行业+AI vs AI+行业，AI普及还面临哪些挑战-.doc

《行业+AI vs AI+行业，AI普及还面临哪些挑战-.doc》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、行业+AIvsAI+行业，AI普及还面临哪些挑战?　　察势者智，驭势者赢。近日，由CSIA-ICCAD、《中国集成电路》主办，摩尔精英协办的首场“人工智能与半导体技术国际论坛”在上海隆重召开，Arm人工智能生态联盟秘书长、Arm战略联盟业务发展总监金勇斌在论坛上做主题演讲《平台化赋能AI生态创新》，就大热的人工智能与Arm生态创新进行了精彩分享，简述Arm对AI大势的观察，以及驭势而赢的平台化策略。　　　　1行业+AIvsAI+行业，AI普及还面临哪些挑战?　　人工智能带来了大量的创新机遇毋庸置疑，金勇斌首先为我们阐述了一个概念：现在谈AI应多为行业+

2、AI而不是AI+行业，行业本身就一直存在，产业链相对成熟，只是人机协作效率较低，决策多是靠人。通过+AI技术赋能可以使效率有质的提升，使物体变得更聪明、更智能，更理解人从而减少甚至不需要人的干预做出行为决策。　　要+AI赋能更多的行业、渗透更多的应用，还有各种亟待解决的瓶颈。现阶段技术方面的主要挑战是算力提升、功耗降低、成本控制、算法场景化集成等方面，接下来安全和隐私也是无法逃避的问题。目前许多终端数据都是送到云端做分析处理，边缘AI算力已经开始快速迭代，多数的检测识别任务将在端侧就地完成，设备的可靠性会提高，数据的隐私性会提高，但如何保护算法自身被窃

3、取的安全性需要解决。芯片作为前端智能应用的基础支撑，如何解决以上相关挑战，加强生态协作是不可忽略的一环。　　　　2Arm三大平台已搭建，加速平台化赋能　　神经网络加速器非常重要，但它不能解决一切问题，只是AI芯片中的一个部分。金勇斌举例道，视频流从摄像头先到ISP域做信号处理，再到CV域做目标检测，再到NN域做识别，即使NN也不能完全自治处理一个完整的深度学习模型，过程中需要CPU或向量处理器的深度参与，要屏显还需要GPU/DPU，图像回传还需要编码器...这是一个系统工程。Arm着力于为合作伙伴提供平台型解决方案，包括已有的CPU、GPU、ISP，近

4、期发布的OD、ML处理器，辅以ArmCL，CMSIS-NN、ArmNN等计算库及软件，全面支持主流的深度学习模型以及传统CV，开发者能够继续使用他们首选的框架和工具，经Arm开发软件无缝转换结果后可在底层平台上运行。　　　　以上要素都在Arm近期发布的ProjectTrillium平台上得以体现，加上Arm在2017发布的平台安全架构PSA，一个个单点IP汇聚成一个高效且安全的子系统，再通过拥有广泛支持的连接IoT设备的ArmMbed平台将数据安全地送上云。金勇斌说明了目前Arm三大平台所需要完成的任务，赋能生态伙伴的应用解决方案创新、共建产业标准与开

5、发者生态、激活增值解决方案与服务。　　　　3产学携手，在开放协作创新生态中共成长　　有了平台便可以对应广泛的合作伙伴，怎么把解决方案与开发者生态激活？目前中国AI行业日新月异，AI发展需要应用落地才算真“AI”，所以Arm去年在上海发起了人工智能生态联盟（AIEC）。据金勇斌透露，联盟发起时是22家单位，现在已经是120多家了，包括芯片公司、算法公司、OEM、方案商、系统集成商、运营商等，同时也成立了相应的科技创新基金。　　　　此外，Arm过去10年在中国耕耘大学计划，目前已经与国内500所以上高校建立平台，自身以及与合作伙伴开发了1300多门课程，涉

6、及IoT、Mbed平台、ML/AI等众多领域。Arm非常愿意作为一个载体，提供平台，帮助各类合作伙伴们实现大学教育及合作计划。　　最后，金勇斌总结说到，目前大家的印象中Arm可能是CPU的代名词，但Arm也是一个科技生态的代名词——建设开放式协作创新与共同成长的生态系统，共建、共长、共享。