对于语音设别 ， 如果是需要做自然语言理解 ， 性能可能要到100Gops 。对于无风扇设计引入的3瓦功耗限制 ， CPU/DSP和加速器都可以选 。不过工艺就得用28纳米了或者更早的了 ， 毕竟没那么多量 ， 撑不起16纳米 。最便宜的方案 ， 可以使用RISC-V+DLA ， 没有生态系统绑定的情况下最省成本 。
家庭电子设备里还有一个成员 ， 游戏机 。Xbox和PS每年出货量均在千万级别 。VR/AR和人体识别早已经用在其中 。
监控市场：能不能扔掉DSP？
接下去是监控市场 。监控市场上的图像识别是迄今为止深度学习最硬的需求 。监控芯片市场本身并不大 ， 有1亿颗以上的量 ， 销售额20亿刀左右 。主流公司有安霸 ， 德州仪器和海思 ， 外加几个小公司 ， OEM自己做芯片的也有 。
传统的监控芯片数据流如上图蓝色部分 ， 从传感器进来 ， 经过图像信号处理单元 ， 然后送给视频编码器编码 ， 最后从网络输出 。如果要对图像内容进行识别 ， 那可以从传感器直接拿原始数据 ， 或者从ISP拿处理过的图像 ， 然后进行识别 。中高端的监控芯片中还会有个DSP ， 做一些后处理和识别的工作 。现在深度学习加速器进来 ， 其实和DSP是有些冲突的 。以前的一些经典应用 ， 比如车牌识别等 ， DSP其实就已经做得很好了 。如果要做识别以外的一些图像算法 ， 这颗DSP还是得在通路上 ， 并不能被替代 。并且 ， DSP对传统算法的软件库支持要好得多 。这样 ， DSP替换不掉 ， 额外增加处理单元在成本上就是一个问题 。
对于某些低功耗的场景 ， 我看到有人在走另外一条路 。那就是完全扔掉DSP ， 放弃存储和传输视频及图像 ， 加入加速器 ， 只把特征信息和数据通过NB-IOT上传 。这样整个芯片功耗可以控制在500毫瓦之下 。整个系统结合传感器 ， 只在探测到有物体经过的时候打开 ， 平时都处于几毫瓦的待机状态 。在供电上 ， 采用太阳能电池 ， 100mmx100mm的面板 ， 输出功率可以有几瓦 。不过这个产品目前应用领域还很小众 。
做识别的另一个途径是在局端 。如果用显卡做 ， GFX1080的FP32 GLOPS是9T ， 180瓦 ， 1.7Ghz ， 16纳米 ， 320mm 。而一个Mali G72MP32提供1T FP32的GFLOPS ， 16纳米 ， 850Mhz ， 8瓦 ， 9T的话就是72瓦 ， 666mm 。当然 ， 如果G72设计成跑在1.7Ghz ， 我相信不会比180瓦低 。此外桌面GPU由于是Immediate rendering的 ， 带宽大 ， 但对缓存没有很大需求 ， 所以移动端的GPU面积反而大很多 ， 但相对的 ， 它对于带宽需求小很多 ， 相应的功耗少很多 。
GPU是拿来做训练的 ， 而视频识别只需要做Inference ， 如果用固定流水的加速器 ， 按照NVIDIA Tesla P40的数据 ， 48T INT8 TOPS ， 使用固定流水加速器 ， 在16nm上只需要48mm 。48Tops对应的识别能力是96路1080p60fps ， 96路1080p60fps视频解码器对应的面积差不多是50mm ， 加上SRAM啥的 ， 估计200mm以下 。如果有一千万的量 ， 那芯片成本可以做到40美金以下（假定良率还可以 ， 不然路数得设计的小一点） ， 而一块Tesla P40板子的售价是500美金（包括DDR颗粒） ， 还算暴利 。国内现在不少小公司拿到了投资在做这块的芯片 。
推荐阅读
- 华凌空调质量怎么样，华凌的空调怎么样？
- 北汽怎么样口碑 北汽怎么样
- 2011款奔驰s350l怎么样? 2011款奔驰s350l怎么样
- 玻璃隔断墙怎么安装
- 铝塑吊顶怎么拆
- 外墙喷漆怎么操作
- 自己动手怎么修复墙面
- 微水泥涂料怎么施工
- 大众自动挡油耗 大众自动油耗怎么样
- 1p漏电保护开关怎么接线