2017年中国AI 高速发展现状及未来应用发展趋势【图】

    一、AI 高速发展架设智能汽车发展桥梁

    当前，随着互联网、大数据、云计算等信息技术的快速发展，以深度学习为基础的 人工智能在机器人、智能汽车、智能家居等领域的应用日益广泛和深入，正逐渐成为新 一轮信息技术革命的核心。人工智能与无人驾驶、车联网的紧密结合，将对汽车领域产 生重大变革，而传统汽车厂商为此积极开展战略布局。

智能汽车发展路径图

数据来源：公开资料整理

    汽车巨头加快人工智能领域布局的推动因素：

三大主要推动因素

数据来源：公开资料整理

下一阶段发展趋势分析

数据来源：公开资料整理

    国内智能汽车产业链条上厂商应开展以下布局

下一阶段发展趋势分析

数据来源：公开资料整理

    1、注重传感与控制等基础技术研发，通过软硬件系统集成、云端互联和大数据分析， 加快推动车联网和安全驾驶等成熟应用。加强新一代信息技术研发投入，将深度学习、 大数据、云计算等作为重要突破口，注重信息技术与传统应用领域的融合创新，前瞻布 局人工智能、无人驾驶等新兴市场。

    2、充分发挥制造企业和信息技术企业各自优势，围绕云计算、大数据、车联网等关 键技术，积极搭建深度学习平台，加强信息资源共享与协同研发。通过加大对人工智能、 无人驾驶领域初创企业的投资收购，或与互联网企业开展跨界合作，实现人工智能、无 人驾驶等领域优势资源的深度整合。

    3、深挖行业市场需求，针对语音识别、图像识别、手势识别等技术开展应用创新， 促进人车交互方式的多元化和智能化发展。加强人工智能与车联网技术融合创新应用， 利用 V2V、V2I、V2P 等技术实现车辆、基础设施、行人之间的感知互联，通过大数据分 析、云端共享提升安全驾驶水平。

    相关报告：智研咨询发布的《2017-2022年中国人工智能市场分析预测及发展趋势研究报告》

    二、AI 硬件持续升级，带来产业革命新机遇

    1、GPU 灵魂领军者英伟达

    让车拥有能力，得以看见，得以思考，得以学习。NVIDIA 为汽车制造商，一级汽车 制造供应商，汽车研究机构和初创企业提供其智能驾驶产品所需，使他们可以通过 AI 系 统来灵活的开发和部署自动驾驶技术。其涉足于汽车行业，为宝马、奥迪等品牌提供车 内信息娱乐系统的显示芯片以及主动驾驶员辅助安全系统的图像处理芯片。

    NVIDIA 一致性的人工智能运算架构使训练深度神经网络技术在 NVIDIA DGX-1™数据 中心得到应用，使它们与 NVIDIA DRIVE PX2 在车内无缝结合。这种端到端的方法利用 NVIDIA DriveWorks 软件的调节作用，能够让汽车通过 OTA 的方式进行更新，从而使整 个车辆在整车周期之内不断完善特性和功能。

    DRIVE™PX2——自动驾驶汽车的人工智能车辆计算机

    NVIDIA®DRIVE™PX2 是开放式人工智能车辆计算平台，可以让汽车制造商和一级汽车 制造供应商加速产品的自主化和无人驾驶车辆的研发。这是一个可以从手掌大小并能力 充足的模块，扩展到一个可实现自动驾驶的强大的人工智能超级计算机。

DRIVE™PX2

数据来源：公开资料整理

    三、FPGA

    近年来不断增长的数据量和访问入口改变着人工智能的算法设计的理念——人工建 立算法的做法被自动学习能力的建立所取代，深度学习是其中一项重要技术和推动力。 然而，深度学习模型的数据处理和计算能力的不断升级需要更好的硬件加速条件，其发 展依然面临着计算性能和功耗的双重挑战。现场可编程门阵列（FPGA）提供了一种解 决方案。

    1、 FPGA的基本原理

    FPGA 全称“可编辑门阵列(Field Programmable Gate Array)”，其基本原理是在芯 片内集成大量的数字电路基本门电路以及存储器，用户可以通过烧入配置文件来定义这 些门电路以及存储器之间的连线。不过，这种烧入不是一次性的，因此使得 FPGA 可以 快速实现为机器学习算法开发的处理器架构，开发的风险小且成本较低。

FPGA架构图

数据来源：公开资料整理

    每个 FPGA 主要由三个部分组成：

     输入输出逻辑，主要用于 FPGA 与外部其他部件，比如传感器的通信；

     计算逻辑部件，主要用于建造计算模块；

     可编程连接网络，主要用于连接不同的计算逻辑部件去组成一个计算器。

    FPGA 通常把算法的数据流以及执行指令写死在硬件逻辑中，从而避免了 CPU 的 Instruction Fetch 与 Instruction Decode 工作。

    2、FPGA的特性

    与其他计算载体如 CPU与 GPU相比，FPGA 具有高性能、低能耗以及可硬件编程 三大特点。

     高性能

    虽然 FPGA 的频率一般比 CPU 低，但可以实现并行度很大的硬件计算器。比如一 般 CPU每次只能处理4 到 8 个指令，在 FPGA上使用数据并行的方法可以每次处理256 个或者更多的指令，处理的数据量远远增加。另外，在 FPGA 中一般不需要 Instruction Fetch 与 Instruction Decode，也节省了不少计算时间。

FPGA、CPU、GPU 执行 GaxPy 算法每次迭代时间（单位：微秒）

数据来源：公开资料整理

    低能耗

    FPGA 相对于 CPU与 GPU 有明显的能耗优势，主要有两个原因：

    1） 在 FPGA 中没有 Instruction Fetch 与 Instruction Decode；

    2） FPGA 的主频比 CPU与 GPU低很多，通常 CPU与 GPU 都在 1GHz 到 3GHz 之间，而 FPGA 的主频一般在 500MHz 以下。

FPGA、CPU、GPU 执行 GaxPy 算法每次迭代能耗（单位：毫焦）

数据来源：公开资料整理

    可硬件编程

    FPGA 是可硬件编程的，相对于 ASIC 而言，可以对硬件逻辑进行迭代更新。

    但是把算法写到 FPGA 硬件并不是一个容易的过程，相比在 CPU与 GPU上编程技 术门槛高许多，因此其开发周期也会长很多。

传统 FPGA 开发流程与 C-to-FPGA开发流程

数据来源：公开资料整理

    在传统的 FPGA 开发流程中，我们需要把 C/C++写成的算法逐行翻译成基于 Verilog 的硬件语言，然后再编译 Verilog，把逻辑写入硬件。而在 C-to-FPGA 开发流程中，我 们可以在C\C++的代码中加Pragma, 指出哪个计算Kernel应该被加速，然后C-to-FPGA 引擎会自动把代码编译成硬件。经验上看，使用传统开发流程，完成一个项目大约需要 半年时间，而使用 C-to-FPGA 开发流程后，一个项目大约两周便可完成，效率提升了 10 倍以上。

    3、FPGA发展历程

FPGA深度学习研究里程碑

数据来源：公开资料整理

FPGA近年来热点应

数据来源：公开资料整理

    FPGA 未来应用发展向好。FPGA 相对于 CPU 和 GPU，既能提供集成电路的性能 优势，又具备可重新配置的灵活性，在进行感知处理等简单重复的任务的时候的优势很 明显，很适合用于传感器的数据预处理工作。按照现在的趋势发展下去，FPGA 会在机 器人开发中对 GPU形成一定的冲击。

    三、AI 软件加速发展，人机交互更添动力

    人工智能应用还处于发展前期，从产业链投资角度看，基础层和技术层布局需要投 入较多，周期较长，主要是由 IBM、微软、NVIDIA、Intel 等巨头把持，并以外延内生加 大版图形成产业链生态，产业应用层上，初创公司在垂直领域解决行业痛点为较好切入 点。

    语音识别前景可观

    语音识别随着各种智能设备，包括智能可穿戴、智能家居、智能汽车等等都逐渐引 进交互功能，其前景变得越来越有想象空间。

    语音识别技术成熟周期：

    1）技术萌芽期（technology trigger）

    2）期望膨胀期（Peak of Inflated Expectations）

    3）泡沫化的谷底期 （Through of Disillusionment）

    4）稳步爬升的光明期 （Slope of Enlightement）

    5）实质生产的高峰期 （Plateau of Productivity）。

    语音识别成熟阶段图

    语音的研究的第一阶段是 1952 年贝尔研究所 Davis 等人研究成功了世界上第一个 能识别 10 个英文数字发音的实验系统。在此后的几十年间进展缓慢，技术水平、 计算能力和应用场景，都不成熟。由于场景的局限性，语音技术在 PC 互联网时代 并未大幅普及。

    主要应用在一些垂直领域例如呼叫中心、教育、电信和金融等行业。

     语音研究的第二、三阶段的标志性事件可以看作 Siri 的面世。

     语音研究的第四、五阶段是今天的语音识别发展。随着Amazon Echo、Google Home、 百度度秘、Siri 以及讯飞输入法的普及，通过语音与机器交互很快就会成为主流。

    事实上，语音技术之前是基于规则，识别率做到 90%要再提高一个百分点就非常困 难。提高的基础是深度学习技术，即基于机器学习对海量语音进行大量统计再不断改进 算法，让语音识别乃至语义理解有了质变，准确率、抗噪力以及口音容错性大幅提升， 并且且支持更多方言，让整体翻译变得更加容易——即基础模型不变，只需面向不同语 言进行对应领域的算法优化即可。

    智能驾驶区别于其他应用领域的区别在于，其语音识别在驾驶过程中属于必需品。 及在智能家居整合语音识别进行的交互中，用户可以通过键盘输入指令的方式替代，但 是在驾驶过程中，驾驶者（法律上）无法进行（不应该腾手）进行其他操作的，因此语 音识别可以看作是智能驾驶的必要场景。

    智能汽车语音场景所面临的挑战

     噪音、回声的干扰

     大量的数据作支撑建立起语音识别模型，需要不断完善口音数据的包容性

    语音识别实际上是一项工具型技术。未来的语音识别将会落脚在借助语音识别的车 联网应用服务上，比方说 LBS 的语音搜索，语音电台等。

语音产品各大公司一览 代

数据来源：公开资料整理