选场景降成本，云知声「自主造芯」的思与辨

原标题：选场景降成本，云知声「自主造芯」的思与辨

2015 年是云知声的历史转折点。

在此之前，这家专注于物联网人工智能服务的初创企业一直以算法公司自居。但很快，团队愈发意识到算力和成本是不可化解的矛盾。当通用芯片的成本居高不下，批量生产遇到了成本瓶颈，于是云知声决定「自主造芯」。

从决定「造芯」的第一天起，创始团队就非常笃定，AI 芯片是成本问题的唯一解决办法，也为企业自身发展指明了一条通路。从 2015 年搭建团队，到 2017 年着重技术打磨，终于，云知声在 2018 年 5 月份宣布，其首款自研 AI 芯片「雨燕」得到成功验证，并于同年 8 月份正式量产。2019 年 4 月份，第一批搭载云知声 AI 芯片的产品将在市场流通。

这仅是云知声「自主造芯」的开始，若干款芯片「正在赶来的路上」。如何把握住巨大的市场，号准商业脉搏，对云知声来说既是机遇亦是挑战。在云之声 Open Day 上，云知声副总裁李霄寒分享了自己对 AI 芯片的思考和心得。

（云知声副总裁李霄寒 | 云知声）自主造芯的底层逻辑

2007 年，随着移动互联网时代的开启，移动智能设备的数量呈现了指数级的增长，数字化程度明显提高。当下，用户的个人位置、信用、货币都已基本实现数字化，为人工智能的落地和发展，奠定了坚实的数据基础。

「而在即将进入的物联网时代，设备数量会再次大幅攀升」。李霄寒注意到，除了移动互联网所应用的传统数据之外，物联网囊括了家庭环境、位置、温度、语音、图像等数据维度。这些新数据是「弹药」，在产业界、资本界以及科研界都予以了高度重视。

李霄寒认为，在物联网时代，人工智能的落地和挑战需要一个新的 SOC，这其中包含芯片、云和人工智能技术。

如今，云端不仅集成了很多 AI 能力，还集成了教育类、医疗类等知识，发展程度相对完备。当所有的知识与用户连接时，就需要一个载体。过去，这个载体是智能手机，但在物联网时代，这个载体可能是开关插座、音箱等智能设备。李霄寒认为，边缘 AI 芯片和服务端芯片同等重要。借助这些载体来承接云端的能力，并触达至用户，采用 AI 芯片是绝佳的解决方案，它是 AIoT 落地的核心关键。

「我们现在处在一个非常牛的时代」，李霄寒感叹。当闻名遐迩的 AlphaGo 击败了围棋世界冠军李世石，无人不惊叹机器的强悍实力。有趣的是，早在 1997 年，深蓝击败了当时的国际象棋冠军时，有一种论调认为「国际象棋复杂度有限」，如果有一天机器能够在围棋赛场击败人类，才是人工智能时代的标志。

近 20 年后，AlphaGo 不负众望。它采用的是谷歌自研的 TPU 架构的人工智能芯片，与同期的 CPU 和 GPU 相比，TPU 可以提供 15-30 倍的性能提升，以及 30-80 倍的效率（性能/瓦特）提升。

「AI 芯片可以分为两类，第一类是服务端芯片，即经过大规模的数据处理进行训练并形成 AI 模型；第二类是边缘 AI 芯片，云知声主攻这方面的芯片打造」，李霄寒表示。

云知声以往在设计传统 CPU 的时候，更在意电路的设计是否足够好、足够强劲，能否降低成本和功耗。「通用芯片要面向所有的场景，有可能运行一款游戏，也有可能运行图像处理软件，它不需要考虑不同的需求，只需要把芯片设计得足够强劲。」

但边缘 AI 芯片的设计，需要考虑的因素截然不同。因为不同的场景下的芯片需求不同，譬如电视端的芯片和风扇选用的芯片肯定不一样，前者要更加强大，能够做视频的检测，后者只需要控制电机和遥控感应即可。

李霄寒总结说，云知声的特别之处在于，抛弃了传统芯片企业「先造芯再考虑卖给谁」的套路。他们认为正确的路径应该恰恰相反，先用方案解决某一个场景下的问题，验证成立后，再考虑如何生产降本。所以，先要有成熟的落地场景，清晰的需求和系统的 AI 算法，有了这三个前提之后，可以定义清楚芯片的 SPEC，然后再考虑后面的芯片的研发步骤、架构设计等问题。这是云知声做芯片的逻辑和流程。

（李霄寒表示，打破冯•诺依曼的计算机架构已成为业内的共识 | 云知声）

自主造芯的矛盾与挑战

新时代自然会对传统的 AI 解决方案提出一些新要求。

首先是通用架构在 AI 落地的过程中，需要更强大的边缘算力来测算边缘数据。比如降噪需要大量的计算，算力越强大，数据维度就越多，效果也会越好。

但是企业不可能无止境地去满足它。这个约束来自于成本。「我们不可能为了解决智能音箱的拾音问题，造一款百元级的芯片，即便非常强大，但在商业上是不成立的。」必须要把它的成本控制在一个范围。这就构成了一种矛盾。

这对云知声来说是一种巨大的挑战，李霄寒表示，「在新的场景和新的环境下，要基于场景，针对具体的应用，着眼 AI 算法，再加上芯片的应用，设计新的芯片。因此基于这种环境下，我们要考虑的因素要多得多。」

另外一个挑战受制于上世纪四十年代，以冯•诺依曼内存墙为代表的计算机架构。这一架构在芯片上明确了计算和存储分离的概念，「需要计算的时候，把大脑拉过来，在运算单元上处理，再从内存上不断获取数据，拿回去」。人们现在几乎使用的所有芯片，均是基于冯•诺依曼架构运行的。

显然，在 AI 芯片的架构下，它碰到了新的复杂问题。芯片在处理 AI 算法的时候，面临「需要处理的数据非常多」，以及「大量的数据拷贝需求」的问题。在这种情况下，CPU 大部分的时间是在休息，带宽却频繁地在做传输工作。运算构件与存储构件之间大量的数据交换限制了系统的运算效率。

打破冯•诺依曼限制，拉紧计算单位和存储单位的距离，让二者尽可能的接近，已成为业内的共识。DeepNet 是云知声的 AI 加速处理器，DeepNet 1.0 成功应用于去年 5 月份发布的「雨燕」芯片。「雨燕」相对传统的芯片来讲，计算效率获得了 50 倍的提高。这枚芯片贯彻了云知声「让冯•诺依曼更矮」的核心思想。

DeepNet 2.0 是云知声的多模态神经网络处理器，支持多种推理网络，可重构计算并支持某一系列计算公式的硬加速。它的原理是把乘法等价换算成加法，大幅提高计算效率。

这样还不够，云知声期望让这堵墙变得更加低矮。在计算器内部，计算单元和行使单元基本结合在一起。当数据输送到第一个 MACKJ 的时候，计算完成完马上放到 M1，然后再做相应的其他计算，保证在 10 个周期之内，完成全部计算，这样使计算效率得到大幅度的提高。

在我们进行语音计算的时候，一般来讲 CPU 的利用率也就是 10% 左右，剩下的 90% 都是在搬运数据。这个架构可以把 CPU 的利用率提高 60% 以上，只剩下不到一半的数据搬运工作。

此外，服务端有低功耗的需求，边缘侧对低功耗的需求更加旺盛。电池供电设备，手机、音箱、眼镜等所有这些便携式的设备都面临一个功耗的问题，但低功耗和大规模的并行计算是相互矛盾的，怎样在特定的功耗条件下，支持设备的算力，这是非常大的挑战之一。

李霄寒认为，解决这个问题的必然方法是使用新的架构，来处理新的数据维度，因此需要在边缘侧（设备端）具有相应的算力。

据了解，在云知声第一代 AI 芯片设计上，可以用 2% 的算力做动静检测，把 98% 的功能关掉。当设备被唤醒，机器判定动静之后，会做一个活体检测，整个初步的判断，仍然有 90% 的算力处于休眠状态。一旦检测到是人在发声，并判断发音和唤醒词是否匹配，至此需要 20% 的算力足矣。李霄寒表示，在实际情况中，绝大部分芯片在夜间都是处于休眠状态。

追求效率的传统方式，是更灵活地控制功耗，「当芯片工作的时候会全力以赴的运行，不工作的时候就关闭。但 AIoT 时代的游戏规则变了，我们首先要从应用层面考虑，然后再考虑算法是否要为芯片本身改变。」所以，AI 芯片不仅是硬件和芯片的设计问题，而且是芯片上层应用到整个场景的系统性问题。

安全同样是一个绕不开的话题，云知声高度重视 AI 芯片的安全性。AI 芯片的安全包含两方面，第一是防止软件放在芯片上「被拷贝」、「被倒卖」。一旦发生类似事件，企业的知识产权就没办法受到保护，蒙受巨大的金钱损失；第二是确保代码的完整性。当所有的设备都可以联网，意味着在开放的环境下，任何人都可以访问用户的芯片，一旦被黑客利用并被曝光，对于企业而言就是一场毁灭性的灾难。

故此，云知声在芯片的所有设计工作中都考虑到了机密性和完整性，确保芯片的所有代码全部经过加密，确保所有在 NTO 内运行的代码不被人篡改。

李霄寒最后强调，AI 芯片的设计绝对不能被孤立。基于端云互动的思想提供了多模态处理的能力，在性能、功耗、面积上达到优异的平衡，并兼顾连接和安全的需求。

图片来源：云知声