优化边缘计算，索喜科技开发AI加速引擎

领先的SoC解决方案供应商——索喜科技为边缘计算设备的AI处理优化，开发了一款新型神经网络加速（NNA）引擎。这款精巧，低功耗引擎是专为深度学习（Deep Learning）推理运算而特别设计的。相较于传统计算机视觉处理器，如图像识别等，其在运行时可将性能提升100倍。索喜科技预计在今年第三季度开始交付实现现场可编程门阵列（FPGA）的软件开发包，同时也计划开发相应的SoC产品。

↓↓

目前，全球正在使用的物联网设备大约有231.4亿个，而这一数字在未来两年内将上升到310亿。到2025年，预计将有800亿设备在使用和收集数据，所产生的数据量可达到180ZB，而2016年仅有1ZB。随着设备数量的激增，它们所生成的数据也会增加，数据存储和传输也必须保持同步。

人工智能

边缘计算

当前，人工智能的计算大多数是在数据中心运行，即运行在“云”上，然而以云为中心的构架方式并非在任何情况下都是最理想的解决方案。随着技术的发展，基于边缘计算解决方案的人工智能终端，将在各行各业带来变革，从而改变未来的走向。传统人工智能运算的硬件架构，主要包括中央处理器(CPU)、图型处理器(GPU)、现场可编程数组(FPGA) 等。

边缘计算是指在靠近物或数据源头的一侧，采用网络、计算、存储、应用核心能力为一体的开放平台，就近提供服务。边缘计算是伴随着物联网的发展而出现的。对物联网而言，边缘计算技术取得突破，意味着通过本地设备就可实现数据分析与控制，无需交付云端处理。这将大大提升数据处理效率，减轻云端负荷，为用户提供更快速的响应。

NNA

Socionext

人工神经网络（Neural networks，简称NNs）正使得各行业技术飞速发展。而人工神经网络加速器（Neural Network Accelerator，简称NNA）是一种处理器的基本结构，可能与CPUs和GPUs具有同样重大的意义。

为满足市场需求，索喜科技开发了一款新型神经网络加速（NNA）引擎，以针对边缘计算设备的AI处理优化。目前索喜科技提供的“SC1810”是一款内置专有视觉处理器单元的图形 SoC ，且能与计算视觉应用程序接口（API）标准化组织Khronos Group开发的"OpenVX"兼容。索喜科技设计的NNA作为可扩展VPU能力的加速器，将在汽车、数字信号等领域中通过Deep Learning展现各种各样的计算机视觉处理功能及常规的图像识别，发展低功耗、高准确率的认知计算。

这款NNA结合公司专有量化技术结构，减少了DeepLearning所需的参数及活化的信息量。量化技术能够用少量的资源处理大量的计算任务，极大的减小了数据尺寸并显著降低了系统内存带宽。此外，最新研发的片上存储电路设计提高了Deep Learning所需的计算资源效率，在一个很小的包（Package）内就能优化性能。结合最新技术，配备新款NNA的VPU在图像识别方面将比传统VPU的处理速度快100倍。

DPA: Data Parallel Accelerator

HWA: Hardware Accelerator

索喜科技预计在今年第三季度开始交付实现现场可编程门阵列（FPGA）的软件开发包。该软件开发包可支持TensorFlow，且将作为一个学习环境及库，致力于量化技术及从学习模型到界面处理的数据转化工具。随着NNA学习环境优化，用户即使没有模型压缩或是学习调整Deep Learning所需的码率降低的经验，届时也可以有效的建立自己的模型。索喜科技正计划提供应用更广泛的开发环境，通过支持不同的Deep Learning框架，使得用户能够开发他们自己的Deep Learning应用。

索喜科技同时也计划将推出包含NNA的SoC产品。目标应用包含汽车行业，通过高精度行车记录仪检测例如行人及自行车等目标及捕获图像，同时也可以用于辅助驾驶或自动泊车。另一个重要的应用则是例如电视机及标牌的显示系统。NNA运算可大大增强4K/8K显示屏的图像识别，提供超高分辨率处理及帮助高清晰度成像。面对基于边缘计算解决方案的人工智能终端的巨大技术挑战，索喜科技将坚持不懈的开发低功耗、高准确率的认知计算产品以扩大AI应用范围。