李泽南 李亚洲作者

刚刚赛灵思宣布收购深鉴科技,AI芯片领域收购整合可能已经开始

赛灵思于今日宣布完成对深鉴科技的收购。

深鉴科技成立于 2016 年,是一家专注于神经网络剪枝、深度压缩技术及系统级优化,并致力于开发 AI 芯片的创业公司。该公司在 2017 年连续获得了数千万美元 A 轮,及 4000 万美元 A+轮融资。2017 年 10 月,深鉴科技推出了自研 AI 芯片「听涛」与「观海」,并计划于今年上市。

深鉴科技去年发布的「听涛」系列 SoC

深鉴科技一直基于赛灵思的技术平台开发机器学习解决方案,两家公司合作密切。经深鉴科技优化的神经网络剪枝技术运行在赛灵思 FPGA 器件上,可以实现突破性的性能和行业最佳的能效。从 2017 年 5 月开始,赛灵思就已经与全球其它知名投资机构一起成为了深鉴科技的主要投资者。

深鉴科技 CEO (首席执行官) 姚颂表示:「我们非常高兴能够进一步深化深鉴科技与赛灵思的合作,让双方能够更加紧密地联手为中国乃至全球用户提供领先的机器学习解决方案。」

深鉴科技 CTO (首席技术官) 单羿表示:「作为早期投资者之一,赛灵思一路陪伴深鉴科技共同发掘机器学习的潜力,并见证了我们在这一领域的创新与发展。我们期待通过此次交易,合力将我们的机器学习解决方案提升到一个全新的性能水平。」

「我们对深鉴科技加入赛灵思大家庭感到非常兴奋。我们期待着他们的加入能进一步增强赛灵思全球领先的工程技术研发力量,加速赛灵思打造灵活应变智能世界的公司愿景。」赛灵思软件业务执行副总裁 Salil Raje 表示:「人才和创新是实现赛灵思公司发展的核心。未来,赛灵思将继续加大对深鉴科技的投入,不断推进公司从云到端应用领域部署机器学习加速的共同目标。」

深鉴科技目前主要业务来自安防市场,但最近在接受机器之心采访时,姚颂曾表示:在一年以前,该公司「决定」跟随其投资方赛灵思进入汽车市场。有媒体曾报道过这样一个数字:八成的 AI 芯片创业公司都会挤进这个赛道。「英伟达讲的最大的故事就是自动驾驶,」姚颂说。「基本上 2/3 的(赛灵思)汽车客户被都介绍给我们了。」

目前,在合作方式上,深鉴科技与车厂签订的新合同,包括后面可能的量产计划,都是基于赛灵思车规级 FPGA 搭载深鉴自主研发设计的深度学习处理器,以「招牌」的压缩能力为亮点,进入到与车厂的合作中。

此外,姚颂也提到,近一两年内,AI芯片领域会陆续出现一些收购整合案例。一些投资人也表达了类似的判断和预测,无论是人才,技术还是业务,大型玩家都会尝试整合这个领域的新生力量。

作为自适应和智能计算的全球领导企业,赛灵思致力于通过开发高度灵活和自适应的处理平台,加速从端点到边缘再到云端各个应用领域的技术创新。赛灵思是 FPGA、硬件可编程 SoC 及 ACAP 的发明者,旨在为业界提供最具活力的处理器技术,实现高度灵活、智能互联的未来世界。

2017 年,赛灵思曾推出 Xilinx reVISION™堆栈,致力于大幅扩展至广泛的视觉导向机器学习应用。当时在接受机器之心专访时,Xilinx 公司战略与市场营销部高级副总裁 Steve Glaser 就曾提到深鉴科技,「深鉴科技拥有非常高效的深度学习技术,并且与零度智控合作,将技术部署于价值 400 美元的无人机上,这在我们看来,是非常巨大的成功。」

最后,据深鉴科技表示,收购之后它将继续在其北京办公室运营,成为拥有 200 余名员工的赛灵思大中华区大家庭的一部分。另,此次交易的具体财务条款未对外披露。

产业深鉴科技赛灵思AI 芯片收购
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)。

无人机技术
Drones

无人机(Uncrewed vehicle、Unmanned vehicle、Drone)或称无人载具是一种无搭载人员的载具。通常使用遥控、导引或自动驾驶来控制。可在科学研究、军事、休闲娱乐用途上使用。

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。

剪枝技术
Pruning

剪枝顾名思义,就是删去一些不重要的节点,来减小计算或搜索的复杂度。剪枝在很多算法中都有很好的应用,如:决策树,神经网络,搜索算法,数据库的设计等。在决策树和神经网络中,剪枝可以有效缓解过拟合问题并减小计算复杂度;在搜索算法中,可以减小搜索范围,提高搜索效率。

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。

机器之心
机器之心

机器之心是国内领先的前沿科技媒体和产业服务平台,关注人工智能、机器人和神经认知科学,坚持为从业者提供高质量内容和多项产业服务。

推荐文章
返回顶部