2018年07月12日 | AI芯片赋能机器视觉 加速安防产业智能化变革与升级

这一两年来，安防智能化的变革提速，AI芯片赋能机器视觉持续火热，许多不同阵营的AI芯片公司都将安防作为核心应用场景之一，聚焦AI芯片研发，不断推出了云端和内嵌式端安防AI芯片，不久的将来也会有更多的AI芯片产品正式落地商用。

　　那么，目前安防AI芯片的发展现状如何?安防AI芯片的崛起对行业将带来怎样的影响?产品的推出与落地情况如何?等等，带着这些问题，本刊特邀请行业企业及AI创业公司共同探讨AI安防芯片的现在与未来，希望对行业人士有所启发。

　　参与嘉宾：比特大陆科技有限公司产品战略总监 汤炜伟;深圳云天励飞技术有限公司研发副总芯片负责人 李爱军;北京地平线机器人技术研发有限公司智慧城市事业部总经理 刘俊华;中星微电子有限公司人工智能市场副总裁 陈为民

　　当前，安防市场正大步迈向智能化，而芯片是决定安防智能化进度的核心要素。目前芯片市场尤其是AI安防芯片总体上处于什么样的发展状况?

　　刘俊华：数据、芯片、算法是AI 技术的核心。随着实用数据、计算能力、开发者生态系统的不断发展，预计AI硬件消费市场在2025年将达到1090亿美元的规模。而在这千亿美元级别的市场规模中，已经凸显出的领头者是人工智能处理器——GPU、FPGA、ASIC等AI硬件的制造商。同时预计在2017年至2025年间，ASIC、 FPGA和GPU将迎来最快速的增长。其中，ASIC增速最快，达92%。

　　随着物联网技术的发展，未来的安防智能化需要解决如何将物理场景数据化，同时随着前端接入设备和非结构化数据的剧增，前端边缘计算能力提升成为迫切需求，然而高性能、低成本、低功耗和的嵌入式AI芯片成为挑战。在过去7-8年的时间内，我们看到AI处理器架构处于不断迁移的过程。2011年，采用上万台CPU的大规模集群出现。2012年，百度IDL首次在世界范围内第一次将GPU构造成一个集群。2014年，我们发现由于GPU的成本和功耗的问题非常不适合大规模部署，首次大规模将预测过程算法部署到FPGA这种半定制的硬件设备，大大降低了计算功耗，同时使得系统稳定性得到保证。然而，如果想把人工智能能力推向前端提升边缘计算能力，不管是CPU、GPU还是FPGA，都有一个致命缺陷，就是成本和功耗仍然不能够满足前端边缘端的需求，ASIC硬件将成为未来方向。

　　2015年地平线成立，我们的愿景就是要将算法和芯片集合在一起，去创造推动边缘AI人工智能计算和推广。2017年底，经过两年的努力，地平线发布了首款嵌入式AI专用芯片，可每秒处理30帧1080P视频，延时小于30毫秒，典型功耗仅1.5瓦。

　　汤炜伟：多年的发展让安防行业形成了比较完整的市场格局和产业链。目前视频监控占据安防近50% 的市场份额，这其中又分为前端(摄像头)和后端(主控/云端)两部分。纵观全局，AI 在前后两端的重要性都在加强，但现阶段来看后端依然是主流。在芯片方面，英伟达的GPU被采用最多，相对通用且昂贵，行业的可选择性很少。如果全部基于GPU构建云端的AI安防方案，其成本、能耗之高令人咂舌。所以专用、高性价比的ASIC 芯片的优势越来越明显。

　　以比特大陆为例，比特大陆张量处理器BM 1680 芯片就是一款面向深度学习应用的 ASIC 芯片，其加速核采用改造型脉动阵列架构技术，具备4096个并行执行单元，适用于CNN/RNN/DNN 等神经网络的预测和训练。算丰BM 1680 从2015年底开始设计，历时一年多成功流片，在2017年6月拿到了样品，并在当年内实现量产。目前，第二代芯片BM 1682 也已经面世，实际性能相比第一代提升了约5倍。

　　陈为民：在高画质、智能化、网络化、高安全性的安防市场发展趋势下，安防芯片技术快速迭代发展。近几年，视频编码方式从H.264快速过渡到H.265，与此同时，随着中国SVAC标准的出现以及政府的大力推动，SVAC编解码技术也在全面推进过程，已经从SVAC1.0发展到了SVAC2.0。更高的压缩效率、更低的编码码率一直是近年来安防芯片追求的一个重要目标，在视频编解码领域，安防芯片的技术已经上了一个新的台阶。

　　同时数据安全作为安防领域的重要特点始终是安防芯片的一个重要指标，在大数据和人工智能应用蓬勃发展的今天，这一点显得尤为重要。开发符合国家标准安全性要求的安防芯片也是近几年的一个主要技术发展方向。

　　智能分析是掀起大量图像储存和处理需求的关键，而智能分析必须解决算力瓶颈的问题。近几年AI安防芯片针对前端智能应用提供的算力已经初步能将前端智能和云端智能结合，具备了一定的实际应用能力，目前已经能在前端实现包括分类检测、生物识别、车辆识别等多个领域的应用，结合云端的存储和搜索能力，将智能分析技术发展到了一个新的高度。但是目前AI安防芯片的能力还不能完全满足安防应用实时性的要求，这是未来几年AI芯片要进一步提高和解决的问题。

　　李爱军：目前AI安防芯片总体处于起步阶段，当前安防市场主要活跃在云端，同时由于各方面技术有待完善成熟，所以没有太多大公司会激进地推芯片安防。原因有两点：第一，结合一些大的AI公司案例，例如海思和大华，由于缺少相关业务经验做支持，他们做芯片时是比较慎重的。第二，对于成本及运作速度的考量，在成品安防设备上新增芯片以及集成架构的探索都需要时间及成本支出。比起大公司，创业型公司的进程相对快一些，也更有优势。值得一提的是，云天励飞推出的“深目”系统，可实现“全城视频监控，秒级人脸搜索“已协助公安破获各类案件4000余起，找回多名失踪儿童及老人。这一项目的成功为我们提供了丰富的应用经验。

　　犹记得，几年前针对安防专用的ASIC芯片的诞生对行业的影响和意义重大，当前安防AI芯片的快速发展是否也将对行业产生如一些观点所认为的“颠覆”性影响?会表现在哪些方面?

　　刘俊华：我们认为AI芯片一定会对行业产生“颠覆性”的影响。我们打造AI专用芯片初衷就是希望能够实现AI的前端化、边缘化。传统的AI解决方案基本是前端架设摄像头，通过网络传输将数据送回服务器，借助服务器及算法实现人工智能，然而服务器成本高居不下，无论是部署或者迁移都非常困难。同时，随着NB-IOT和5G时代的到来，2020年全球500亿IOT互联，具备前端边缘计算能力的AI芯片和解决方案也使得小数据包和高带宽的无缝切换的回传应用成为可能，真正意义实现部署成本和传输成本的节省，以及部署效率的提升。

　　七年多以前，ASIC的芯片将视频的A/D转换及编解码带向了前端，带来了摄像头的更新，如今我们已经很难找到模拟摄像头。而我们的芯片将会给摄像头装上智能的眼睛，将智能的抓拍机识别带向前端，我相信这也必将会是摄像头的发展方向，也是安防行业的发展方向。我们认为五年后，市场上将很难找到不带AI的摄像头，这就是“颠覆性”的。

　　李爱军：AI安防芯片对产业内是会产生影响的，因为AI芯片不同于传统芯片，它更加注重“从场景到算法，从算法到芯片”。这种不同于以往的从硬件出发的思路，会促成新的AI芯片行业形态和商业模式。这种影响不仅仅会涉及安防领域，也将会拓展到智能家居和消费电子、自动驾驶、云计算、智慧城市等领域。

　　汤炜伟：ASIC芯片的诞生对整个芯片行业都意义重大，目前的AI芯片就是能够运行深度学习算法的ASIC芯片。而我们知道，深度学习算法掀起了人工智能的这一波浪潮，而人工智能又正在大力改造着安防、金融、教育、医疗等传统行业，安防尤为明显。

　　这个颠覆性的影响主要来自于数据的规模，以视频监控的应用需求来看，2017年全球的摄像头数量达到了140亿只，未来5年将维持两倍多的年复合增长率。我们仅取其中的监控摄像头来做分析。监控摄像头在2017年约为4亿只，假设每一路摄像头需要用0.5TFLOPS的算力，2017年需要210 Exa FLOPS的算力来处理全球的监控摄像头，相当于广州超算中心计算力的4000倍，比特币全网算力的20倍。“看得懂”是监控的硬需求，摄像头需要24小时不间断地工作，所以假设所有摄像头的数据全部需要实时地进行智能分析，这是合理的。

　　巨大的数据量产生了巨大的计算需求，要求有相应的计算能力，如果没有性能卓越的深度学习专用芯片，使用现有的GPU，在成本功耗等方面都是无法去满足目前安防应用的需求。

　　安防是AI芯片最为火热的商业应用场景，安防AI芯片有怎样的行业需求属性与特点?与具备一定智能化处理的IPC芯片相比，AI芯片有怎么样的突破与升级?

　　陈为民：安防的AI芯片从性能上来讲需要具有更高的实时性、可靠性、安全性等特点。针对安防的AI芯片需要具备前端实时处理复杂应用环境，其性能要求比一般的IPC芯片要高很多。同时还需要适应保证在多种室外环境下可靠工作的能力，另外安全性在安防应用中非常重要，对于视频流的实时加密未来会是安防芯片的标准需求。同时在系统应用中要考虑和云端处理平台的功能融合问题，如结构化视频描述的需求。这些都和一般的IPC芯片需求有很大的不同。

　　SVAC国家标准中对视频结构化、加密都有完整的定义，通过芯片本身在可靠性和性能上的保证，两者结合，可以完善地满足安防市场的需求。

　　李爱军：作为AI芯片里的最热门的商业应用场景，安防AI芯片主要是专注于处理动态视频中的人和物，抓取事物的典型特点。随后在前端完成特征压缩和后台的特征比对，以有效降低对传输线路的冲击，获取更好的性能。同时安防AI芯片还要能够完成和现有传统安防前端的场景数据对接适配，在前端解决问题，这样能有效的降低成本。此外，前端还需要预留矢量接口，即神经元参数的刷新接口，使得后台能够快速地实现前端神经元参数的调整与升级，提高前端的智能化水平。简而言之，安防AI芯片的特点必须灵活性高、性能好、成本低。

　　IPC芯片采DSP、FPGA公模，其发热量、运算单元冗余(内含太多不必要的运算指令)等特点使其不适为人像识别专用。还有就是公模发热量和价格都很高。

　　比起IPC芯片，AI芯片剔除一切跟人脸识别无关的指令，把更多的运算单元用于人脸识别参数。此外AI芯片还有发热量小、体积小、成本低等特点，更加适合人像场景的应用。