构件、完成一个医疗手术需要深度迭代的运动控制学习，只有通过传统控制不断迭代、不断训练，学习完成后才可以完成复杂的作业。当然，环境发生变化后可以再学习，这并不是一成不变。
比如在加工一个非常复杂的、杂乱无章的零部件时，我们怎么有效地抓取、识别与装配？这其中涵盖三个方面，即要将视觉感知、视觉伺服和精确的控制有机地结合起来，真正成为一个集三维深度感知的学习控制器。
控制器研发最重要的是多机协作，而多机控制需要解决几个关键性的核心问题：多传感器信息融合、协同感知、协同规划及协同控制。解决好这四个关键技术，就能够加工出一个大型的复杂部件。
比如智能制造或智能车间，如何在小品种、多批量、批量变化的要求下生产出产品？这就需要柔性化生产与作业，要解决多机器的协同、多工序的协同和多任务的分配。
机器人可以广泛应用到不同的场景，无论是工业、农业，或者物流、医疗等，都属于集成创新。但是要把集成创新做好非常不容易，所以我把它归结为第五大技术。
基于这五大技术，就可以广泛应用到不同的行业。第一个典型行业案例如我国基于高速机器视觉的饮料罐装机器人，近几年来发展非常迅速，但是在十多年前，工序不发达的情况下都是靠手工操作。
第二个典型应用在医药制造领域。过去配药、罐装药、封装药、分解药都采用人工。2003年非典疫情后，各大制药剂工厂提倡高速无菌化、高速无人化的生产。如今，机器人在疫苗生产当中也发挥着非常重要的作用。
第三个典型应用领域的代表是三星。作为电子领域传统企业，三星大量采用机器视觉、机器人的运动控制，来解决电子印刷电路板的装配问题。第四个应用方面是机器人的机械加工、激光加工焊接；第五个方面是高危作业。这些都是机器人在工业、农业、特殊作业行业等应用的典型案例，也就是基于五大关键技术以研发机器人。
智能机器人的未来发展
典型的机器人包括控制器、减速器、伺服器，再加一个完备的人机界面。1.0被称为自动化的机器，近几年迅速发展到2.0数字化，加入了视觉感知、轨迹规划以及视像等。
未来，在学术界、工业界以及产业界需求最高的服务机器人，更多地要向3.0协作机器人发展。要让机器人实现认知学习、人机交互、语意分析，尤其是对自然语言的理解。
人和机器协作，必须了解自然语言。将来机器人还要成为自主性的机器人，还有更多的技术正在迭代。机器人的发展过程是不断迭代的，让机器人变得更加聪明、更加有效、更加可靠，为人类带来更好的服务。
未来的机器人发展中，人工智能非常重要。人工智能的关键技术决定了机器人的未来。人工智能的四大技术——记忆技术、感知技术、行动规划以及机器学习，近年来发展非常迅速。这些技术完全可以移植到机器人里，未来的机器人一定是一个完备的、能够自主化、网络化的闭环的控制系统。
此外，从服务机器人身上可以发现，机器人能像人一样看懂说明书，能够自动地装配；机器人通过眼睛视觉，能感知得到，还要分析判断，要有认知。从感知智能到认知智能，再到行为智能，这些都是需要人工智能的技术。
而在智能工厂发展方向，也体现出人工智能的作用。比如网络化协同制造，过去一个工厂大批量地生产，今天的工厂则是小批量定制化或多品种。一件产品要制造，两件产品也要制造，要承担这么样艰巨的任务，工厂一定要做成柔性化、智能化的产线。而这就要依靠数字化、网络化和智能化的升级。
在关键的产线方面，实现制造的智能化、服务的智能化，才能真正地打造有竞争力的柔性的工厂，这需要工业互联网的加入，也需要制造云，才能建成新型的智慧工厂，也就是俗称的“灯塔工厂”“黑灯工厂”“无人工厂”。
物流方面也同样如此。5G技术的出现，为机器人的发展带来了福音。同时，智能网联交通包括人机交互技术等非常重要。此外，机器人在无人系统、无人作业、空地天协同作业等均能发挥重要作用。但其中的核心是，空间协同无论怎样发展，都需要一个高性能的类脑计算，目前业内都在设计无人系统的类脑芯片。
简单而言，人工智能与机器人的有机结合可以体现在四个方面。第一在感知层面，很多人工智能的技术已经被大量地应用，很多企业都在开发。第二在认知层技术，第三在决策层，第四在控制执行层，都能体现出人工智能技术融入机器人里。
机器人的发展态势应该是网络化、自主化、协同化、灵巧化。机器人要发展好，首先一定要规划好。第二要有一个好的创新环境，第三机器人一定要有标准，第四人才是关键。
AI芯片发展现状及前景分析
来源：专知
1.AI芯片定义及技术架构
1.1AI芯片定义
广义上所有面向AI应用的芯片都可以称为AI芯片。目前一般认为是针对AI算法做了特殊加速设计的芯片。现阶段，这些人工智能算法一般以深度学习算法为主，也可以包括其他浅层机器学习算法[7-8]。
1.2AI芯片功能
（1）训练。对大量的数据在平台上进行学习，并形成具备特定功能的神经网络模型。对AI芯片有高算力、高容量和访问速率、高传输速率、通用性的要求。
（2）推理。利用已经训练好的模型通过计算对输入的数据得到各种结论。对于AI芯片主要注重算力功耗比、时延、价格成本的综合能力。实验证明低精度运算（如float16，int8）可达到几乎和float32同等的推理效果，所以AI推理芯片有低精度算力的要求。
1.3技术架构
表1列出了AI芯片的几种技术架构，并对其优缺点进行比较。
表1.AI芯片技术架构
2.AI芯片应用场景
2.1数据中心（IDC）
用于云端训练和推理，目前大多数的训练工作都在云端完成[9]。移动互联网的视频内容审核、个性化推荐等都是典型的云端推理应用。NvidiaGPU在训练方面一家独大，在推理方面也保持领军位置。FPGA和ASIC因为低功耗、低成本的优势，在持续抢夺GPU的市场的份额。
云端主要的代表芯片有Nvidia-TESLAV100、华为昇腾910、Nvidia-TESLAT4、寒武纪MLU270等。
2.2移动终端
主要用于移动端的推理，解决云端推理因网络延迟带来的用户体验等问题。典型应用如视频特效、语音助手等。通过在手机系统芯片（systemonchip，SoC）中加入增加协处理器或专用加速单元来实现。受制于手机电量，对芯片的功耗有严格的限制。代表芯片有AppleA12NeuralEngine（加速引擎）和华为麒麟990。
2.3安防
目前最为明确的AI芯片应用场景，主要任务是视频结构化。摄像头终端加入AI芯片，可以实现实时响应、降低带宽压力。也可以将推理功能集成在边缘的服务器级产品中。AI芯片要有视频处理和解码能力。主要考虑的是可处理的视频路数以及单路视频结构化的成本[10]。代表芯片有华为Hi3559-AV100和比特大陆BM1684等。
2.4自动驾驶
AI芯片作为无人车的大脑，需要对汽车上大量传感器产生的数据做实时处理[11]，对芯片的算力、功耗、可靠性都有非常高的要求，同时芯片需要满足车规标准，因此设计的难度较大[12]。面向自动驾驶的芯片目前主要有NvidiaOrin、Xavier和Tesla的FSD等。
2.5智能家居
在AI+IoT时代，智能家居中的每个设备都需要具备一定的感知、推断以及决策功能。为了得到更好的智能语音交互用户体验，语音AI芯片进入了端侧市场。语音AI芯片相对来说设计难度低，开发周期短。代表芯片有思必驰TH1520和云知声雨燕UniOne等。
3.AI芯片关键技术和基准测试平台
3.1关键技术和挑战
（1）AI芯片当前的核心是利用乘加计算（multiplierandaccumulation，MAC）阵列来实现卷积神经网络中最主要的卷积运算的加速。MAC阵列的大量运算，会造成功耗的增加。很多AI应用的场景对于功耗都有严格的限制，如何达到优异的性能功耗比是AI芯片研发的一个重要目标。
（2）深度学习算法中参与计算的数据和模型参数很多，数据量庞大，导致内存带宽成为了整个系统的一个瓶颈“，MemoryWall”也是需要优化和突破的主要问题[13]。
（3）除了芯片本身硬件的设计以外，软件对于AI芯片性能的发挥也有着十分重要的作用，编译器和工具链软件的优化能力、易用性现在也得到越来越多的重视。
3.2基准测试平台
基准测试平台（Benchmark）为AI芯片建立了标准的评估体系，主要职责和意义有：
（1）基于调研和集群信息收集，真实反映AI芯片的使用情况。
（2）引入评估和选型标准。
（3）对AI芯片的架构定义和优化指引方向。基准测试平台的评估指标包括延时（ms）、吞吐量（ims/s）、能效比（ims/s/W）、利用率（ims/s/T）等。主要的基准测试台有MLPerf、DawnBench（Stanford）、DeepBench（百度）、AIMatrix（阿里巴巴）。
4.AI芯片未来趋势和探索
4.1神经形态芯片
神经形态芯片是指颠覆经典的冯·诺依曼计算架构，采用电子技术模拟已经被证明了的生物脑的运作规则，从而构建类似于生物脑的芯片[14]。
神经形态芯片的优点：
（1）计算和存储融合，突破MemoryWall瓶颈。
（2）去中心化的众核架构，强大的细粒度互联能力。
（3）更好的在线学习能力。清华大学、Intel、IBM等学校和企业都在做此方面的研究工作。
4.2可重构计算芯片
可重构计算芯片也叫做软件定义芯片[6]，主要针对目前AI芯片存在的以下问题和任务需求：
（1）高效性和灵活性难以平衡。
（2）复杂的AI任务需要不同类型AI算法任务的组合。
（3）不同任务需要的计算精度不同。可重构计算芯片的设计思想在于软硬件可编程，允许硬件架构和功能随软件变化而变化，从而可以兼顾灵活性和实现超高的能效比。
5.云端和边缘侧AI芯片和应用
5.1云端和边缘侧AI芯片
本研究团队从2017年开始研发AI芯片，并在当年发售了第一代云端专用AI芯片BM1680。在2019年发布了第三代AI芯片BM1684。BM1684采用TSMC-12nm工艺，有17.6Tops的int8和2.2Tflops的float32算力，典型功耗为16W，可以支持32路1080P的高清视频解码。基于BM1684芯片，研发了深度学习加速板卡SC5（如图1所示）、高密度计算服务器SA5、边缘计算盒子SE5、边缘计算模组SM5等面向各种不同人工智能应用的产品。
图1.深度学习加速板卡SC5
5.2研发产品的应用
本团队的AI产品已经在云端和边缘侧的多种应用场景下落地使用，包括智慧园区（如图2所示）、城市大脑（如图3所示）、视频结构化、人脸布控、智能支付等。
图2.智慧园区解决方案
图3.城市大脑应用
6.结论
AI芯片行业尚处于起步阶段，已经有越来越多的项目开始落地和商业化，它的快速发展有助于推动整个人工智能产业的进展。本文对AI芯片的现状和未来可能的技术方向做了调研和分析，希望可以帮助读者更好地了解AI芯片行业，AI芯片拥有巨大的产业价值和战略地位，相信中国的科研机构和企业会努力抓住机遇，让中国的人工智能产业蓬勃发展。
文献引用：
安宝磊.AI芯片发展现状及前景分析[J].微纳电子与智能制造,2020,2(1):91-94.
《微纳电子与智能制造》刊号：CN10-1594/TN
主管单位：北京电子控股有限责任公司
主办单位：北京市电子科技科技情报研究所
北京方略信息科技有限公司
投稿邮箱：tougao@mneim.org.cn（网站：www.mneim.org.cn）
参考文献:
[1]LECUNY，BOTTOUL，BENGIOY，etal.Gradient-basedlearningappliedtodocumentrecognition[J].ProceedingsoftheIEEE，1998，86(11):2278-2324.
[2]KRIZHEVSKYA,SUTSKEVERI,HINTONGE.Imagenetclassificationwithdeepconvolutionalneuralnetworks[C]//Proceedingsofthe25thInternationalConferenceonNeuralInformationProcessingSystems.ACM,2012:1097-1105.
[3]VINCENTP，LAROCHELLEH，BENGIOY，etal.Extractingandcomposingrobustfeatureswi-hdenoisingautoencoders[C]//Procofthe25thInternationalConferenceonMachineLearning.ACMPress，2008:1096-1103.
[4]VINCENTP，LAROCHELLEH，LAJOIEI，etal.Stackeddenoisingautoencoders:learningusefulrepresentationsinadeepnetworkwithalocaldenoisingcriterion[J].JournalofMachineLearningResearch，2010，11(12):3371-3408.
[5]施羽暇.人工智能芯片技术研究[J].电信网技术,2016,12(12):11-13.SHIYX.Researchonartificialintelligenceprocesschiptechnology[J].Telecommunicationnetworktechnology,2016,12(12):11-13.
[6]清华大学.人工智能芯片技术白皮书(2018)[R/OL].(2018-12-11)[2010-01-20].https://www.tsinghua.edu.cn/publish/thunews/9659/2018/20181217102627644168087/20181217102627644168087_.html.TsinghuaUniversity.2018WhitePaperonAIChipTechnologies[R/OL].(2018-12-11)[2010-01-20].https://www.tsinghua.edu.cn/publish/thunews/9659/2018/20181217102627644168087/20181217102627644168087_.html.
[7]BENGIOY.LearningdeeparchitecturesforAI[J].FoundationsandTrendsinMachineLearning，2009，2(1):1-127.
[8]HINTONGE.Learningdistributedrepresentationsofconcepts[C]//Procofthe8thAnnualConferenceoftheCognitiveScienceSociety.1986:1-12.
[9]尹首一,郭珩,魏少军.人工智能芯片发展的现状及趋势[J].科技导报,2018,17:45-51.YINSY,GUOH,WEISJ.Presentsituationandfuturetrendofartificialintelligencechips[J].Science&TechnologyReview,2018,17:45-51.
[10]汤炜伟.AI安防芯片的发展现状与前景分析[J].中国安防,2018,7:47-50.TANGWW.AnalysisofthedevelopmentandProspectofAIsecuritychip[J].ChinaSecurity&Protection,2018,7:47-50.
[11]尹首一.人工智能芯片概述[J].微纳电子与智能制造,2019,2:7-11.YINSY.Overviewofartificialintelligencechip[J].Micro/nanoElectronicsandIntelligentManufacturing,2019,2:7-11.
[12]谭洪贺,余凯.端侧AI芯片的挑战和展望[J].人工智能,2018,2:113-121.TANHH,YUK.ThechallengeandprospectofedgeAIchip[J].ArtificialIntelligence,2018,2:113-121.
[13]邱赐云,李礼,张欢,等.大数据时代——从冯·诺依曼到计算存储融合[J].计算机科学,2018,45(2):71-75.QIUCY,LIL,ZH,etal.Ageofbigdata:fromvonneumanntocomputingstoragefusion[J].ComputerScience,2018,45(2):71-75.
[14]赵正平.纳电子学与神经形态芯片的新进展[J].微纳电子技术,2018,55(1):1-5.ZHAOZP.Newprogressofnanoelectronicsandneuromorphicchips[J].MicronanoelectronicTechnology,2018,55(1):1-5
未来智能实验室的主要工作包括：建立AI智能系统智商评测体系，开展世界人工智能智商评测；开展互联网（城市）云脑研究计划，构建互联网（城市）云脑技术和企业图谱，为提升企业，行业与城市的智能水平服务。
如果您对实验室的研究感兴趣，欢迎加入未来智能实验室线上平台。扫描以下二维码或点击本文左下角“阅读原文”