用嵌入式超算解决人工智能算力瓶颈的问题

随着互联网以及物联网技术的普及，人类能够收集到的数据正在快速增长，甚至有数据显示，每年数据量的增幅竟高达 50%，因此，人工智能的发展并不乏原料。但在算力方面，此前人工智能的爆发其实离不开 GPU 的广泛使用，但如今算力的提升速度始终跟不上数据指数增长的速度，算力再度成为制约人工智能发展的瓶颈。

当然，市场上其实也有像谷歌这样的企业，企图通过研发 AI 专业芯片来破除算力瓶颈问题，另外更多的企业则利用云技术来解决这个问题。不过，动点科技最近遇到了一家名叫 米文动力的创业公司，其正试图采用一个更通用的方法解决这个问题，即利用英伟达的 GPU 芯片，为机器人以及低速自动驾驶小车等开发嵌入式超算平台——“米文大脑”，并提供多种视觉算法和导航避障算法。

据了解，包括 AlphaGo 在内，目前人工智能的实现方式主要为云端 AI，即需要通过网络将数据传到云端，在云端计算并进行识别等处理，最后再将结果传回本地。然而，米文动力 CEO 杨冠文表示，这种方案虽然有较高的效率，且已经实现了很多场景下的 AI 功能，但并不适用于每一个场景。

“因为数据量的指数增长，考虑到宽带成本、传输延迟以及隐私保护等，行业已经不能承受将所有数据无限制地传回到云端去处理了，于是，边缘计算随即应运而生。”杨冠文表示，他们所开发的“米文大脑”便是这么一款边缘计算设备。

当然，说到“米文大脑”，人们很有可能会联想到传统 ARM 平台或者 x86 平台（包括服务器），关于它们之间的差异化，杨冠文认为 ARM 以及 x86 平台势必要被算力更强的嵌入式平台所取代。“‘米文大脑’是专门为深度学习的部署和计算而开发的，这样的设备将是未来的趋势。在底层加速手段、加速工具的加持下，即使利用同样的硬件跑同样的算法，“米文大脑”也能达到 10 倍于传统计算设备的效果。

另外，说到边缘计算，还有一个不得不提的角色，即如今红得发紫的 AI 芯片。AI 芯片是否会比“米文大脑”这种利用通用 GPU 搭载的设备更加高效呢？AI行业一定会出现除了 GPU 之外的 AI 专用芯片，AI专用芯片面临最大的问题不是如何实现特定功能，而是如何打造生态，让大家都来用。

“假设你是一个工程师，今天我给你了两个方案，一个是英伟达的 GPU，一个是其它厂商的 AI 芯片，你会选择用谁呢？要知道，想要熟练使用这些芯片，其实都需要学习各自底层的语言与工具链，然而，如果你选择其它厂商的 AI 芯片，花了一年时间学习相关工具的应用，最后学得很精了，但公司却倒了，不就白学了吗？这就是生态问题。”杨冠文认为，经过 10 多年的积累，业内已经有了大量的懂 GPU 底层的开发者，GPU 生态已然形成。因此，在杨冠文看来，即使是 Intel、高通这样的企业，他们的 AI 芯片也很难在短期内挑战 GPU 的地位。

“大家的目的都一样，即都是为了解决 AI 算力不足的问题，只是大家采用了各自不同的实现方式，他们采用的是专用芯片方案，专用意味着效率更高、功耗更低、成本更低，这是巨大的优势，但也可能带来通用度差、可移植性差等问题；而我们用的是通用的 GPU 芯片，通用型很好，可以跑各种算法，但相对于专用芯片，功耗可能会大一点，成本可能高一些。”

因此，究竟是使用专用的 AI 芯片还是 GPU 驱动的“米文大脑”，其实是如何平衡的问题。“现在很难说哪个方案好，哪个方案不好。”不过，杨冠文也强调，如果芯片的通用性不强，会给产品的商业落地造成更大的困难，而这也是米文动力一直坚持使用 GPU 的最重要原因。

关于竞争对手，杨冠文表示他们目前的竞争对手大概有两类，一类是由传统工控机（工业控制计算机）为起点的方案商，他们并不一定提供人工智能方案，因为对于客户来说，只要能够解决问题就可以了。另一类是摄像头之类的零部件厂商，他们也可能在摄像头的基础上为客户提供一些导航或者图像识别等 AI 算法。

另外，硬件与算法都永远不可能成为企业真正的壁垒，任何人都可以购买英伟达的 GPU，搭建出自己的大脑，并开发出相应的 AI 算法。