微胖撰文

今天,高通将两个「首次正式发布」给了中国

今天,在高通人工智能创新论坛活动上,两件事情的首次公布选择在了中国。

一个是之前传闻已久的骁龙 700 系列计算平台。另一个是 AI Research 的成立。

前者意味着中国智能手机市场和制造商在未来市场中举足轻重的地位,后者意味着高通希望吸引更多中国优秀人才的加入。

一定程度上,这体现出高通对中国市场的高度重视。

先来看第一个「首次公布」。

高通认为,手机将成为最为普遍的人工智能 AI 平台。去年推出了第三代 AI 平台骁龙 845(最早的是 820)。

今年 2 月,高通曾宣布全新移动平台骁龙 700 系列芯片。按照高通的数字命名法,其定位是介于 800 系和 600 系 SoC 之间,应该是仅次于骁龙 845 的次旗舰系列。

在今天的活动上,700 系列的首款产品 710 终于首次亮相。

它不仅继承了 845 的部分高级特性,而且价格更亲民,性价比高,非常适合两三千元的机型。

和时下较热的 xPU 方案不同,高通 AI 平台坚持异构运算,并没有引入神经网络引擎单元。

「我们现在的实际情况就是人工智能算法极度多样化,你甚至无法判断其中一种算法是有用还是没用,所以,无论是在实际产品还是投资上,我们都是非常谨慎的。」高通产品管理总监、人工智能和机器学习产品负责人 Gary Brotman 在接受国内媒体曾表示,高通最终得出的结论是让用户的应用案例来引导决策(芯片改变)形成。

活动上,高通表示会根据神经网络在不同计算架构上跑的情况来决定自己的方案。

高通高级研发总监候纪磊在接受媒体采访时解释道,不同应用场景,神经网络结构变化会很大,而不同场景对功耗,内存访问等要求也非常不同。异构计算针对不同工作载荷有自己的优点。而高通的移动 Soc 有强大的融合能力,有自己的优势。

不过,Gary Brotman 认为 1-2 年后,将有必要把人工智能的运算模块独立出来,因为到时候将会有足够大的应用场景出现,类似于 XR(AR、VR 等沉浸感场景)。

骁龙 845 的新特性具体可分为 6 个部分:拍照、AI、数据加密、更快的数据连接、更高的续航、更快的充电速度等等。AI 是核心之一。

而这次发布的 710 对 AI 的支持力度也足够大。总的说来,通过软硬结合提供一整套 AI 方案,相较于骁龙 660,骁龙 710 AI 性能提升了最高 2 倍。

搭载骁龙的手机

硬件方面,CPU 和骁龙 845 一样是第三代自主架构,基于 ARM 公版架构定制的 Kryo 360,包括两个 2.2GHz 大核心、六个 1.7GHz 小核心,总计八核心。

GPU 为 Adreno 616,也是旗舰级别的图形核心,渲染速度比前代提升多达 35%

DSP 为 Hexagon 685,与骁龙 845 一样。高效的神经处理引擎计算效率是 835 的两倍。

全新 ISP Spectra 250,最高支持 3200 万像素单镜头或 2000W 像素双镜头,降噪和高分辨率下表现更优于骁龙 660。

比如降噪,支持硬件加速的多帧合成降噪,相比之前的软件合成算法时间大大缩短,功耗也大大降低,对付运动场景更加从容自由,针对视频同样支持动态补偿滤波降噪。

AR 方面,既完整支持 Google ARCore,还支持商汤的 SenseAR。语音方面集成 Aqstic 套件,支持低功耗语音激活,支持谷歌、亚马逊、百度的语音交互。

而在软件工具方面,高通为开发者准备了骁龙神经处理 SDK、Android NN API(Android O/P 都支持)、Hexagon NN,同时支持 Caffe、Caffe 2、TensorFlow、TensorFlow Lite、ONNX 等各种框架。

效率

运算能力

图像分析性能

芯片仍基于 10nm 工艺制程。值得一提的是,连接上,第一次在骁龙 800 旗舰之外集成了 X15 LTE 基带。

针对不少互联网公司、AI 算法公司自己流片的现象,候纪磊表示,芯片和半导体行业是非常复杂的、非常长的生态链,从算法,到架构设计,到流片,到与合作伙伴进行生产,是一个复杂的过程。高通有自己的优势。

不过与此同时,高通也在观察友商产品的功耗数据,实际上他们的性能并不理想。

过去就有消息指出小米将在 6 月份发布首款搭载骁龙 700 系列产品的机型,定位是中高端,扛起小米 7 身后的价格段。

活动上,高通表示,首款搭载骁龙 710 芯片的终端将会在 2018 年第二季度上市。

另外,高通还宣布与创通联达(重庆创通联达智能技术有限公司)合作推出 Turbo X。旨在帮助中国开发者专注于打造新一代 AI 产品。创通联达将推出一款 AI 开发套件 TurboX AI Developer Kit,预计将于 2018 年第四季度上市。

至于第二个「首次公布」,其实是对过去十年研究工作机制的一次整合。

从 2007 年启动首个人工智能项目,高通在该领域已有十年的研发积累。在之前接受媒体采访时,高通多次表示,自己不仅拥有 5G 技术,还有 AI 技术。

现在,公司将分散在不同国家地区和部门的研究人员组成AI Research。它属于高通内部一个跨部门的研究协作部门,涉及基础性研究,比如深度学习机器学习、功耗、算力分配等,也涉及应用研究,比如自动驾驶、ASR 等。

目前,大约有 100 多人从事基础性的人工智能研究。「他们原来在高通是分散的研究者,现在被集中到一起了。我们已经在将很多已有技术作为应用了。我们也在做很多基础研究,发表很多论文。」Welling 介绍道。

集中一起后研究会更加专注,同时通过学术会议的参加和研究的发表,大家可以更好的融入学界和业界。另一方面,也能吸引更多的人才。

在今天的活动上,阿姆斯特丹大学知名教授和领先的人工智能研究学者 Max Welling 以高通技术副总裁的身份分享了贝叶斯深度学习的相关研究。

贝叶斯方法可以解决传统深度学习的很多问题. 其中,他特别强调贝叶斯方法具有压缩性,可以对不确定性进行量化。可以应用在无人车上,图像和目标检测上有优势。

2017 年 8 月,高通曾收购一家荷兰机器学习初创公司 Scyfer。这家公司在工业物联网上具有强大的研发实力,其创始人正是 Max Welling。

此外,候纪磊也在活动上介绍了高通对语音技术趋势 VoiceUI 的一些判断和预测。

针对下一个革命性的交互界面合适的硬件载体问题,候纪磊谈到,翻译硬件和智能音箱的兴起,一部分原因在于推出这些硬件的公司没有在底层与芯片公司深度合作,而远场是一个需要与底层深度结合加以解决的问题。如果底层解决好了,就像早期的随身听等硬件那样,最后都能在智能手机上实现而逐渐消失。

目前,Qualcomm 每天出货的物联网芯片已经超过 100 万片。2017 财年,公司物联网业务的营收已超过 10 亿美元,全球采用高通芯片的物联网终端出货量超过 15 亿部。

高通正在努力寻找骁龙芯片在手机之外的其他可能性。除了试图购买芯片制造商 NXP,以提高其在汽车行业以及物联网终端的影响力,而今天活动现场,高通也再次介绍了物联网产品系列家族成员。

除了满足智能手机需求的移动 SoC 之外,其他物联网产品系列还包括:

1、应用 SoC,特别针对物联网

家庭使用的物联网产品通常只需要支持 Wi-Fi 连接,不太需要 4G LTE 的连接能力。通过减少对蜂窝技术的支持,可以相应地优化应用 SoC 的成本。

高通与谷歌合作推出的 SDA624 和 SDA212 家居中枢平台,就属于这个系列,支持 Google Android Things 软件系统。

而就在今年 4 月份,高通推出视觉智能平台,就是专门面向 IoT 的 SoC:QCS605 和 QCS603 SoC,都采用了基于 ARM 架构的多 CPU 核心方案,而且也配有 Adreno 615 GPU、Spectra ISP 和 Hexagon DSP。能为终端侧的摄像头处理和机器学习提供强大的计算能力,面向广泛的物联网应用。

2、非常适合智慧城市应用 LTE SoC。

MDM9206 是高通在 2017 年 4 月初专为物联网推出的智能芯片,它不单是通信芯片,也是一个系统控制器,甚至可以视为一个具备计算能力的小型 SoC,具有更低的功耗和更长距离的连接。

这款产品就隶属于这个产品系列。2017 年 9 月,摩拜在美国支持其无桩智能单车的智能锁就采用了高通 MDM9206 。

3、连接 SoC,这个系列仅内嵌了 MCU,因此计算性能有限;在连接上该系列并不支持 4G LTE,仅支持 Wi-Fi、蓝牙及 802.15.4 连接。

 4、蓝牙 SoC,它的结构简单,拥有微型控制器,在连接上仅支持蓝牙无线连接。QCA4024 平台就属于蓝牙 SoC 系列。

家族合影

这次活动上,媒体和高通均未提及去年开始销售的基于 ARM 技术的服务器芯片 Centriq 2400。虽然去年发布会后,微软等潜在客户对此表示了兴趣,但至今未有相关进展透露。

而据彭博社报道,高通公司正准备放弃为数据中心服务器开发芯片。

报道称,某知情人士透露高通正在考虑是关闭该部门,还是为该部门寻找新的所有者。公司高管也曾透露,高通公司正专注于非核心产品领域的支出削减。

产业高通芯片骁龙 700计算平台中国AI Research
1
相关数据
神经网络技术
Neural Network

(人工)神经网络是一种起源于 20 世纪 50 年代的监督式机器学习模型,那时候研究者构想了「感知器(perceptron)」的想法。这一领域的研究者通常被称为「联结主义者(Connectionist)」,因为这种模型模拟了人脑的功能。神经网络模型通常是通过反向传播算法应用梯度下降训练的。目前神经网络有两大主要类型,它们都是前馈神经网络:卷积神经网络(CNN)和循环神经网络(RNN),其中 RNN 又包含长短期记忆(LSTM)、门控循环单元(GRU)等等。深度学习是一种主要应用于神经网络帮助其取得更好结果的技术。尽管神经网络主要用于监督学习,但也有一些为无监督学习设计的变体,比如自动编码器和生成对抗网络(GAN)。

机器学习技术
Machine Learning

机器学习是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。

自动驾驶技术
self-driving

从 20 世纪 80 年代首次成功演示以来(Dickmanns & Mysliwetz (1992); Dickmanns & Graefe (1988); Thorpe et al. (1988)),自动驾驶汽车领域已经取得了巨大进展。尽管有了这些进展,但在任意复杂环境中实现完全自动驾驶导航仍被认为还需要数十年的发展。原因有两个:首先,在复杂的动态环境中运行的自动驾驶系统需要人工智能归纳不可预测的情境,从而进行实时推论。第二,信息性决策需要准确的感知,目前大部分已有的计算机视觉系统有一定的错误率,这是自动驾驶导航所无法接受的。

深度学习技术
Deep learning

深度学习(deep learning)是机器学习的分支,是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。 深度学习是机器学习中一种基于对数据进行表征学习的算法,至今已有数种深度学习框架,如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

物联网技术
Internet of Things

物联网(英语:Internet of Things,缩写IoT)是互联网、传统电信网等信息承载体,让所有能行使独立功能的普通物体实现互联互通的网络。物联网一般为无线网,而由于每个人周围的设备可以达到一千至五千个,所以物联网可能要包含500兆至一千兆个物体。在物联网上,每个人都可以应用电子标签将真实的物体上网联结,在物联网上都可以查出它们的具体位置。通过物联网可以用中心计算机对机器、设备、人员进行集中管理、控制,也可以对家庭设备、汽车进行遥控,以及搜索位置、防止物品被盗等,类似自动化操控系统,同时通过收集这些小事的数据,最后可以聚集成大数据,包含重新设计道路以减少车祸、都市更新、灾害预测与犯罪防治、流行病控制等等社会的重大改变,实现物和物相联。

张量技术
Tensor

张量是一个可用来表示在一些矢量、标量和其他张量之间的线性关系的多线性函数,这些线性关系的基本例子有内积、外积、线性映射以及笛卡儿积。其坐标在 维空间内,有 个分量的一种量,其中每个分量都是坐标的函数,而在坐标变换时,这些分量也依照某些规则作线性变换。称为该张量的秩或阶(与矩阵的秩和阶均无关系)。 在数学里,张量是一种几何实体,或者说广义上的“数量”。张量概念包括标量、矢量和线性算子。张量可以用坐标系统来表达,记作标量的数组,但它是定义为“不依赖于参照系的选择的”。张量在物理和工程学中很重要。例如在扩散张量成像中,表达器官对于水的在各个方向的微分透性的张量可以用来产生大脑的扫描图。工程上最重要的例子可能就是应力张量和应变张量了,它们都是二阶张量,对于一般线性材料他们之间的关系由一个四阶弹性张量来决定。

TensorFlow技术
TensorFlow

TensorFlow是一个开源软件库,用于各种感知和语言理解任务的机器学习。目前被50个团队用于研究和生产许多Google商业产品,如语音识别、Gmail、Google 相册和搜索,其中许多产品曾使用过其前任软件DistBelief。

推荐文章