關(guān)鍵字：智能處理器 人工智能 深度學(xué)習 電子模塊
Nvidia在三月的GPU技術(shù)大會(huì )上使用汽車(chē)和先進(jìn)駕駛輔助系統(ADAS)作為應用重點(diǎn)，配合Elon Musk的意見(jiàn)和評論，希望表明自動(dòng)駕駛汽車(chē)的挑戰幾乎已被完全克服了。另一方面，隨著(zhù)時(shí)間的推移，加上一些著(zhù)眼于降低功耗的調整與改良，我看到無(wú)處不在的3D感知、3D跟蹤，以及圖像搜索等許多技術(shù)和應用正在快速進(jìn)入智能手機，以及其他以電源或電池供電的嵌入式系統中。
結合用于偵測運動(dòng)和音頻信號的傳感器、快速的存儲器訪(fǎng)問(wèn) ，以及高功效的數據處理方法，這些系統可以擁有真正的“認知”能力，甚至在不遠的將來(lái)構成一個(gè)用于人工智能移動(dòng)設備的平臺。同時(shí)，重要的是優(yōu)化現有的架構來(lái)實(shí)現“智能視覺(jué)”功能，比如3D深度圖和感知、物體識別以及增強現實(shí)，還有一些核心的計算圖像學(xué)功能，比如圖像縮放、HDR、圖像再對焦，以及微光圖像增強。
隨著(zhù)許多圖像處理與增強功能也都使用計算機視覺(jué)技術(shù)，計算機視覺(jué)和圖像處理技術(shù)之間的區別正在變得越來(lái)越模糊。最直接的例子就是多幀圖像增強功能，比如HDR、圖像縮放與再對焦--拍攝多個(gè)連續的圖像，然后將它們融合在一起，得到更高質(zhì)量的畫(huà)面。
雖然我們稱(chēng)之為“圖像增強”，但這其實(shí)涉及大量的計算機視覺(jué)處理來(lái)“register”圖像，既完成兩幀或三幀畫(huà)面之間的匹配?，F在，用戶(hù)認為這種基本功能是理所當然的，但其實(shí)它需要非常強大的處理能力，使得對于專(zhuān)門(mén)的、高性能的數字信號處理 (DSP)的需求將會(huì )增加。
高通公司(Qualcomm) 在Uplinq 2013上發(fā)布了文章，很好地描繪出用于各種不同處理功能的像素功率和時(shí)間關(guān)系。圖中展示了三個(gè)處理器，包括一個(gè)在1.2 GHz下運行的單核CPU、一個(gè)四核CPU，以及一個(gè)在690 MHz下運行的DSP。
圖1：描繪不同處理器在處理每個(gè)像素時(shí)需要的處理能力和時(shí)間，表明了DSP結合CPU用于視覺(jué)處理的優(yōu)勢。為了優(yōu)化功耗和性能，結合CPU、DSP和GPU可能是總體來(lái)說(shuō)最好的方法。
圖表表明DSP在僅略微超過(guò)CPU一半的時(shí)鐘頻率下運行，便能夠在圖像處理上達到相同的效果，提供了潛在的性能增益，同時(shí)節省了更多的功耗(功率= 電容 x 電壓2 x 頻率，或者P=CV2xF)。
然而，隨著(zhù)我們轉向在移動(dòng)平臺上實(shí)現類(lèi)似人類(lèi)的視覺(jué)、人工智能和增強現實(shí)應用，可能需要重新思考所需的處理架構。結合傳感器融合和先進(jìn)深度學(xué)習算法（比如CNN），這些非常先進(jìn)的計算密集型應用將提供更具環(huán)境感知和情境感知的用戶(hù)體驗，但是在電池壽命方面卻要作出取舍。
設計人員面臨的挑戰，是一方面要實(shí)現具有智能感知能力的設備，同時(shí)在另一方面維持可接受的電池壽命。有幾種方法來(lái)實(shí)現這一點(diǎn)。例如，可以使用來(lái)自高通或Nvidia的GPU來(lái)支持CPU。這已經(jīng)在許多智能手機中實(shí)現了。然而，降低功耗這一持續性的強制需求驅使我們將特定的處理密集型功能分散給針對視覺(jué)處理進(jìn)行優(yōu)化的DSP處理器。在處理物體識別和跟蹤時(shí)，對比當下最先進(jìn)的GPU簇群，使用這種方法可以節省高達9倍的功耗。
然而，即使具備這種功耗水平，移動(dòng)設備仍然不太可能很快地使用面部識別來(lái)進(jìn)行人群搜索，因為此功能對于處理能力的要求還是太高了。不過(guò)，低功耗處理器和經(jīng)過(guò)特定優(yōu)化的處理器架構的面世帶來(lái)了希望，使得我們在這個(gè)領(lǐng)域內正在取得實(shí)質(zhì)的進(jìn)展。這類(lèi)進(jìn)展是MIT Technology Review將深度學(xué)習稱(chēng)為2013年十項技術(shù)突破之一的原因所在。除了GTC上進(jìn)行了相關(guān)演示，微軟、百度，以及Cognivue也展示了一些研究成果。此后，這個(gè)領(lǐng)域中還有其他長(cháng)足發(fā)展。
此外，Aziana (澳大利亞)最近宣布與BrainChip(美國加州)合并，后者是專(zhuān)門(mén)以硬件方式實(shí)施人工智能的企業(yè)，并已經(jīng)著(zhù)眼于開(kāi)發(fā)用于移動(dòng)平臺的人工智能。雖然支持強大處理能力的架構和超低功耗處理是至關(guān)重要的，但隨著(zhù)云連接變得更普及、更快捷，若我們將盡可能多的處理開(kāi)銷(xiāo)分配到云中，也是合乎情理的。這將會(huì )走向智能的處理性能分配。在云做最適合在云中處理的工作，在移動(dòng)設備做最適合移動(dòng)設備處理的工作，盡可能高效地依據架構分配功能，比如使用CPU來(lái)分配GPU和DSP之間的負載。用高通公司的說(shuō)法，就是使用合適的引擎來(lái)做合適的工作。
移動(dòng)設備訪(fǎng)問(wèn)
