安防急缺AI芯片，國內(nèi)造芯多領(lǐng)域仍是空白

“如果再買不到海思芯片，我們這個(gè)月至少虧掉 600 萬！”

前不久，雷鋒網(wǎng) AI 掘金志撰文《海思「缺貨」，安防「缺芯」》提到：在 9 月 15 日多家供應(yīng)商斷供華為之前，安防市場(chǎng)已芯荒意亂。

有人痛罵囤貨漲價(jià)無理，也有人感慨后繼無人凄愴。

文章發(fā)布后，不少媒體相繼跟進(jìn)，大多談到了安防市場(chǎng)缺芯現(xiàn)狀及可能的替代方案。

今天，我們沿著該話題進(jìn)一步聊聊：

安防為何缺芯？畢竟這并非一個(gè)高門檻應(yīng)用行業(yè)，無需苛刻的芯片工藝選擇。

海思缺貨之前，AI 安防芯片混戰(zhàn)常被提及，彎道超車之論屢被談起。

如今，身臨海思難產(chǎn)之際，市場(chǎng)緣何又頓入無芯可選之境？制約 AI 安防芯片規(guī)?；瘧?yīng)用的核心技術(shù)問題究竟是什么？

造芯，如指尖上造城

作為計(jì)算機(jī)視覺落地較快的領(lǐng)域之一，安防賽道有一個(gè)基本封印的現(xiàn)實(shí)需要承認(rèn)：

海思之外，尚無一款足夠優(yōu)秀且合適的安防前端通用芯片，也尚無一款足夠適用安防后端的 AI 芯片出現(xiàn)。

那么，做一款比肩海思產(chǎn)品線的芯片難在哪兒？換句話說，一款「成功」安防芯片的自我修養(yǎng)是什么？

首先，從應(yīng)用角度出發(fā)看看這個(gè)問題。

眼下，不同玩家們大多都會(huì)基于自身資源及優(yōu)勢(shì)，選取業(yè)務(wù)、性能、生態(tài)等方向作為突破點(diǎn)。

但，造芯之難，除了考察紙面理論、戰(zhàn)略打法外，還需解決一道又一道的實(shí)際挑戰(zhàn)。

一、安防市場(chǎng)極度碎片化，且做到 500 萬片以上的出貨數(shù)量才有成本優(yōu)勢(shì)；

二、前端、存儲(chǔ)、產(chǎn)品開發(fā)、組織建設(shè)，都需要相應(yīng)時(shí)間做充足積累。

一款好的芯片，一定需在實(shí)際場(chǎng)景中打磨迭代而出，缺乏經(jīng)年累月的正向打磨，很難沉淀 AI 工程化交付能力。

衡量一款芯片是否達(dá)到 AI 工程化交付能力，考察最明顯的算力之外，還需從端側(cè)、云側(cè)分開驗(yàn)證幾個(gè)重要指標(biāo)。

誠然，算力實(shí)為衡量 AI 芯片指標(biāo)的重要因素之一。

時(shí)間撥回 2014 年，人工智能落地剛剛興起，端側(cè) AI 芯片算力僅有 0.2Tops，云側(cè) AI 芯片算力僅有 5Tops；如今端側(cè) AI 芯片算力已經(jīng)達(dá)到 4Tops 以上，云側(cè) AI 芯片算力也已達(dá)到 256Tops 以上。

但僅看算力指數(shù)顯然遠(yuǎn)遠(yuǎn)不夠。于端側(cè)，安防芯片考察本身競(jìng)爭(zhēng)力、集成方式、開發(fā)工具成熟度與易用性、功耗與價(jià)格等。

一是安防芯片本身競(jìng)爭(zhēng)力。

安防端側(cè)一直用得是安防專用芯片，并不存在通用芯片。即使 AI 時(shí)代，端側(cè)芯片首先需要的是有競(jìng)爭(zhēng)力的安防芯片，其次才是在這基礎(chǔ)上疊加 AI 算力。

譬如，OS、安防 SDK、ISP、編碼皆重要非常，這對(duì)芯片廠商提出的綜合要求明顯提高，需要具備完整能力的芯片。

端側(cè)芯片，雖然體積小、價(jià)格低，但系統(tǒng)復(fù)雜度、技術(shù)難度絲毫也不低。

二是 AI 芯片與安防芯片的集成方式。

前些年，AI 落地端側(cè)，采用的是在主芯片邊上加一顆 AI 協(xié)處理器，即兩顆芯片的方式。

如今，合二為一的方案已是主流，在系統(tǒng)復(fù)雜度、成本、功耗上都更有競(jìng)爭(zhēng)力，實(shí)現(xiàn)過程也更加復(fù)雜。

三是開發(fā)工具成熟度與易用性。

芯片的軟件開發(fā)工具非常重要。譬如，是否支持 Caffe、Tensorflow、Pytorch 等主流深度學(xué)習(xí)框架，相關(guān)工具是不是易用、穩(wěn)定，對(duì)于 AI 應(yīng)用開發(fā)者來說都非常重要。

如果開發(fā)工具不成熟或不易用，很容易就會(huì)被開發(fā)者拋棄。

四是功耗與價(jià)格。

端側(cè)設(shè)備，對(duì)功耗和價(jià)格都非常敏感。

云側(cè)芯片則對(duì)解碼能力、大數(shù)據(jù)并發(fā)效率、開發(fā)工具成熟度與易用性、功耗以及價(jià)格要求較高。

一、解碼能力

云側(cè)芯片處理的是經(jīng)過編碼的圖片或視頻，需要持續(xù)解碼。

在芯片設(shè)計(jì)上，需要內(nèi)嵌專門的硬解碼模塊，不占用 AI 算力；另外，解碼能力上必須不能低于 AI 處理能力，不然解碼就會(huì)成為瓶頸。

二、大數(shù)據(jù)并發(fā)效率

現(xiàn)在云側(cè)芯片的 AI 處理能力非常強(qiáng)，所以大數(shù)據(jù)并發(fā)交互的效率非常重要，大數(shù)據(jù)并發(fā)效率決定了 AI 算力實(shí)際能發(fā)揮多少。

三、功耗與價(jià)格

云側(cè)芯片在這方面雖然沒有端側(cè)芯片那么敏感，但低功耗與低價(jià)格永遠(yuǎn)都是用戶的訴求。

其次，從技術(shù)角度看看這個(gè)問題。

安防領(lǐng)域存有大量的算法需要前置，而目前的算法訓(xùn)練基本還是基于后端的深度學(xué)習(xí)模型。

此外，安防行業(yè)還需實(shí)時(shí)處理大量連續(xù)圖像數(shù)據(jù)流，數(shù)據(jù)處理在于兩大維度：一、每秒處理幀率要越來越高；二、圖像分辨率要越來越高。

兩大維度之下，安防對(duì)于端側(cè)芯片提出了一些要求。

針對(duì)已經(jīng)入場(chǎng)的大小玩家，分析他們的產(chǎn)品形態(tài)，大致可以分為兩種：一是針對(duì)特定應(yīng)用的 SoC；二是通用加速器做獨(dú)立芯片。

應(yīng)用安防市場(chǎng)，SoC 面向?qū)Ｓ檬袌?chǎng)，在芯片中深度學(xué)習(xí)加速計(jì)算事實(shí)上只是一部分，而其他大部分芯片面積則交給了主控處理器、視頻解碼等模塊。

終端通用深度學(xué)習(xí)加速器芯片市場(chǎng)的應(yīng)用則剛起步，大多公司的市場(chǎng)布局主要在試錯(cuò)的同時(shí)，培養(yǎng)開發(fā)者生態(tài)。

同時(shí)，從業(yè)者們也逐漸發(fā)現(xiàn)，芯片中最為關(guān)鍵的其實(shí)并不是單純提升算力，如果不進(jìn)行存儲(chǔ)優(yōu)化，那么芯片實(shí)際提供的計(jì)算力會(huì)大大降低。

若想突破 AI 芯片的瓶頸，并不能只是簡(jiǎn)單的增加計(jì)算算力，而是一定要把數(shù)據(jù)存儲(chǔ)管理做好。對(duì)于存儲(chǔ)問題的解決，仍是一個(gè)探索中的新方向。

AI 芯片對(duì)于傳統(tǒng)芯片帶來的挑戰(zhàn)，并不只是計(jì)算架構(gòu)上的，更多是在存儲(chǔ)架構(gòu)間的。

傳統(tǒng)芯片采用的是馮·諾依曼架構(gòu)，其核心架構(gòu)中計(jì)算模塊和存儲(chǔ)單元是分離的。CPU 和內(nèi)存條并不集成在一起，只在 CPU 中設(shè)置了容量極小的高速緩存。

也就是說，CPU 在執(zhí)行命令時(shí)必須先從存儲(chǔ)單元中讀取數(shù)據(jù)。每一項(xiàng)任務(wù)，如果有十個(gè)步驟，那么 CPU 會(huì)依次進(jìn)行十次讀取，執(zhí)行，再讀取，再執(zhí)行…

這就造成了延時(shí)，以及大量功耗花費(fèi)在數(shù)據(jù)讀取上，這一問題也被稱為傳統(tǒng)芯片的內(nèi)存墻問題。

而在 AI 應(yīng)用中，馮·諾伊曼瓶頸問題顯得愈發(fā)嚴(yán)重。

AI 依賴的算法是一個(gè)龐大和復(fù)雜的網(wǎng)絡(luò)，包含很多參數(shù)需要存儲(chǔ)，也需要完成大量的計(jì)算，這些計(jì)算中又會(huì)產(chǎn)生大量數(shù)據(jù)。

在完成大量計(jì)算的過程中，一般芯片的設(shè)計(jì)思路是大量增加并行的運(yùn)算單元，例如上千個(gè)卷積單元，需要調(diào)用的存儲(chǔ)資源也在增大。

不夸張地說，AI 初創(chuàng)芯片公司雖然采用不同的路徑打造芯片，但事實(shí)上都在努力對(duì)這一問題予以解決。大部分針對(duì) AI，尤其是加速神經(jīng)網(wǎng)絡(luò)處理而提出的硬件架構(gòu)創(chuàng)新，都是在與這個(gè)問題做斗爭(zhēng)。

如何解決這一問題呢？目前解決方法有以下幾種：

較為常見的方法是加大存儲(chǔ)帶寬，采用高帶寬的外部存儲(chǔ)；二是從算法入手，設(shè)計(jì)低比特權(quán)重的神經(jīng)網(wǎng)絡(luò)。

除此之外，存算一體化也被看做是未來的發(fā)展方向，在實(shí)現(xiàn)上也分為不同的路徑。

其一是 SSD 中植入計(jì)算芯片或者邏輯計(jì)算單元，可以被叫做存內(nèi)處理或者近數(shù)據(jù)計(jì)算，這其實(shí)是深度學(xué)習(xí)的一種應(yīng)用場(chǎng)景，并非是 AI 芯片架構(gòu)的創(chuàng)新。

另一種就是存儲(chǔ)和計(jì)算完全結(jié)合在一起，使用存儲(chǔ)的器件單元直接完成計(jì)算，比較適合神經(jīng)網(wǎng)絡(luò)推理類應(yīng)用。

也有人不太認(rèn)同存算一體的處理方式，探境 CEO 魯勇認(rèn)為，這樣做的成本太高，并不符合市場(chǎng)需求。

“存算一體的處理方式，其實(shí)違反了芯片中的成本結(jié)構(gòu)。芯片中，之所以設(shè)計(jì)和區(qū)分片上的緩存 SRAM，及片外的 DRAM，就是因?yàn)槿绻写鎯?chǔ)都放入芯片內(nèi)部，成本就大幅上升，會(huì)上升幾十倍到上百倍。”

就此，他們提出了 SFA（Storage First Architecture，簡(jiǎn)稱 SFA），即存儲(chǔ)優(yōu)先架構(gòu)。

與通常計(jì)算的先有計(jì)算指令然后提供數(shù)據(jù)相反，SFA 架構(gòu)考慮數(shù)據(jù)在搬移過程中做計(jì)算，也就是由數(shù)據(jù)帶動(dòng)計(jì)算而非由算子帶動(dòng)數(shù)據(jù)。

這一點(diǎn)與 AI 大神 Lecun 所宣稱的所有的神經(jīng)網(wǎng)絡(luò)都是圖計(jì)算問題不謀而合。那么打破傳統(tǒng)馮·諾依曼架構(gòu)，自研存算一體架構(gòu)的依據(jù)是什么？

這可以談到人類大腦的存儲(chǔ)和計(jì)算方式。從生物角度講，大腦存儲(chǔ)大量的知識(shí)，能夠快速提取并訪問，而大腦的內(nèi)存和計(jì)算并不是分開的，更多的是存在一定的相容性。

因此，未來的計(jì)算機(jī)可能不是基于計(jì)算的存儲(chǔ)，而是基于存儲(chǔ)的計(jì)算，更多做到融合。不過，因?yàn)楫?dāng)前芯片領(lǐng)域?qū)τ?AI 算法的關(guān)注還較多，針對(duì) AI 的結(jié)構(gòu)改進(jìn)嘗試還偏少。

造芯，登高還需防跌重

過去幾年，不少企業(yè)針對(duì)安防領(lǐng)域紛紛宣布流片之喜，但似乎還未出現(xiàn)強(qiáng)勢(shì)的對(duì)傳統(tǒng)芯片的替代或繼任者。

從大環(huán)境來看，國內(nèi)雖有不少公司關(guān)注對(duì) AI 芯片的底層架構(gòu)的研發(fā)，但更多只追求有、不追求好，用拼湊的方式做芯片。

甚至于，不少玩家為了順應(yīng)市場(chǎng)形勢(shì)，將自己包裝成一個(gè) AI 芯片公司，給市場(chǎng)徒增泡沫。

同時(shí)，國內(nèi) AI 芯片企業(yè)，眼下普遍缺乏后端設(shè)計(jì)人才，后端設(shè)計(jì)相對(duì)于前端邏輯設(shè)計(jì)，更多涉及到芯片的工藝，也相對(duì)更需要豐富的經(jīng)驗(yàn)。

由此，很多廠商會(huì)通過外包的方式做后端服務(wù)，來完成生產(chǎn)。這對(duì)芯片廠商來說，其實(shí)是一個(gè)很大的競(jìng)爭(zhēng)劣勢(shì)。

針對(duì)安防缺芯之話題，此前 AI 掘金志也采訪了多家有著不同創(chuàng)新路徑的芯片企業(yè)，他們或從優(yōu)化芯片的計(jì)算、存儲(chǔ)架構(gòu)入手，或選擇做軟硬一體，或著眼于攝像頭中的 ISP、編解碼芯片。

對(duì)于 AI 安防芯片要解決的主要問題和創(chuàng)新路徑，企業(yè)家們有著共識(shí)，也有各自不同的選擇和看法。

觸景無限副總裁陳勇：做芯，軟硬件耦合是關(guān)鍵?

做一款 AI 安防芯片要從全棧解決方案出發(fā)，不僅僅只有芯片，還要有比較完善的軟件生態(tài)來耦合這個(gè)芯片，這樣用戶才比較容易、也能動(dòng)態(tài)部署符合他們需求的方案。

另一個(gè)點(diǎn)是芯片的算力能效，芯片不能只單單提供算力，還要在滿足應(yīng)用算力要求的前提下消耗最少能量。

我覺得，這兩個(gè)方面對(duì)于 AI 安防芯片來說最重要。

觸景無限做芯片就是為了讓自己的算法和工程經(jīng)驗(yàn)找到一個(gè)更好耦合的練兵場(chǎng)，達(dá)成軟硬件的協(xié)同優(yōu)化，更好地實(shí)現(xiàn)前端感知。

以前，我們發(fā)現(xiàn) AI 加速只是前端落地應(yīng)用需求的一個(gè)點(diǎn)，打磨很長(zhǎng)時(shí)間的 AI 加速芯片產(chǎn)品，用在前端的效果還是不夠好。

就像一條公路，AI 芯片的集成像是鋪上了柏油，但車輛通行時(shí)除了對(duì)于路面的高要求，還有對(duì)于路牌、路標(biāo)、服務(wù)區(qū)的需求，而這些在實(shí)際過程中，都沒法得到很好的滿足。

在芯片具體研究中，我認(rèn)為，對(duì) AI 安防芯片來說，由于多層神經(jīng)網(wǎng)絡(luò)的應(yīng)用，如何做到各種神經(jīng)層中間的高效數(shù)據(jù)傳輸是一個(gè)難點(diǎn)。

另外，我們認(rèn)為雖然在攝像頭內(nèi)，主控芯片很強(qiáng)勢(shì)。但 AI 協(xié)處理器有它獨(dú)有的靈活性和高效性，并不能簡(jiǎn)單地被主控芯片集成。這種通用性和專用性的取舍會(huì)一直存在，而這也是 AI 協(xié)處理器存在的機(jī)會(huì)。

探境科技 CEO 魯勇：芯片的數(shù)據(jù)存儲(chǔ)管理要做好

安防領(lǐng)域的數(shù)據(jù)特點(diǎn)，其實(shí)主要在于需要實(shí)時(shí)的處理大量連續(xù)的圖像數(shù)據(jù)流。

第一是每秒處理幀率要越來越高，第二是圖像分辨率上要高。在這兩個(gè)維度上，安防對(duì)邊緣芯片提出了要求。

原先很多安防廠商采用 Movidius 的芯片實(shí)現(xiàn)前端智能，但我們認(rèn)為它并不是非常適用于安防前端。不過 Movidius 的火爆，恰好說明了市場(chǎng)對(duì)邊緣端芯片的強(qiáng)大需求。

我的看法是，要突破 AI 安防芯片的瓶頸，并不能只是簡(jiǎn)單的增加計(jì)算算力，而是一定要把數(shù)據(jù)存儲(chǔ)管理做好。

傳統(tǒng)芯片中，采用的是馮·諾伊曼架構(gòu)，計(jì)算模塊和存儲(chǔ)單元是分開的，“內(nèi)存墻”問題很嚴(yán)重。而 AI 依賴的算法是一個(gè)龐大和復(fù)雜的網(wǎng)絡(luò)，有很多參數(shù)要存儲(chǔ)，也需要完成大量的計(jì)算，需要巨大存儲(chǔ)容量，高帶寬、低延時(shí)的訪存能力。很多 AI 初創(chuàng)芯片公司，實(shí)際上都在努力解決這個(gè)問題。

而我們的思考是，不能采取通常的先有計(jì)算指令然后提供數(shù)據(jù)的方式，應(yīng)該從存儲(chǔ)子系統(tǒng)的優(yōu)化入手，讓數(shù)據(jù)在存儲(chǔ)之間的搬移過程之中完成計(jì)算。

這也可以叫做“基于 memory 的計(jì)算”，而不是“基于計(jì)算的 memory”。

當(dāng)前芯片領(lǐng)域?qū)τ?AI 算法的關(guān)注還較多，針對(duì) AI 的結(jié)構(gòu)改進(jìn)嘗試還比較少。之后，memory 與 computing 結(jié)合的嘗試，我相信會(huì)是一個(gè)好的方向。?

華夏芯 CEO 李科奕：提升 AI 芯片的易用性 ??

現(xiàn)在的安防市場(chǎng)上，已經(jīng)出現(xiàn)了很多前端的 AI 加速器，但實(shí)際它們?cè)趹?yīng)用上，還存在一些問題。

第一是價(jià)格太高。第二是可編程性不足。原先的通用芯片 CPU 很容易能實(shí)現(xiàn)編程，但 AI 加速模塊中并沒有指令集，無法編程，需要手工去調(diào)整。?

在安防領(lǐng)域也是一樣，廠商普遍反映的，不是 AI 芯片的性能，而是無論 AI 初創(chuàng)企業(yè)，還是傳統(tǒng)大廠設(shè)計(jì)的加速器都很復(fù)雜，AI 加速器很難被用起來。

一般來說，通用芯片難以負(fù)荷對(duì)計(jì)算的高要求，AI 專用芯片則在可編程性、靈活性上有所欠缺。目前應(yīng)用較多的集成度高的 Soc，將不同計(jì)算架構(gòu)芯片集成在一起，需要多套編程程序，運(yùn)行就容易帶來問題。這也是安防芯片廠商們，尤其是在安防前端應(yīng)用上面臨的難題。

而業(yè)內(nèi)目前看好的一種方式，就是將不同的芯片架構(gòu)結(jié)合在一起，這就是“異構(gòu)計(jì)算”。

異構(gòu)計(jì)算的長(zhǎng)處在于，能實(shí)現(xiàn)比較好的適應(yīng)性和靈活性，在通用性和專用性上達(dá)成一個(gè)折衷。既能高效的處理數(shù)據(jù)，又能相對(duì)保證算法的及時(shí)更新和迭代。這也是我們?cè)谔剿鞯囊粋€(gè)方向。

現(xiàn)在在安防、自動(dòng)駕駛等這些邊緣端的市場(chǎng)，對(duì)芯片的綜合要求非常高。芯片需要處理的數(shù)據(jù)量很大，同時(shí)對(duì)于性能、性價(jià)比、性能功耗比要求也很高。

但我們看好這些新興市場(chǎng)，因?yàn)檫吘壎说男枨罅亢艽螅蚁鄬?duì)于手機(jī)、云計(jì)算、PC 端等這些已經(jīng)很成熟的市場(chǎng)，給了芯片廠商更多創(chuàng)新，和在新市場(chǎng)中占據(jù)位置的機(jī)會(huì)。

欣博電子 CEO 梁敏學(xué)：很多 AI 安防芯片是同質(zhì)化的

對(duì)于 AI 安防芯片來說，我認(rèn)為“芯片+算法”的整合是最重要的。而對(duì)于具體一款芯片，最主要的指標(biāo)應(yīng)該是價(jià)格和穩(wěn)定性。

芯片是“硬”的，算法是“軟”的，如何能將兩者更好的結(jié)合起來，這就需要加強(qiáng)芯片對(duì)底層運(yùn)算加速算法的適應(yīng)性。

現(xiàn)有芯片的問題，從技術(shù)角度來說，對(duì)前端的 AI 芯片算力的要求，對(duì)存儲(chǔ)問題的解決，都很重要，都需要靠算法和芯片架構(gòu)一起來改善，比如說現(xiàn)在的算法就還比較耗帶寬。

再具體應(yīng)用上，我認(rèn)為 AI 安防芯片在安防攝像頭中作為協(xié)處理器，目前已經(jīng)被主控芯片集成了，所以單純提供 AI 加速器并不占優(yōu)勢(shì)。

而我們所做的，是開發(fā)編解碼能力、加密及 AI 能力三合一的芯片，為攝像頭提供安全加密。這也是我們相對(duì)于其他芯片廠商不同的一點(diǎn)。

從行業(yè)角度來說，現(xiàn)有 AI 芯片在安防行業(yè)應(yīng)用落地上的主要問題，其實(shí)是同質(zhì)化。

很多 AI 芯片廠商產(chǎn)出的芯片并沒有太大差別，一方面很多芯片達(dá)不到現(xiàn)有安防行業(yè)對(duì)前端 AI 芯片的要求，一方面又容易陷入芯片同質(zhì)化競(jìng)爭(zhēng)。

現(xiàn)在的安防芯片格局下，其實(shí)已經(jīng)存在壟斷的生態(tài)，有大的行業(yè)玩家存在，那么做 AI 安防芯片如何找到自己的價(jià)值點(diǎn)，并做到差異化還是最難的。

人人智能 CEO 王海增：芯片行業(yè)很殘酷，遵循二元法則?

AI 芯片前兩年很熱，“熱”的同時(shí)，也讓市場(chǎng)很浮躁，去年一年，業(yè)內(nèi)就推出了十幾款 AI 芯片。

但在安防和芯片領(lǐng)域摸爬滾打多年，我們的看法是不去做純碎的單一芯片，而是做融合芯片、算法和系統(tǒng)的 FaceOS 視覺中間件，用在人證比對(duì)等。

在我看來，市場(chǎng)上可能只需要一款主流產(chǎn)品。芯片行業(yè)是很殘酷的，有個(gè)二元法則，就是老大吃肉，老二喝湯。老三、老四可能找不到名字。

綜合來說，我還是比較看好華為海思。在安防視頻芯片的領(lǐng)域，有華為海思這樣的對(duì)手存在，做視覺智能芯片幾乎沒有太多機(jī)會(huì)，這一事實(shí)很難改變。

之前，我們對(duì)比過這些芯片，發(fā)現(xiàn)芯片從高端到低端系列，海思的芯片布局很完整，渠道健全，而且功能幾乎比現(xiàn)有的幾個(gè) AI 芯片廠商都更加領(lǐng)先，優(yōu)勢(shì)很明顯。兩三年前，我們能看到這個(gè)市場(chǎng)很大，但不知道誰能跑出來，現(xiàn)在回過頭來再看，我們依然覺得海思跑的更靠前了。

另外，AI 芯片領(lǐng)域雖然一直在談創(chuàng)新，但實(shí)際上，真正的創(chuàng)新還尚未到來。

算法的底層架構(gòu)，如 TensorFlow、Caffee 等方面幾乎都是采用國外的架構(gòu)。

底層的算法上面，國內(nèi)幾乎還處于空白。這涉及很多基礎(chǔ)數(shù)學(xué)的問題。就像谷歌談張量計(jì)算芯片，是發(fā)覺了卷積使用的張量計(jì)算的模型和傳統(tǒng)模型不同，所以需要設(shè)計(jì)芯片設(shè)備，適應(yīng)它的模型，這是算法型的創(chuàng)新。而且谷歌還發(fā)明了 TensorFlow 這樣的主要架構(gòu)。

這些在國內(nèi)還都是空白。