端邊云AI算力爆發，華為AI全場景布局浮現

AI與IoT技術的融合將形成AIoT，也就是萬物智慧互聯。我們現有的生活方式將被重新定義——人與環境的交互從物理按鍵進化到視覺、語音識別或虛擬現實；原本單一的硬件產品開始互聯互通、端側具備智能；無人駕駛、機器助手等新物種的出現等。AIoT即將成為工業機器人、智能手機、無人駕駛、智能家居及智慧城市等新興產業的重要基礎。

伴隨5G技術商用，AIoT會加速落地和實現。可預見的是，未來巨量的多維數據（如語音、圖像、視頻等）集中處理與邊緣式分布計算的需求，將進一步挑戰AI底層支持硬件——芯片的計算能力。同時，AIoT場景下AI應用對于端邊云互動有著強需求。強大的云會讓邊、端能力更強，而強大的端、邊則可提升數據處理的實時性和有效性，進而增強云的能力，二者需要緊密結合。

另一方面，在應用場景中，跨平臺兼容問題、訓練成本、大規模部署問題層出不窮。想出一個模型不難，開發出來也還好，但要把框架里的算法部署到數量眾多的物聯網設備上，問題將是無窮無盡的。本地算力、網絡連接能力、平臺間的不兼容，都讓開發者望而卻步。

業界首創的全棧全場景AI解決方案

2018年10月，華為副董事長、輪值董事長徐直軍在2018華為全聯接大會，發布了華為AI戰略及全棧全場景的解決方案。有媒體評價，華為在AI領域是三年不鳴，一鳴驚人。

其中最受人關注的是華為一直保持神秘的芯片產品——昇騰系列芯片。從華為公布的信息來看，昇騰（Ascend）芯片層，包含了從AscendNano、Lite、Tiny一直到云側使用的As?cendMax。可以看出昇騰系列芯片是完整AI堆棧解決方案的基礎層，目標是在任何場景下以最低成本提供最佳性能，使不同應用可以選擇最優的AI算力解決方案。

而是否要采用統一架構，是十分關鍵的選擇。統一架構的好處是：只需一次算子開發，就可在任何場景下使用；跨場景一致開發和調試體驗；更重要的是，一旦完成某個芯片的算法開發，就可順利將其遷移到面向其它場景的其它芯片上。

完美的想法如何完美實現呢？從傳統設計思路來看，無非兩種選擇：

一、采用堆疊擴展（Scaleout）的方法實現巨大的計算可擴展性。首先，設計針對最小或較小計算場景進行優化的架構，然后通過堆疊來匹配最大的計算場景，但這將不可避免地增大芯片面積和功耗，直至難以接受；

二、采用向下縮小（Scalein）的方法，即首先設計針對最大或較大計算場景進行優化的架構，然后通過精細分割來匹配最小的計算場景，但這必將導致任務調度和軟件設計異常復雜，并且可能由于電流泄漏而使低功耗目標無法達成；

面對如上利弊點，華為創造性的提出了達芬奇架構，通過可擴展計算、可擴展內存和可擴展互連等三大獨特關鍵技術，使統一架構成為可能。

為實現高可擴展和靈活的計算能力，華為首先設計了一個可擴展的3DCube作為超高速矩陣計算單元，在其最大配置（16x16x16）下，一個Cube可在一個時鐘周期內完成4096個FP16MACs運算。以16x16x16為中心，具有CubeScalein功能和高效的多核堆疊功能，這樣就可以使用一種架構來支持所有場景。對于計算能力較低的應用場景，Cube可以逐步縮小到16x16x1，在一個周期內完成256個MACs運算。這種靈活性與一套指令集結合，成功提供了計算能力和功耗的平衡。

為實現高可擴展內存，每個達芬奇Core都配備專用SRAM，其功能固定，容量可變，適應不同的計算能力場景，提升了計算過程中數據的交換速度。

芯片內超高帶寬Mesh網絡將多個達芬奇內核連接在一起，保證內核之間以及內核與其它處理單元之間的極低延遲通信，使得高密度計算內核的性能得到充分利用。

今年4月，基于昇騰310 （Ascendmini）的Atlas人工智能計算平臺正式開售，覆蓋了從終端、邊到云數據中心推理場景：

Atlas200尺寸僅有信用卡一半大小，是一款高效能的嵌入式AI加速模塊，可以實現圖像、視頻等多種數據分析與推理計算，可廣泛被集成到智能攝像頭、機器人、無人機中。

Atlas300智能加速卡是半高半長的PCIeAI加速卡，可幫助傳統服務器實現AI算力騰飛，不僅可以提供多種數據精度及業界領先的性能，還可以兼顧能效限制，可廣泛應用于數據中心和智能邊緣。

Atlas 500智能小站是業界領先的智能邊緣產品，機頂盒大小，可實現16路高清視頻處理能力；同時也是業界首款應用半導體制冷散熱技術的智能邊緣產品，不用風扇散熱，可滿足-40°-70°室外工作環境。

Atlas800深度學習系統是一站式深度學習平臺服務，內置大量優化的網絡模型算法，幫助用戶輕松使用深度學習技術提供數據標注、模型生成、模型訓練、模型推理服務部署的端到端能力，降低使用AI的技術門檻。

據悉，華為將在8月23日發布最新的昇騰芯片，會不會是久聞大名的As?cendMax？拭目以待。