边缘人工智能芯片大放异彩

本篇文章9910字，读完约25分钟

我相信每个人都可能经历过这样的挫败感——当你拿起手机，调用语音转文本功能口述一封电子邮件时，你发现你的手机没有连接到互联网，不能使用这个功能。现在，随着新一代边缘人工智能芯片的出现，人工智能可以直接嵌入到各种设备中，这将大大减少这种令人沮丧的情况。

我们预测，到2020年，边缘人工智能芯片(在设备中执行或加速机器学习任务的芯片或芯片组件，但不在远程数据中心)的销量将超过7.5亿片，创造26亿美元的收入。这一数字是德勤预测的2017年3亿个edge人工智能芯片销量的两倍多，三年内复合年增长率为36%。此外，我们还预测，edge人工智能芯片市场将继续加速，增长速度将超过芯片市场的整体平均水平。到2024年，edge人工智能芯片的销量预计将超过——甚至远远超过——15亿片，年销售增长率将达到至少20%，是半导体行业长期以来预测的9%复合年增长率的两倍以上。

这些前沿人工智能芯片可能会流向越来越多的消费类设备，如高端智能手机、平板电脑、智能扬声器和可穿戴设备，还将应用于许多企业市场——机器人、相机、传感器和其他物联网设备。两者都是非常重要的市场。消费级edge人工智能芯片的市场规模远大于企业市场，但增长速度可能相对较慢，2020年至2024年的复合年增长率预计为18%。

虽然企业级边缘人工智能芯片市场发展时间较短，第一款商用A级企业级边缘人工智能芯片直到2017年才出现，但增长速度较快，预计同期复合年增长率高达50%。

到2024年，edge人工智能芯片的销量预计将超过15亿片，甚至可能远远超过这个数字。年销售增长率至少达到20%，是半导体行业整体长期预测的9%复合年增长率的两倍多。

无处不在:人工智能计算的广泛覆盖

直到最近，人工智能计算只能通过数据中心、企业核心设备或电信边缘处理器远程完成，而不是设备本身。原因是人工智能计算占用了大量处理器资源，需要数百种不同类型的(传统)芯片来执行运算。硬件的尺寸、成本和功耗决定了人工智能计算阵列不能放在比手提箱小的任何容器中。

如今，边缘人工智能芯片已经彻底改变了这种情况。edge人工智能芯片体积更小、成本更低、功耗更低、发热更少，可集成到智能手机等手持设备和机器人等非消费类设备中，使这些设备能够执行处理器密集型人工智能计算，从而减少或消除向远程位置发送大量数据的需要，大大提高设备的可用性和速度，以及数据的安全性和保密性。

当然，并非所有的人工智能计算都必须由设备来完成。对于某些应用，将数据发送到远程人工智能计算阵列进行处理可能是可取的，甚至是更好的选择——例如，当数据量远远超过设备边缘的人工智能芯片的处理能力时。事实上，大多数时候，人工智能计算将采用混合方法:一部分将由设备本身执行，另一部分将通过云来完成。在任何情况下，优选的组合模式将取决于要完成的人工智能计算的类型。

在此解释“电信优势”的含义。电信边缘计算——图2中描述的“远边缘网络”——指的是由微型数据中心执行的计算，微型数据中心尽可能靠近客户，位于电信公司的土地上，由电信公司拥有和运营。目前，他们使用类似于数据中心的人工智能芯片(大尺寸、高成本和高功耗)，但随着时间的推移，他们可能会开始装备一些本章讨论的相同类型的边缘人工智能芯片(消费者或企业)。然而，与边缘设备计算不同，电信边缘计算中使用的芯片位于电信公司网络的边缘，而不是实际的终端设备。此外，并非所有电信边缘计算都属于人工智能智能计算。

据行业分析，2020年电信边缘计算市场(包括各类人工智能计算)收入将达到210亿美元，比2019年增长100%以上。与此同时，预计2021年市场将继续以超过50%的速度增长。该市场类别的具体细分情况尚未向公众披露，但分析显示，该市场的人工智能部分在2020年仍处于起步阶段，收入规模不会超过10亿美元，在电信边缘计算总支出中所占比例也不会超过5%。

消费者边缘人工智能:

价格也可以接近人

到2020年，消费级设备市场的销量和销售量将占整个edge人工智能芯片市场的90%以上。这些边缘人工智能芯片的大部分将流向高端智能手机，目前使用的所有消费者级边缘人工智能芯片中，超过70%用于智能手机。这意味着在2020年和未来几年，人工智能芯片的发展将主要由智能手机驱动——智能手机的销量和边缘人工智能芯片的比例将影响人工智能芯片的增长。销售趋势更加乐观。经过2019年的缓慢增长(销量同比下降2.5%)，预计2020年智能手机销量将达到15.6亿部，与2018年基本持平，增长2.8%。我们相信，到2020年，智能手机市场上超过三分之一的手机将配备先进的人工智能芯片。

智能手机并不是唯一使用尖端人工智能芯片的设备。平板电脑、可穿戴设备和智能扬声器等其他设备也将配备这种芯片(图3)。从短期来看，这些非智能手机设备对edge人工智能芯片销量的影响远远小于智能手机，因为设备的市场还没有扩大(如平板电脑)，或者市场规模太小，无法产生实质性的影响(例如，智能扬声器和可穿戴设备的总销量预计到2020年将只有1.25亿台)。然而，许多可穿戴设备和智能扬声器依赖于边缘人工智能芯片，因此它们的普及率已经很高。

大多数前沿人工智能芯片将流向高端智能手机，目前使用的所有消费级前沿人工智能芯片中有70%以上用于智能手机。

智能手机边缘人工智能芯片的经济分析

目前，只有价格最高(A)的智能手机，即价格分布前三分之一的智能手机，才能配备边缘人工智能芯片。尽管如此，一些价格低于1000美元的手机也配备了人工智能。一些中国企业生产的配备人工智能的手机，如小米9，在西方国家售价不到500美元。此外，如下所述，智能手机装有人工智能芯片的事实并不意味着它们的价格会打击消费者。

尽管智能手机边缘的人工智能芯片的成本计算是一个间接的过程，但也有可能得到更可靠的预测。成本无法直接计算的原因是智能手机的“人工智能芯片”不仅仅是安装在手机上的一个芯片。今天的智能手机只有七八毫米厚，里面没有多少独立的芯片。许多不同的基本功能(处理、图形、存储、网络和现在的人工智能)都集成在同一个硅片薄膜上，称为片上系统应用处理器。“人工智能芯片”(如装有手机)是指整个硅片薄膜中用于执行或加速机器学习计算的部分，其制造材料与芯片的其他部分完全相同，采用相同的制造程序和工具。

它由数亿个标准晶体管组成，但它不同于传统的芯片处理或图形部分的排列，也就是说，它有不同的体系结构。这个人工智能部分通常(但不总是)被称为神经处理单元。

中国前沿人工智能芯片

随着5g在中国的商业推广，人工智能的应用场景越来越丰富，并得到了政府的支持。早期优秀的人工智能制造商和初创企业已经发展到一定的规模，这加速了产业链的成熟，孕育了更多的机会。人工智能边缘计算将是未来最重要的市场之一。国内人工智能公司正在开发和推出边缘计算芯片，并与韩国等芯片制造大国的公司合作，以提高高性能芯片的制造能力。与云计算相比，边缘计算高效安全的数据处理能力吸引了越来越多的老牌芯片公司、技术巨头和初创企业成为市场参与者。

目前，在中国，边缘计算芯片最重要的市场仍在智能安全领域，应用布局也相对成熟。未来，随着5g技术的发展和全面普及，无人驾驶、智能家居、智能交通、智能制造等领域可能会迎来更大的空空间增长。然而，边缘计算芯片市场仍然面临挑战，终端设备的电池容量有限，这就要求人工智能芯片具有更低的能效和更好的计算能力性能，从而更好地满足服务器的人工智能计算需求。然而，我国基础芯片制造存在不足，制造和封装、高速接口和集成电路ip核需要技术积累和时间沉淀。

到目前为止，三星、苹果和华为已经制作了他们手机处理器的图像，用来显示他们硅片薄膜的所有功能，这样分析师就可以清楚地看到芯片上用于不同功能的部分。例如，三星的exynos9820芯片照片显示，整个芯片约有5%用于人工智能处理器。三星在芯片应用处理器上的整个系统的成本估计为70.50美元，是整个手机中第二贵的组件(仅次于显示屏)，占设备和材料总成本的17%。假设人工智能的成本与芯片上的其他组件相同，exynos芯片的边缘人工智能神经网络处理器约占芯片总成本的5%，单个芯片的成本约为3.5美元。

类似地，苹果公司的a12仿生芯片使用大约7%的面积用于机器学习。整个芯片的成本估计为72美元，因此其边缘人工智能部分的成本为5.10美元。华为麒麟970芯片的成本估计为52.50美元，其神经网络处理器部分占2.1%，因此成本为1.10美元。(芯片薄膜面积不是衡量人工智能成本在芯片总成本中所占比例的唯一方法，但据华为称，麒麟970的神经网络处理器包含1.5亿个晶体管，占整个芯片55亿个晶体管总数的2.7%。根据这一计算，其神经网络处理器的成本略高，为1.42美元。(

尽管成本范围有很大不同，但我们可以合理地假设神经网络处理器的平均成本是每芯片3.5美元。尽管价格很低，但这个数字乘以5亿部智能手机的销售额(不包括平板电脑、扬声器和可穿戴设备)是一个巨大的市场。更重要的是，面对最低甚至只有1美元的平均制造成本3.5美元，是否在智能手机处理芯片上增加一个特殊的边缘人工智能神经网络处理器成为一个不必要的问题。假设价格上涨，制造成本将增加1美元，但转移给最终客户后，价格只会增加2美元。这意味着，即使是价格低至250美元的智能手机也可以配备神经网络处理器及其附加功能——更优化的摄像头、离线语音助手等。，而价格只会增加不到1%。

智能手机和其他设备制造商可以使用不同的方法获得边缘人工智能芯片，他们的决策主要受手机型号和地区等因素的影响(有时)。一些制造商从专门生产和销售应用处理器/调制解调器但不生产移动电话的第三方公司购买应用处理器/调制解调器。高通和联发科技就是两个著名的例子——2018年，这两家公司在智能手机市场的芯片系统份额达到了60%左右。高通和联发科技都在一个芯片上提供一系列不同价格的系统；虽然不是所有的芯片都包含边缘人工智能芯片，但它们的高端产品通常都有配备，包括高通的Snapdragon 845和855，以及联发科技的heliop60。

另一方面，苹果不使用外部应用处理器芯片，而是使用自己设计的系统芯片上的处理器，比如a11、a12和a13仿生芯片，它们都配备了边缘人工智能。三星、华为和其他设备制造商采取了混合策略，从外包市场的硅片供应商那里购买芯片系统，并使用自己设计和制造的芯片(如三星的exynos9820和华为的麒麟970/980)。

边缘人工智能芯片能做什么？

也许把问题换成“边缘人工智能芯片不能做什么？”会更合适。如今，机器学习使各种技术能力成为现实，包括但不限于生物识别、人脸检测和识别、增强以及与虚拟现实、有趣的图片过滤、语音识别、语言翻译、语音辅助……以及照片、照片、照片相关的各种技术！从隐藏皱纹到添加3d特效，再到实现超低光摄影，边缘人工智能硬件和软件，而不是镜头或感光元件的像素大小，已经成为高端智能手机相机实现差异化竞争的决定性因素。

虽然所有这些功能也可以由没有边缘人工智能芯片甚至云技术的处理器来实现，但是使用边缘人工智能芯片来执行这些功能可以显著提高效率和速度，并降低功耗(从而提高电池寿命)。在设备中实现这些过程还可以保证隐私和安全——不离开手机，个人信息就不能被截获或滥用。同时，装有边缘人工智能芯片的手机即使没有接入网络也能实现所有这些功能。

企业边缘人工智能:

机会诞生的沃土

如果智能手机和其他设备中使用的尖端人工智能处理器如此强大，为什么不将其用于企业应用？事实上，这已经出现在一些用例中，比如一些自动飞行无人机。在芯片应用处理器上配备智能手机系统的无人机可以在设备内部实时完成导航和避障功能，无需连接任何网络。

然而，针对智能手机或平板电脑优化的芯片并不是许多企业或工业应用的最佳选择。这种情况类似于芯片制造商在20世纪80年代面临的CPU情况。当时，中央处理器具有强大的计算能力、高度的灵活性和卓越的性能，这使得它成为个人电脑作为多功能工具的绝佳选择。

然而，在恒温器等设备中使用相同的中央处理器只是为了增加一点智能，但这毫无意义。当时，中央处理器太大，无法放入恒温器狭窄的空房间，功耗远远高于目前的水平，每台的成本甚至达到200美元左右，对于总成本不到20美元的设备来说，这是太高了。为了解决这一不足，一个完整的行业应运而生，生产具有计算机中央处理器的一些功能，但更小的尺寸，更低的成本和更少的功耗的芯片。

等一下。如前所述，智能手机芯片系统的边缘人工智能部分仅占芯片总面积的5%左右，仅占总成本的3.5美元，而功耗比整个芯片系统低95%左右。我们能否只制造具有少量其它必要功能(如内存)的边缘人工智能部件，从而降低成本、降低功耗、缩小体积？

一些企业已经这样做了，更多的企业将参与进来。例如，英特尔和谷歌目前正在向开发者出售内部开发的独立边缘人工智能芯片。Nvidia是领先的图形处理器制造商，生产通常用于数据中心人工智能加速的图形处理器——它体积庞大，消耗数百瓦，成本数千美元。如今，该公司销售定制的人工智能芯片(非图形处理器)，适用于尺寸更小、成本更低、功耗更低的边缘设备。高通公司是一家芯片系统制造商，在智能手机和其他消费级设备的外包市场拥有内置的edge人工智能处理核心，该公司还发布了两款独立的edge人工智能芯片，其功能比高通公司生产的芯片系统更强大，但成本更低、体积更小、功耗更低。华为也是如此。

总体而言，据说有50家不同的公司正在开发各种类型的人工智能加速器。除了27家从事专用集成电路芯片的企业外，现场可编程门阵列制造商还为数据中心以外的领域提供边缘人工智能芯片版本。2019年，市场上所有独立的edge人工智能芯片都是面向开发者的，开发者基本上是一次购买一个芯片，每个芯片的价格约为80美元。当采购数量达到数千或数百万件时，设备制造商的采购成本将比这低得多——有的低至1美元(甚至更低)，有的为几十美元。现在，以智能手机边缘人工智能芯片为例，我们假设平均成本约为3.5美元。

在20世纪80年代，中央处理器具有强大的计算能力、高度的灵活性和卓越的性能，这使得它成为个人计算机作为多功能工具的绝佳选择。

独立边缘人工智能处理器除了相对昂贵外，还具有体积小的优点。有些处理器甚至小到可以装入u盘，最大的可以安装在信用卡大小的主板上。这些处理器仅消耗1-10瓦的功率。相比之下，拥有16个图形处理器和两个中央处理器的强大数据中心组件的成本高达400，000美元，重量为350磅(约160千克)，功耗为10，000瓦。

随着这些芯片的应用，边缘人工智能可以为企业创造更多新的机会，尤其是在物联网应用领域。借助边缘人工智能芯片，企业可以极大地增强自身能力，深入分析(而不仅仅是收集)来自网络设备的数据，并将分析结果转化为行动，同时避免将大量数据发送到云中所带来的高成本、复杂问题和安全挑战。

人工智能芯片可以帮助解决的问题包括:

数据安全和隐私。数据的收集、存储和向云的传输将不可避免地使企业面临网络安全和隐私的威胁，即使企业非常重视数据保护。随着时间的推移，这一极其重要的风险越来越需要企业的重视。各国政府不断出台有关个人A信息的法律法规，消费者对企业收集的信息越来越警惕——80%的消费者表示，他们认为企业没有尽力采取措施保护消费者的隐私。一些设备(如智能扬声器)正逐步用于医院和其他对患者隐私监管更严格的环境中。

通过内部处理大量数据，边缘人工智能芯片可以有效降低个人或企业数据被截获或滥用的风险。例如，具有机器学习处理功能的安全摄像头可以分析视频，识别相关视频片段，并且只将这些片段发送到云中，从而降低隐私风险。机器学习芯片还可以识别更广泛的语音命令，从而减少需要在云中分析的音频量。更准确的语音识别还能带来额外的好处，让聪明的说话者能更准确地检测出“唤醒词”，从而避免听不相关的谈话内容。

网络要求低。要将数据发送到云中进行处理，设备必须联网。在某些情况下，设备联网是不现实的。以无人机为例。根据无人机的运行环境，设备可能很难保持与互联网的连接，连接到互联网并将数据上传到云中会缩短电池寿命。在澳大利亚新南威尔士州，人们使用内置人工智能的无人机在海滩巡逻，以确保游泳者的安全。这些无人驾驶飞机可以识别陷入急流的游泳者，或者在他们被鲨鱼和鳄鱼攻击之前警告他们有危险——所有这些都没有联网。

(超级)大数据。 IoT设备会产生大量数据。例如，空 a-350客机配备了6000多个传感器，每天飞行时可以产生2.5万亿字节的数据。世界各地的33台相机每天产生多达2500拍的数据。将所有这些数据发送到云中进行存储和分析不仅成本高昂，而且极其复杂。这个问题可以通过在端点(传感器或摄像机)安装机器学习处理器来解决。例如，相机可以配备视觉处理器，这是一种低功耗的片上处理器系统，专门用于分析或预处理数字图像。内置边缘人工智能芯片的设备可以实时分析数据，并且只将相关数据传输到云中进行进一步分析，而忽略其他数据，从而降低存储和带宽成本。

功率限制。低功耗机器学习芯片甚至可以让电池容量较小的设备执行人工智能计算，而不会消耗过多电能。例如，arm芯片逐渐应用于呼吸器的数据分析，如吸气肺容量和药物流入肺。呼吸器本身可以完成这种人工智能分析，并将结果发送给智能手机应用程序，帮助医疗保健专业人员为哮喘患者制定定制的护理计划。除了目前可用的低功耗edge人工智能神经网络处理器之外，技术公司还在开发“小型化机器学习”(miniaturized machine learning)，即在设备上进行深度学习，其大小与微控制器单元相似(类似于上述片上系统，但尺寸更小，结构更简单，功耗更低，仅消耗几毫瓦甚至几微瓦的电能)。例如，谷歌正在开发另一个版本的tensorflowlite，使微控制器能够分析数据，并将数据压缩到几个字节。

低延迟要求。无论是通过有线网络还是无线网络，使用远程数据中心来执行人工智能计算意味着至少会有1-2毫秒的往返延迟，这是最好的情况；在最坏的情况下，延迟可能达到几十甚至几百毫秒。使用边缘人工智能芯片在设备上执行人工智能计算可以将这种延迟减少到纳秒，这在设备必须立即完成数据收集和处理并采取相应行动的应用情况下具有重要意义。例如，自动驾驶汽车必须通过计算机视觉系统收集和处理大量数据，以识别周围的物体，并使用汽车内置的不同传感器来控制汽车的各种功能。

自动驾驶汽车必须立即将这些数据转化为不同的决策——何时改变、刹车或加速——以确保汽车的安全。(今天的自动驾驶汽车使用各种芯片来实现这些功能，包括标准图形处理器和边缘人工智能芯片。低延迟对机器人来说也非常重要，随着机器人走出工厂与人类并肩工作，低延迟的重要性将变得越来越突出。

训练和推理的区别，以及基于数据中心的人工智能的意义

边缘人工智能芯片实现的人工智能更准确的名称是深层机器学习。它由两部分组成。第一部分是培训。训练需要反复分析大量的历史数据，从这些数据中检测不同的模式，并为这种类型的模式检测生成算法。第二部分是推理。在推理中，通过训练生成的算法(通常通过进一步训练进行更新和调整)用于分析新数据和挖掘有价值的结果。

直到最近，机器学习软件的所有训练和推理都使用相同的标准芯片——中央处理器、图形处理器、现场可编程门阵列和专用集成电路的混合物。这些芯片体积大、成本高、功耗高，并且还会释放大量热量；因此，基于这些芯片的硬件被放置在数据中心。相比之下，本章讨论的边缘人工智能芯片主要或仅执行推理任务，所采用的算法是通过数据中心的训练生成的。尽管一些边缘人工智能芯片也执行训练任务，但大部分训练仍主要在数据中心进行。

有趣的是，虽然过去数据中心芯片同时用于训练和推理，但我们现在看到数据中心芯片的发展呈现出不同的特点。一些芯片经过优化，专注于训练，而另一些专注于推理。尚不清楚这一相对较新的发展将会产生什么影响。然而，一个可能的趋势是，随着边缘人工智能芯片的兴起，数据中心训练和推理处理的结合将逐渐转向强调训练而忽视推理。如果是这种情况，这种特殊的数据中心芯片尤其有助于提高灵活性，以便正在经历训练和推理重点转移的数据中心能够相应地调整其自身的硬件组合。

摘要

谁将从边缘人工智能芯片市场的增长中受益？显然，这对边缘人工智能芯片制造商非常有利。从几年前几乎为零，到2020年将实现超过25亿美元的新收入。这些企业在未来几年还将实现20%的年增长率，利润水平预计将与行业平均水平持平。但是，这些数据应该放在特定的环境中。2020年，全球半导体行业的收入估计为4250亿美元，其中39边人工智能芯片仅占很小一部分，无法影响整个行业格局，甚至无法提高制造企业的绩效。

事实上，那些需要人工智能设备的人受益更多。边缘人工智能芯片不仅可以大大增强现有设备的能力，还可以催生具有新功能和新市场的新设备。从长远来看，后者可能会推动边缘人工智能芯片产生更具革命性的影响。

一些处理功能(主要是早期的推理)从核心转移到边缘会对人工智能芯片制造商产生负面影响吗？我们不能确定。所有的人工智能芯片制造商也在制造边缘人工智能芯片，所以从核心到边缘的处理功能的改变可能只有很少或没有影响。与此同时，对人工智能处理的需求也在快速增长，这可能会促进整个行业的增长:人工智能芯片行业(包括边缘和数据中心领域)预计将从2018年的60亿美元增长到2025年的900多亿美元，复合年增长率为45%。潜在的负面因素是，成本更低、体积更小、功耗更低的边缘人工智能芯片的兴起，可能会迫使数据中心人工智能芯片的定价甚至销售下降。这发生在过去:在半导体工业的历史上，边缘处理芯片的普及经常导致主机/核心处理硬件价格的快速下降，这仅仅是基于根据摩尔定律的增长预测。

其他人认为，将人工智能处理从核心转移到边缘将对云人工智能企业造成损害。这不太可能。最近的预测显示，云人工智能或“人工智能即服务”市场的收入将从2018年的20亿美元增长到2024年的近120亿美元，复合年增长率为34%。41如果没有边缘人工智能芯片，这种增长可能会更强，但它仍然表明云人工智能的增长率接近整个云市场的两倍——云市场的复合年增长率预计到2023年将达到18%。

同样，有些人担心，如果边缘设备可以直接执行人工智能推理，这些设备将不再需要联网。这也不太可能发生。边缘人工智能设备仍然需要与网络核心通信——发送人工智能训练数据，接收最新的人工智能算法进行推理，以及许多其他原因。因此，我们预计所有或几乎所有边缘智能设备都将具备联网能力。

然而，这种网络的性质可能不同于两三年前的预测。当时，人工智能推理仅限于大型数据中心，智能物联网设备必须联网才能获得这些人工智能推理能力——不仅是旧网络，还有具有超高网络速度、服务质量保证、高网络密度和最低延迟的网络。这些功能过去是，现在仍然是，只在5g无线网络中可用。因此，在那个时候，人们很自然地认为所有使用人工智能的物联网设备也需要——并且仅仅需要——使用5g。

今天，这一决定不再有效。设备本身可以执行很大一部分人工智能处理，这不能消除联网的需要，但是这种联网不一定需要通过5g网络。当然，在某些情况下，5g仍然是必要的，5g市场预计将快速增长。到2025年，复合年增长率将高达55%，年增长率将超过60亿美元。然而，由于边缘人工智能芯片的出现，5g物联网领域的市场机会可能比几年前预测的要小一些。

edge人工智能芯片的普及可能会推动消费者和企业发生重大变化。对于消费者来说，edge人工智能芯片可以实现许多功能——从解锁手机、与语音助手交谈，到在极端环境下拍摄令人兴奋的照片等等。—这些功能以前只能通过连接到互联网来实现。然而，从长远来看，边缘人工智能芯片只有应用于企业，才能产生更大的影响，使企业能够将物联网应用推向一个新的高度。借助人工智能芯片，智能机器可以帮助制造、建筑、物流、农业和能源行业的企业扩大现有市场，与行业巨头竞争，改变利润分配模式。收集和解释大量数据并根据这些数据采取行动的能力对于许多日益流行的数据密集型应用非常重要:视频监控、虚拟现实、自主飞行无人机和自动驾驶汽车等。这个未来在很大程度上取决于边缘人工智能芯片带来的变化:将智能集成到设备中。