递交招股书后 比特大陆推出端云两款芯片开拓安防市场

这是比特大陆9月底向香港联交所递交招股书后的首次对外发布。

10月17日消息,比特大陆正式发布终端人工智能芯片BM1880,一同发布的还有基于云端人工智能芯片BM1682 的算丰智能服务器SA3、嵌入式AI迷你机SE3、3D人脸识别智能终端以及基于BM1880的开发板、AI模块、算力棒等产品。

上个月底,比特大陆已经向香港联交所上载A1招股书,启动上市计划。在招股书中,比特大陆提到,自身为中国第二大无晶圆厂芯片设计公司,全球第一大加密货币矿机公司。

活动现场,比特大陆产品战略总监汤炜伟表示,比特大陆云端人工智能芯片以9个月速度快速迭代,基于芯片的相关产品在实际运行中表现良好,客户给出正面反馈,合作正在广泛展开,很多安防项目持续落地。同时,由于目标市场应用需要端云一体化的AI解决方案,为了更好的满足客户与市场的需求,我们决定开发并推出端侧的AI芯片及解决方案。

比特大陆第二代云端AI芯片BM1682

由云到端,9个月快速迭代芯片产品

BM1682芯片于2018年一季度量产发布,峰值算力达到3TFlops,功耗为30W,是比特大陆面向深度学习领域推出的第二代人工智能芯片,可脱离X86 CPU 单独存在,支持客户二次开发,拥有单芯片八路H.264、H.265解码能力,支持视频图像后处理硬件加速,支持以太网、PCIE的多芯片互联,易于横向扩展;相比第一代拥有更高密度的特点,实际性能大幅提升。

基于BM1682芯片,比特大陆研发了深度学习加速卡SC3、智能服务器SA3、人脸识别服务器SS3-C3和嵌入式AI迷你机SE3等,广泛应用于安防、互联网、园区等领域。

比特大陆终端AI芯片BM1880

BM1880 芯片于2018年7月成功流片,是一款聚焦于边缘应用的深度学习推理人工智能芯片,可为8位整数运算提供1TOPS算力,在Winograd 卷积加速下,支持高达2TOPS@INT8,特殊设计的TPU 调度引擎能有效地为所有的张量处理器核心提供极高的带宽数据流。芯片内含2MB内存, 可以为性能优化和数据重用提供最佳的编程灵活性。同时,BM1880也为用户提供了强大的深层学习模型编译器和软件SDK开发包,Caffe、Tensorflow等主流深层学习框架可以轻松地移植到BM1880 平台上,常见的CNN/RNN/ DNN 等神经网络模型也均可运行。

BM1880芯片可以作为深度学习推理加速的协处理器,也可以作为主处理器从以太网接口或USB接口接收视频流、图片或其它数据,执行推理和其他计算机视觉任务;其它主机也可以发送视频流或图片数据给BM1880,BM1880做推理并将结果返回主机。

在媒体沟通会上,汤炜伟还透露了下一代云端芯片BM1684的进展。BM1684预计在年底时推出,性能大幅提升,基于此芯片的服务器SA5支持视频结构化路数也将大幅提升,远超同类产品。

聚焦AI+安防智能服务器SA3性能卓越

比特大陆算丰智能服务器SA3基于第二代人工智能芯片BM1682研发,其中SA3-23服务器为19英寸标准2U高度的高密度服务器,携带3个智能处理单元,每个单元含6颗BM1682。SA3主要有以下几点优势:

第一:性能方面,SA3内部采用多个BM1682芯片的互联集群式架构,拥有低功耗的主控技术,提供集群管理、任务作业调度、负载均衡、视频图像API接口等服务,具备海量视频数据的并行计算能力,稳定、可靠、及时响应外界请求,具备可管理性。

第二:能效比方面,基于BM1682的SA3服务器,相比传统厂商依靠GPU通用图形处理器而设计的服务器,具备更高的性能功耗比,使其在满足高性能视频分析的同时,降低了功耗,性能功耗比提升了2倍以上。

第三:计算空间密度方面,智能服务器SA3在提供超强算力、降低整机功耗的同时,也大大降低了计算的空间密度。相比于行业算力相当的主流4U服务器,SA3所具有的2U高度,在实际的机房部署中占用更小的机柜空间,能让客户选择更灵活的部署方案,从而减少了在数据中心部署的总体拥有成本(TCO),达到为行业赋能的同时,降低使用成本。

值得一提的是,SA3视频结构化服务器(2U)能够支持的视频结构化路数达到90路,性能超过传统行业服务器(基于GPU)2.2倍;人脸识别方面性能达到传统服务器3倍(基于GPU)。

算丰智能服务器SA3

同时,比特大陆也在积极拓展智慧园区市场,用AI 赋能园区场景。基于BM1682 的嵌入式AI 迷你机SE3, 体积小巧,尺寸仅为210mm*115mm*45mm,其单精度峰值运算力可达3 TFLOPS,额定功耗为60W,单台设备便可支持4路动态或10路静态人脸识别,远超市场同类产品,受到客户广泛认可。

嵌入式AI迷你机SE3

此外,比特大陆还推出了3D人脸识别智能终端,具有极高的安全级别提供3D人脸识别、声纹识别、语音识别等多重系统级生物识别验证技术, 解决传统生物识别技术因误识率高、非活体攻击,及防伪能力不足而产生的安全性问题,也是业内业界首款支持多模混合型生物识别的3D人脸识别智能终端。

直击边缘计算,数款AI终端齐发

云端AI芯片之外,比特大陆也在积极拓展新的产品线,围绕终端AI芯片BM1880,一次性推出了多款用于边缘计算的AI 终端。

算丰边缘计算开发板专为各种需要强大深度学习能力的边缘计算应用而设计,利用其快速且完整的原型设计,可以迅速帮助开发者完成各种类型的应用程序开发。算丰边缘计算开发板内含BM1880芯片,同时支持Arduino 和Rasperry Pi 的开发模块。开发人员可以利用现成的模块来开发领先的深度学习或机器视觉相关应用程序,包括人脸检测和识别、脸部表情分析、物体检测和识别、车牌识别、声纹识别等。

边缘计算开发板

除此之外,比特大陆还设计了两款通过USB 界面、为各种边缘应用使用的AI模块和AI算力棒。两款产品均内含BM1880芯片,通过USB接口,为传统产品增添AI 功能,可应用于智慧工控机、机器人、工业计算机等产品上。

USB人工智能算力棒

实战压力测试,深入安防市场

快速研发、迭代芯片及相关产品的同时,比特大陆也在积极推动行业合作及项目落地。

在2018年百度AI开发者大会的AI Computing System论坛上,百度公司发布了其最新的AI 推理加速引擎——Anakin v0.1.0,比特大陆AI芯片BM1682运行Mobilenet时的latency数据在所有测试硬件中表现最优,其性能约为TensorRT或Anakin优化过的业内主流芯片的2-4倍。

在安防方面,2018年比特大陆与福州市签署城市级战略合作协议,通过人工智能技术,助力福州的智慧城市、平安城市建设;比特大陆人工智能产品参与湖北省公安厅安防算法测试,测试结果位居第一;此外在其他省市的安防与人工智能项目中,比特大陆产品也有陆续落地。

在园区方面,比特大陆提供的人脸识别解决方案连续为“中国海峡项目成果交易会”以及“第20届中国国际投资贸易洽谈会”等大型展会服务,服务多达40万人次,在这样的“压力测试”中表现稳定可靠。目前,比特大陆AI+园区的产品与解决方案已经广泛应用于工厂、产业园、写字楼、新零售等多个场景,并与高端房地产公司密切合作。

产业安防市场AI芯片比特大陆
1
相关数据
深度学习技术

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。

调度技术

调度在计算机中是分配工作所需资源的方法。资源可以指虚拟的计算资源,如线程、进程或数据流;也可以指硬件资源,如处理器、网络连接或扩展卡。 进行调度工作的程序叫做调度器。调度器通常的实现使得所有计算资源都处于忙碌状态,允许多位用户有效地同时共享系统资源,或达到指定的服务质量。 see planning for more details

人工智能技术

在学术研究领域,人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体(intelligent agent)

人脸识别技术

广义的人脸识别实际包括构建人脸识别系统的一系列相关技术,包括人脸图像采集、人脸定位、人脸识别预处理、身份确认以及身份查找等;而狭义的人脸识别特指通过人脸进行身份确认或者身份查找的技术或系统。 人脸识别是一项热门的计算机技术研究领域,它属于生物特征识别技术,是对生物体(一般特指人)本身的生物特征来区分生物体个体。

边缘计算技术

边缘运算(英语:Edge computing),又译为边缘计算,是一种分散式运算的架构,将应用程序、数据资料与服务的运算,由网络中心节点,移往网络逻辑上的边缘节点来处理。边缘运算将原本完全由中心节点处理大型服务加以分解,切割成更小与更容易管理的部分,分散到边缘节点去处理。边缘节点更接近于用户终端装置,可以加快资料的处理与传送速度,减少延迟。在这种架构下,资料的分析与知识的产生,更接近于数据资料的来源,因此更适合处理大数据。

张量技术

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。

计算机视觉技术

计算机视觉(CV)是指机器感知环境的能力。这一技术类别中的经典任务有图像形成、图像处理、图像提取和图像的三维推理。目标识别和面部识别也是很重要的研究领域。

神经网络技术

(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)。

张量处理器技术

张量处理器(英语:tensor processing unit,缩写:TPU)是Google为机器学习定制的专用芯片(ASIC),专为Google的深度学习框架TensorFlow而设计。 与图形处理器(GPU)相比,TPU采用低精度(8位)计算,以降低每步操作使用的晶体管数量。降低精度对于深度学习的准确度影响很小,但却可以大幅降低功耗、加快运算速度。同时,TPU使用了脉动阵列的设计,用来优化矩阵乘法与卷积运算,减少I/O操作。此外,TPU还采用了更大的片上内存,以此减少对DRAM的访问,从而更大程度地提升性能。

语音识别技术

自动语音识别是一种将口头语音转换为实时可读文本的技术。自动语音识别也称为语音识别(Speech Recognition)或计算机语音识别(Computer Speech Recognition)。自动语音识别是一个多学科交叉的领域,它与声学、语音学、语言学、数字信号处理理论、信息论、计算机科学等众多学科紧密相连。由于语音信号的多样性和复杂性,目前的语音识别系统只能在一定的限制条件下获得满意的性能,或者说只能应用于某些特定的场合。自动语音识别在人工智能领域占据着极其重要的位置。

推荐文章
暂无评论
暂无评论~