AI应用如同燃起的野火一般，从消费级的手机端，出现在了工业级的超级游轮和航空级的空间站上。然而在边缘端，这些应用遇上了传统应用也挣扎了数年的需求：更高的性能、更大的容量和更低的功耗。
更糟糕的是，机器学习模型正在以指数级的速度增长，每3到5个月就会翻一番。要想应用这些模型的话，传统的计算芯片已经难以利用有限的内存资源和功率提供高性能，连数据中心都在AI工作负载上感到吃力了，更不用说在边缘侧运行的大型模型。为此，边缘AI处理器成了不少芯片大厂和初创企业的发力方向。然而在处理器的选取上，并不是仅仅看算力、功耗和成本而已。
边缘AI处理器的选择
首先，AI芯片公司不仅要有硬件开发实力，也要具备强大的AI软件栈和工具。比如英特尔或英伟达之类的厂商，其CPU或GPU设计早已为TensorFlow、Caffe或Pytorch等框架提供了支持，但初创企业自研架构的AI处理器往往需要打造自己的编译器来支持这些框架。
其次，是处理器支持的神经网络精度。多数边缘AI处理器精度并不高，这是因为将神经网络转换为低精度简化了硬件设计，同时也极大地降低了功耗。要想保持高精度的话，往往需要重新训练神经网络,下面给大家介绍几款。
Nvidia - Jetson Xavier NX
英伟达于2019年公布了一款名为“Jetson Xavier NX”的AI处理器，专门用于边缘系统和嵌入式应用。Jetson Xavier NX只有70mm x 45mm的大小，却可以在15W的功耗下提供21 TOPS（INT8）的AI算力。
Jetson Xavier NX / Nvidia
Jetson Xavier NX集成了6核CPU、384核GPU、48个Tensor核心、2个NVDLA深度学习加速器和7路VLIW视觉处理器加速器。其中CPU选用了英伟达Carmel Arm核心，GPU则是基于Volta架构。该处理器还配备了8GB 128位的LDDR4x内存，可提供59.7GB/s的带宽性能。
英伟达已经为用户提供了开发者套件，可以创建高性能的AI应用，并快速部署深度神经网络模型和常见的机器学习框架，比如Tensorflow和Pytorch等，除此之外也可以用到cuDNN、TensorRT和DeepStream等一系列软件库和加速工具。
Jetson Xavier NX最大的优势在于其Jetson产品线全部基于同一软件栈，所以可以直接套用更强大的Jetson AGX Xavier上的AI应用，只不过算力要稍低一截而已。凭借其21TOPS的AI算力，加上加速器提供的视频处理器性能，可以毫无压力地完成人体识别、自研语言处理、姿势检测和注视检测等AI应用，适用于自动光学检测和智能摄像头等一系列边缘IoT设备。
Hailo - Hailo-8
Hailo-8 / Hailo
Hailo是一家来自于以色列的AI芯片公司，不少核心开发成员来自于以色列国防科技部门，主要负责为边缘设备开发高性能的AI处理器。早在2019年，Hailo就公布了其自研的边缘AI处理器Hailo-8，其算力可达26TOPS（INT8），但该处理器的典型功耗仅有2.5W。在完成了多轮融资后，Hailo也在今年开始了Hailo-8的量产。
Hailo-8与Jetson产品的对比 / Hailo
与传统的CPU、GPU、DSP或硬件加速器的架构不同，Hailo在这款处理器上运用了自研的结构定义数据流架构。在ResNet-50的神经网络测试中，Hailo-8取得了1330FPS@3.2W的成绩。Hailo还在官网晒出出了Hailo-8与英伟达Jetson Nano与Xavier NX在ResNet和SSD_MobileNet等模型下的预期表现对比，我们从上图可以看出，Hailo-8在性能上优势明显，能耗比更是让英伟达的两款Jetson处理器望尘莫及。
Hailo还准备好了开源的Model Zoo，其中囊括了物体识别、分类、人脸检测识别等60多种计算机视觉任务的深度学习模型。开发者利用这些预训练的Tensorflow和ONNX模型，只需用上自己的数据重新训练，即可在Hailo设备上迅速创建好原型。
Mythic - M1076
M1076模拟矩阵处理器 / Mythic
美国德州的初创公司Mythic推出了利用存内计算技术的M1076模拟矩阵处理器（AMP）。单个M1076芯片的面积只有360mm2，却可以在3W至4W的功耗下提供35 TOPS的算力，与常见的SoC或GPU方案相比，功耗低了10倍以上。
但这并不是M1076的最大特色，与传统数字计算方式不同，Mythic在M1076上运用了模拟计算。模拟计算虽然理论上要要与数字计算，但长久以来收到尺寸的限制，在速度与扩展性上一直提不上去。然而Mythic通过将模拟运算与嵌入式闪存结合，选择了存内计算的方式。
M1076同时支持INT4、INT8和INT16三种数据类型，非常适合作为TinyML的开发平台。Mythic也为客户提供了物体识别/分类、图像分割和姿势评估等模型，可用于AR/VR中的智能健身和游戏等应用。
小结
云计算在边缘端的弱势使得边缘AI处理器有了崛起的机会，在工业4.0、自动化系统和智能IoT的潮流下，边缘AI还需要继续开拓应用场景，而不仅仅是用于机器视觉任务。边缘AI处理器厂商也必须继续提供更多的模型，帮助开发者加速边缘AI应用的落地。
