電子發燒友網報道（文/張慧娟）新冠肺炎疫情疊加國內經濟形勢的變化，使“新基建”走上快車道。繼今年3月在頂層設計被頻頻提及後，日前，國家發改委首次明確了“新基建”的範圍,主要包括三方面內容:信息基礎設施、融合基礎設施和創新基礎設施。
解讀人工智能在其中的定位：一是新技術基礎設施，二是可被深度應用、可支撐傳統基礎設施轉型升級而形成融合基礎設施。這其中，算力作為底層支撐需要繼續夯實，當前算力已經無法滿足智能化社會構建。根據OpenAI統計，從2012年至2019年，隨著深度學習“大深多”模型的演進，模型計算所需計算量已經增長30萬倍，無論是計算機視覺還是自然語言處理，由於預訓練模型的廣泛使用，模型所需算力直接呈現階躍式發展。不論是邊緣加速、雲端推理、邊緣計算、端側加速等，算力都是AI新基建首先聚焦的。
4月16日，以“AI‘新基建’規模落地破局方向在哪裡？”為主題進行線上直播，邀請了嘉楠海外銷售VP姚顯駿、新思科技（Synopsys）中國區IP Solution銷售總監鍾香建、深聰智能商務總監王宏松，由電子發燒友分析師張慧娟主持，就AI新基建的機遇和挑戰，以及業界如何共同推進AI新基建的規模落地進行了深入探討，三位嘉賓分享了各自的思考和精彩觀點。本次活動參會人數達到11587人。
AI新基建的迫切要求和建設重點？
嘉楠海外銷售VP姚顯駿認為，在新一輪基礎設施的升級背景下，AI企業和行業主要有三大升級方向：一是提升整體的數字化能力，因為AI的很多應用場景中，本質是對大量數據進行處理，所以前端、後端的工具等，都需要提升數字化能力。二是搭建專家團隊，由於AI技術的落地需要結合實際場景需求，企業對於既懂AI技術，又有行業知識積累的人才需求迫切；三是各行業都需要加快相關技術數據使用協議的制定，AI在不同行業的應用場景和程度都不盡相同，各個行業內部有待形成統一的行業標準。
嘉楠海外銷售VP 姚顯駿
新思科技中國區IP Solution銷售總監鍾香建表示，傳統基建更聚焦於提升民生的硬件基礎設施，而新基建更大的比重是利用新興技術，比如5G、IoT、AI、大數據等，創造新的生產工具和生產方式，從而促進產業的升級，達到整個社會生產力和智力的提升。目前還處於弱人工智能階段，所以需要整個產業繼續努力，通過通用人工智能、強人工智能的產品和應用持續去發展。AI是改進生產工具、生產方式，最終促進產業升級、社會生產力提升的技術基礎，AI新基建對AI企業和行業的迫切需求是構建完善的AI技術底座，使得各行各業加快和普及AI應用落地。
深聰智能商務總監王宏松談到，深聰智能是思必馳旗下的AI芯片企業，專注於智能語音算法及芯片的軟硬件優化。智能語音面對的是傳統家電、家居、IoT設備廠商，作為基礎設施，語音不是簡單的技術或產品類型來推進，而是應該看行業是否具備語音的接入能力或具備語音智能的程度。新基建給行業、企業提出了思考的方向：自己的技術能不能達到行業對AI基礎設施屬性的要求？ 如果能達到，說明技術就找到了落地的方向。深聰智能對於語音芯片架構規劃和落地方面在不斷進行思考，也在做取捨和平衡，例如信號處理哪些放在前端、哪些放在雲端等，這既是思考的方向，也是行業現在對於語音芯片技術研究的目標和方向。
談及AI新基建的建設重點，鍾香建認為從人工智能產業鏈的構成來看，主要包括基礎硬件數據算法、平臺、軟件、應用等四個層次，其中硬件數據算法、平臺、軟件這三部分，分別對應了人工智能的算力、數據、模型三要素，這三要素正是AI新基建的建設重點。AI芯片對性能、功耗、帶寬有較高要求，新思科技在EDA工具方面進行了優化，另外還有專門針對AI的IP解決方案，涵蓋112G/56G SerDes、HBM接口、處理器等，持續解決算力數據和模型上遇到的挑戰。
新思科技中國區IP Solution銷售總監 鍾香建
姚顯駿分析，AI技術體系大致分為基礎層、感知層、認知層、平臺層和應用層。基礎層主要是AI加速器和數據中心的建設，感知層和認知層主要是基於AI的通用技術，平臺和應用層則具體到落地層面。目前在基礎層上，芯片是AI新基建發力的重點。在AI應用的第一階段，應用場景主要為訓練和推理，在模型訓練方面，算法模型需要對海量數據進行處理，這往往依賴於高吞吐的大規模服務器集群完成，雲端芯片是AI算力基建的重點，諸如CPU+GPU、CPU+FPGA使得異構計算成為目前AI的主流計算架構。隨著算法模型應用趨於成熟，AI應用步入第二階段，AI算力基建偏向於推理芯片的建設。AI與IoT的結合將賦予設備更多數據處理和通信能力，因此AIoT芯片的建設非常關鍵，需要芯片在架構和功能上的創新。
算力、算法、數據——誰是AI新基建的基礎？
姚顯駿認為，AI的發展過程中，數據是AI發展的基礎和先導。這一輪AI的發展主要依靠深度學習技術的突破，沒有數據AI便是無源之水。算法是處理數據的方法，算力則是根據算法進行數據處理的能力。隨著算法模型趨於成熟，現階段AI面臨的主要矛盾是無限數據和有限算力之間的矛盾。因此AI新基建的基礎重在底層計算架構的突破。
鍾香建表示，在不同的行業，算法非常多樣，目前比較成熟。最大的矛盾還是數據和算力之間的矛盾，這種矛盾驅動著AI技術的發展。這其中，數據是基礎，對於數據的採集、匯聚、存儲、挖掘，是非常重要的一個驅動因素。算力由硬件平臺承載，算力夠不夠、算力能效比，這兩個問題在驅動算力不斷髮展。AI新基建的發展技術，技術資源層是算力和數據，技術層是模型和算法，更基礎的還是算力和數據。
王宏松認為，算法、數據和市場三者之間是互動的關係。首先算法需要和市場互動，找到真實所需；其次，對於AI的訓練和算法的演進需要一定的數據支撐；第三，提供算力的芯片，其架構、工藝等，都是AI新基建的基礎因素。
深聰智能商務總監 王宏松
AI新基建對產業有哪些拉動效應？
王宏松結合AI智能語音的應用談到，在語音識別、聲紋識別、語音合成、語音NLP的處理方面，技術成熟度很高，用戶接受度也比較高。特別是在疫情的非接觸需求下，智能語音相關應用加速落地。在新基建背景下，AI語音的落地是面向全行業的，甚至是產業賦能的效果 ，所有電子相關產品，都需要思考有沒有機會和語音進行結合，很多商業機會有待發掘。芯片產品化和產業化的機會，具體體現在從IoT到AIoT產品形態轉變中。以傳統家電市場為例，應用會進一步細分，例如針對兒童的產品可能會率先爆發，這些都是AI語音的機會。
鍾香建由我國與美國在人工智能方面的發展情況談及，我國在AI應用方面相對領先，而美國在基礎資源層面做得更好，主要包括硬件算力和數據。這方面的差距也正是我們當前在AI新基礎建設中要更為注重的。在總體戰略的推進下，GPU、FPGA、ASIC芯片，大數據採集匯聚、存儲和挖掘這些領域將迎來新的機會。語音識別、計算機視覺、認知計算、情感感知等，這些領域都會作為中間層技術，在基礎層和應用層之間提供接口。智慧家居、智慧城市、智慧辦公、智慧醫療、自動駕駛等等，這些領域都會因為AI基礎層和技術層面的發展，迸發更強的活力。同時，其他領域也會間接受益，比如大數據、IoT以及支撐AI技術和應用的上下游企業都有很大的機會。
姚顯駿認為AI對產業的拉動效應可以從兩方面來看。一方面是對強數字屬性產業的拉動，例如對互聯網、金融等數字化程度較高的產業，拉動主要體現在用戶體驗和企業服務水平的升級。另一方面是對弱數字屬性產業的拉動，製造業、交通、能源和政務等數字屬性較弱的傳統領域，AI對產業的拉動主要表現在降低企業成本，以及生產效率的提升。例如在高端製造業領域，AI可用於基於算法的建模、設計，生產自動化，高精度的質檢等，實現對生產鏈各環節的優化。傳統行業前幾年IoT談得比較多，AI興起後引入了AIoT的概念。從IoT到AIoT類似於從互聯網到移動互聯網的發展，整個產業的變化非常巨大，對於生產力和社會運營的效率有巨大的提升。這其中，邊緣側的處理能力非常重要，能夠給整個社會的發展做出巨大的貢獻。在嘉楠最近落地的一個項目中，是把城市運營的水電錶進行了AI圖象識別處理，雖然應用比較簡單，但是實現了智慧城市意義上的管理，能耗以及消耗的熱力圖、異常報警功能都可以給政府提供相關參照。
AI如何與IoT、大數據等融合，構築穩固的技術底座？
姚顯駿認為，未來的技術底座雖然構成多元，但主線是一貫的，本質上是對數據資源的利用。在這樣的框架中，會看到大數據是數字經濟的戰略資源；5G、雲和芯片是基礎設施；AI與物聯網、邊緣計算的融合是新的生產力；區塊鏈則有望成為下一代互聯網的基石組件，構建基於機器信任的生產關係。技術大融合的趨勢中，企業要想站穩腳跟，應該關注底層共性技術。
鍾香建分析，在新基建的七大核心板塊中，與半導體集成電路產業直接相關的有四項：5G、人工智能、大數據、物聯網。它們並不是獨立的技術，而是相互融合、疊加的。新基建的新願景，應該是利用基礎技術推動新的技術平臺和應用的落地，AI方面除了原有的訓練、推理等技術分類，在新基建方向下應該有新的技術分類，比如AI5G、AI雲計算、AI存儲、AIoT等等，是基於已有的5G、雲計算、存儲、IoT等去升級且應用。因此技術底座更注重的是基礎資源層，包括計算平臺、數據採集、數據匯聚、數據存儲、數據挖掘等 ，AI基於原有的技術，去構築這個技術底座。
王宏松以智能語音與其他代表性技術的融合為例談到，一方面體現在多模態的方案中，除了基於聲學的音頻，還有視頻的識別，再加上感知層的傳感器、邊緣端的計算、本地的算力等，讓AI的識別效果在端側就提高到一定程度，這也需要算法的不斷演進；另一方面，不論是端側產生的還是處理之後的數據，到雲上再做處理時，與傳統直接在雲上處理的數據不一樣。在進行大數據處理、語義理解、知識圖譜等處理時，距離理解話語中的含義、文化背景等還有較大差距，AI在這方面應用離需求還有明顯的距離，需要從業者不斷演進模態的融合和數據結構化的處理。
如何正視AI“理想”與“現實”之間的距離？
王宏松說道，AI技術還有點像三歲小孩，比原來智能了，但還達不到那麼高的預期，仍在持續演進中，不過這個演進的速度是非常快的。以算法的推進為例，有的算法是按小時迭代上線的，有的是按周來迭代上線的。對於芯片企業，常常跟不上算法對芯片的直接要求。最終將產品、服務提供給客戶時，算法和芯片最後融合成什麼樣，往往在客戶、普通消費者眼裡會產生理解或感知上的偏差。但是，
AI被納入新基建範圍中，必然會加速行業的應用和落地，會越來越接近甚至超出我們的預期。鍾香建表示，現階段人工智能在各行各業的普及和應用率還是很低的，這也是理想和現實中存在的差距。造成這個現象的原因還是整個生態鏈不夠健全，需要更完整的生態鏈的互動、合作和融合。以EDA工具為例，也在被AI革命性地改變，它可以通過大規模擴展對設計工作流程中選項的探索，同時自動化較少的決策，徹底改變芯片的設計。SoC團隊能夠以專家級的水平去進行操作，可以把專家需要耗費一個月才能完成的設計，壓縮到短短三天。我們要堅信AI是無處不在的，它可以改變我們的生產方式和提升我們的生產力。
姚顯駿談到，AI真正落地需要打通從雲到端的壁壘，其中帶來的問題是多樣的。算法方面，將算法遷移部署到設備端，但在實際推理過程中往往影響算法模型的性能。算力方面，設備端對功耗的限制不支持高能耗的AI芯片。數據方面，端側場景需要實現基於小樣本數據的推理，與服務器高吞吐的訓練場景不同。
為了克服這些差異，需要研發基於端側設備的芯片。AI芯片在指令集架構的選型、功耗和算力的規劃上要貼合端側場景，以最大程度滿足設備端的需求。其次在應用方面，AI行業應用需要在成本、效率和數據安全之間取得平衡。AI企業如何打造生態圈？
王宏松認為，AI作為技術和服務的一種形式，是呈現給行業合作伙伴和企業的，最終消費者並不知道或不在意其中用了什麼樣的AI技術，而是注重獲得了什麼樣的服務體驗。對於AI企業來說，就要努力打造生態圈，讓企業之間、行業之間的融合和推進更加順暢，共同提供好的技術和平臺服務。
鍾香建認為在新基建的背景下，不管什麼行業的人都用同一種思維方式、同一個目標去思考問題，這就是一個生態圈。要打造成功的生態圈，可以從幾個層次展開：首先是如何創造出新的智能應用系統，這是企業、從業者需要常常思考的問題；再高一個層次，需要思考如何應用這些新技術、產品，
在哪些領域可以把智能貫穿下去；更高層次的思考是，如何讓社會更智能化、增加社會的智力，比如智慧城市、智慧國家的概念，這需要基於底層從一個個產品、技術、行業，進行更高維度的思考，大家需要有這樣統一的思考方式去帶動AI進入各行各業。因此，生態圈建設應該囊括如下領域：基礎資源層生態的融合，包括芯片、IoT、5G等；不同技術層面的全套解決方案的融合，包括算法模型、大數據、語音識別、視頻識別、事件識別等；應用層面要做到跨行業的融合，需要在生態圈納入各個領域的系統公司、方案公司。姚顯駿表示，建立生態圈首先要推動基礎設施標準的建立。新基建技術類別眾多，不同行業、企業之間的實際應用場景也各不相同。以物聯網為例，不同細分行業中的設備和系統繁多，彼此之間割裂，協議互不相通。只有在行業中形成統一的協議標準和數據使用標準，才能真正意義上實現萬物互聯。同理，在其他技術領域中也需要加快標準研發，從而形成行業合力，真正推動新基建建設。
當在基礎標準有了統一的標準指引後，再往下到行業、產業、各種不同的平臺和應用就會容易很多。
