内容详情
AI芯片如何掘金安防市场？提升适配性是王道
AI芯片如何掘金安防市场？提升适配性是王道
作为AI产业发展的基石，AI芯片近年发展势头迅猛，作为人工智能落地首站的安防领域，开始成为众多企业发力的焦点，从前端摄像头提高边缘智能，到后端服务器进行大规模训练分析，部署端到端的“算力+算法”一体化解决方案，显然已经成为安防行业新的价值所在。然而，当前安防AI芯片发展看似火热，实际上尚处于“婴儿期”，企业要想保持未来发展势头，仍需找准突破点。
如何衡量AI芯片？不唯有算力
如果要给出一个衡量AI芯片的有力指标，大部分人也许会认为是“算力”、“能耗比”等这些直观数据，毕竟算力是人工智能发展的关键因素之一，市场对具有海量数据并行计算能力、能够加速计算处理的AI芯片有很大需求。
但在实际使用时，有些场景下计算核的利用率非常低，甚至有很多计算种类不支持。由此看来，算力不能作为衡量AI芯片性能的唯一指标。
同时，如今安防边界逐渐扩大，各类场景下的智能应用也随之丰富，多业务同时运行成为常态，所以计算核在多业务切换情况下的性能表现也是一项重要的衡量标准，尤其是在衡量节点端芯片和云端芯片性能方面。
此外，AI加速硬件十分依赖存储器带宽，因此在相同算法及计算量情况下，计算核对带宽的使用效率往往也决定整体系统性能。
掘金安防行业 AI芯片需要适配场景
传统芯片企业更关注通用化芯片，但在做到通用化的同时也牺牲了对具体领域的契合性，这在落地应用时会遇到不少问题。
例如，安防端侧关注点在于降低AI芯片的单位功耗，但芯片企业对功耗要求可能不是首要优先级，这就给提供解决方案和算法的企业带来了难题：算法是统一的，但在不同场景中需要适配不同的芯片模组。
因此，要想打开安防领域的市场，就要在功耗和成本的严格约束下，不断提升算力，适配场景，提升芯片的专用性。
安防行业需要怎样的芯片？
AI芯片应用位置不同，需求也不同。在端侧，以往采用主芯片加AI协处理器的方式，而目前合二为一的方案已成为主流，且需要易用、稳定、支持主流深度学习框架的软件开发工具，此外，端侧设备对功耗和价格也非常敏感。
与端侧相比，云侧对AI芯片的解码能力要求更高，起码不低于AI处理能力，在此基础上，大数据并发效率决定了AI算力实际能发挥的程度。在价格与功耗方面，云侧并没有端侧那么敏感，不过降低花费始终是用户的诉求。
目前致力于研发安防领域AI芯片的公司非常多，这意味着安防AI芯片拥有十分广阔的市场，但谁能更好地满足行业需求、实现大批量出货还有待时间验证。
如何衡量AI芯片？不唯有算力
如果要给出一个衡量AI芯片的有力指标，大部分人也许会认为是“算力”、“能耗比”等这些直观数据，毕竟算力是人工智能发展的关键因素之一，市场对具有海量数据并行计算能力、能够加速计算处理的AI芯片有很大需求。
但在实际使用时，有些场景下计算核的利用率非常低，甚至有很多计算种类不支持。由此看来，算力不能作为衡量AI芯片性能的唯一指标。
同时，如今安防边界逐渐扩大，各类场景下的智能应用也随之丰富，多业务同时运行成为常态，所以计算核在多业务切换情况下的性能表现也是一项重要的衡量标准，尤其是在衡量节点端芯片和云端芯片性能方面。
此外，AI加速硬件十分依赖存储器带宽，因此在相同算法及计算量情况下，计算核对带宽的使用效率往往也决定整体系统性能。
掘金安防行业 AI芯片需要适配场景
传统芯片企业更关注通用化芯片，但在做到通用化的同时也牺牲了对具体领域的契合性，这在落地应用时会遇到不少问题。
例如，安防端侧关注点在于降低AI芯片的单位功耗，但芯片企业对功耗要求可能不是首要优先级，这就给提供解决方案和算法的企业带来了难题：算法是统一的，但在不同场景中需要适配不同的芯片模组。
因此，要想打开安防领域的市场，就要在功耗和成本的严格约束下，不断提升算力，适配场景，提升芯片的专用性。
安防行业需要怎样的芯片？
AI芯片应用位置不同，需求也不同。在端侧，以往采用主芯片加AI协处理器的方式，而目前合二为一的方案已成为主流，且需要易用、稳定、支持主流深度学习框架的软件开发工具，此外，端侧设备对功耗和价格也非常敏感。
与端侧相比，云侧对AI芯片的解码能力要求更高，起码不低于AI处理能力，在此基础上，大数据并发效率决定了AI算力实际能发挥的程度。在价格与功耗方面，云侧并没有端侧那么敏感，不过降低花费始终是用户的诉求。
目前致力于研发安防领域AI芯片的公司非常多，这意味着安防AI芯片拥有十分广阔的市场，但谁能更好地满足行业需求、实现大批量出货还有待时间验证。
