智能平台白皮书（附下载）

共 3511字，需浏览 8分钟

· 2021-04-13

智能平台的兴起，基于人们对于高密度、多维度、碎片化数据信息的采集、存储、计算、分析等一系列处理流程的“智能计算”需求；而“智能计算”需求的出现，则源于科技发展所推动的人类生产力进步，和人类对于科技赋能下的更高质量生产生活的追求之间的相互作用，所催生的对于“数据”这一全新生产要素的应用。如果说数据是建立当前数字经济摩天大厦的钢筋螺母，那么智能平台则是浇筑吊装这些组件的大型工程器械，正所谓“工欲善其事，必先利其器”，高性能、强可靠的智能平台可以极大提升大规模数据的处理效率与分析精度，令当前智慧城市建设如虎添翼。

智能平台白皮书内容如下，下载链接：智能平台白皮书

从人工智能垂直领域来看，AI 芯片作为提供边缘计算能力的关键，有效助推终端人工智能快速发展。以 GPU、FPGA、ASIC 和类脑芯片为代表的 AI 芯片大放异彩，其算力和功耗等性能指标的快速提升为终端设备实现本地智能化提供了可能；

与此同时，基于 5G 等高带宽低时延通信传输的实时响应需求在不断拉近人工智能与终端设备，如自动驾驶领域，汽车需要对周围环境中的复杂目标物体实现厘米级别的精准感知与毫秒级的实时响应，并做出高可靠低时延的智能决策，单纯依靠本地化运算或云端处理显然是不可取的，而应当基于终端本地智能化与云端协同配合，综合数据并将无网络信号等极端情况考虑在内，这无疑对本地化算力与通信传输提出了更高的要求，˿催生了 AI 芯片和更高性能通信技术的发展。

人工智能按照技术架构可分为基础层、技术层、应用层。基础层主要包括运算硬件 ( 算力 )、计算系统技术、数据与基础算法框架。

运算硬件不仅有提供算力的 GPU/FPGA、神经网络等运算芯片，还有获取数据的传感器，上述硬件作为人工智能技术的载体，共同提供了其必不可少的数据侦测与运算能力保障 ; 而数据是人工智能的基础，量级庞大冗杂质量参差不齐的非结构化与半结构化数据，经过基础算法框架的采集、清洗、标注与分析、整理与存储，形成具有一定结构化特性的数据集，并在算力的支持下用于算法框架的训练 ; 人工智能技术还需突破硬件本体的限制才能进一步实现应用与落地，这就需要云计算、通信网络与数据存储流动的可靠支持和信息传输保障。

商业是新技术的孵化器。正如“双 11”催生了云计算，视觉商业浪潮正在催生出新一代智慧视觉计算平台 (VAIaaS，即 V+AI as a service)，例如突如其来的疫情，让所有企业认识到“无商不视（频）”的智能战略，从直播卖货、短视频私域流量、长视频场景广告、视频上学、视觉远程医疗、音视频会议室、快递机器人（自动驾驶）、社区无人机等等，以 95 后、00 后为代表的“视觉消费者”正在引领在线市场向“视频商业”全面转型。在消费需求侧，全球逾千万的APP 纷纷上线视频交互功能，而在商业供给侧，近百亿的 AIoT 设备加入视觉传感器（摄像头、红外等），变身 VAIoT终端，例如有视觉交互功能的手机、电视、游戏机、XR 眼镜、广告屏、汽车、工业机器手、农业植保机。

以商汤为例，过去5年商汤在全球智能手机、智慧城市、自动驾驶、在线视频娱乐、AR、智慧医疗、教育、遥感等诸多行业 AI 实战中，沉淀出业界领先的端到端开放视觉计算平台，依托强大的算力底座，深度学̀训练框架、视觉数据辅助标注、视觉算法工具链、分布式异构计算等能力模块，支持企业在视觉商业场景中必需的行业解决方案。

AI 时代到来后，“算法、算力、数据”构成 AI 落地的基础保障，但单独建设 AI 集群难度大，对于场地要求严格，成本高，现有模式下单个公司对接需求进行研发，难以适应产业升级需求。因此以城市或企业为单位，建设基于超算中心的智能平台并构建成熟方案成为当前绝大多数企业的选择。智能平台以超算中心为基础，在此之上针对应用场景建立一系列针对垂直领域的服务，并由服务在场景中拓展出一系列应用组成聚合生态。其标准范式可以总结为 1+4+N。

融合了海量数据处理引擎、异构计算能力调度系统和深度学̀训练框架的人工智能计算平台，有别于传统的 CPU 计算模式，以 GPU 等异构处理器为核心的提供 AI 训练或者推理专用计算能力计算，辅以高吞吐的数据 IO 与通信，单次训练需要千百个异构处理器分布式随机高速读取海量数据，是人工智能创新发展不可或缺的核心推动力。

作为人工智能应用的核心，基于神经网络的深度学习其特点是需要根据特定应用目的，利用大量且优质的数据对网络进行反复训练；同时通过传播算法，不断自动变换各层以及各节点的参数，从而达到符合实际应用要求的训练结果。深度学习的训练特点，决定了数据、算法、算力、领域专业能力是人工智能效果的关键。

（1）数据：深度学习算法的核心在于通过优质的数据去训练，是否取得任务相关的足量优质数据集是人工智能技术取得成功的关键。

（2）算法：虽然深度学习的核心框架相对固定，但是为了使得学̀模型在特定应用场景取得较好效果，往往需要做很多的算法优化和工程优化，以使得模型最终在具体场景取得更好的效果，比如更快的计算效率，更准确的分类概率等。针对很多具体应用场景，对深度学̀算法从各个角度进行改进和优化。因此对特定领域，具备强大的算法能力，是产品和企业成功的关键技术保障。

（3）算力：由于现在需要解决的具体问题越来越复杂，云端的人工智能算法对硬件的计算能力需求近乎无止境。虽然当前芯片技术不断进步，云计算的提供越来越完善，但是对于一些高难度高复杂度的人工智能工作，依然需要非常大的算力才能训练出足够好的解决模型。这样强大的算力˿非常昂贵，很多小公司无力承担。

（4）领域专业能力：最后，人工智能技术的落地应用，最终还是要和应用场景结合起来，往往需要最终的实施公司，既理解行业痛点，又具备丰富的行业实施经验以及渠道能力，方能更好地将技术和具体硬件以及流程结合，取得好的实施效果。

下载链接：智能平台白皮书

2021年AI在工业领域的研究报告

未来计算十大趋势

异构芯片研究框架合集

1、EDA行业研究框架

2、半导体大硅片研究框架

3、封测行业研究框架

4、光刻机行业研究框架

4、国产FPGA研究框架

5、国产基带芯片研究框架