端边云AI算力爆发，华为AI全场景布局浮现

AI与IoT技术的融合将形成AIoT，也就是万物智慧互联。我们现有的生活方式将被重新定义——人与环境的交互从物理按键进化到视觉、语音识别或虚拟现实；原本单一的硬件产品开始互联互通、端侧具备智能；无人驾驶、机器助手等新物种的出现等。AIoT即将成为工业机器人、智能手机、无人驾驶、智能家居及智慧城市等新兴产业的重要基础。

伴随5G技术商用，AIoT会加速落地和实现。可预见的是，未来巨量的多维数据（如语音、图像、视频等）集中处理与边缘式分布计算的需求，将进一步挑战AI底层支持硬件——芯片的计算能力。同时，AIoT场景下AI应用对于端边云互动有着强需求。强大的云会让边、端能力更强，而强大的端、边则可提升数据处理的实时性和有效性，进而增强云的能力，二者需要紧密结合。

另一方面，在应用场景中，跨平台兼容问题、训练成本、大规模部署问题层出不穷。想出一个模型不难，开发出来也还好，但要把框架里的算法部署到数量众多的物联网设备上，问题将是无穷无尽的。本地算力、网络连接能力、平台间的不兼容，都让开发者望而却步。

业界首创的全栈全场景AI解决方案

2018年10月，华为副董事长、轮值董事长徐直军在2018华为全联接大会，发布了华为AI战略及全栈全场景的解决方案。有媒体评价，华为在AI领域是三年不鸣，一鸣惊人。

其中最受人关注的是华为一直保持神秘的芯片产品——昇腾系列芯片。从华为公布的信息来看，昇腾（Ascend）芯片层，包含了从AscendNano、Lite、Tiny一直到云侧使用的As⁃cendMax。可以看出昇腾系列芯片是完整AI堆栈解决方案的基础层，目标是在任何场景下以最低成本提供最佳性能，使不同应用可以选择最优的AI算力解决方案。

而是否要采用统一架构，是十分关键的选择。统一架构的好处是：只需一次算子开发，就可在任何场景下使用；跨场景一致开发和调试体验；更重要的是，一旦完成某个芯片的算法开发，就可顺利将其迁移到面向其它场景的其它芯片上。

完美的想法如何完美实现呢？从传统设计思路来看，无非两种选择：

一、采用堆叠扩展（Scaleout）的方法实现巨大的计算可扩展性。首先，设计针对最小或较小计算场景进行优化的架构，然后通过堆叠来匹配最大的计算场景，但这将不可避免地增大芯片面积和功耗，直至难以接受；

二、采用向下缩小（Scalein）的方法，即首先设计针对最大或较大计算场景进行优化的架构，然后通过精细分割来匹配最小的计算场景，但这必将导致任务调度和软件设计异常复杂，并且可能由于电流泄漏而使低功耗目标无法达成；

面对如上利弊点，华为创造性的提出了达芬奇架构，通过可扩展计算、可扩展内存和可扩展互连等三大独特关键技术，使统一架构成为可能。

为实现高可扩展和灵活的计算能力，华为首先设计了一个可扩展的3DCube作为超高速矩阵计算单元，在其最大配置（16x16x16）下，一个Cube可在一个时钟周期内完成4096个FP16MACs运算。以16x16x16为中心，具有CubeScalein功能和高效的多核堆叠功能，这样就可以使用一种架构来支持所有场景。对于计算能力较低的应用场景，Cube可以逐步缩小到16x16x1，在一个周期内完成256个MACs运算。这种灵活性与一套指令集结合，成功提供了计算能力和功耗的平衡。

为实现高可扩展内存，每个达芬奇Core都配备专用SRAM，其功能固定，容量可变，适应不同的计算能力场景，提升了计算过程中数据的交换速度。

芯片内超高带宽Mesh网络将多个达芬奇内核连接在一起，保证内核之间以及内核与其它处理单元之间的极低延迟通信，使得高密度计算内核的性能得到充分利用。

今年4月，基于昇腾310 （Ascendmini）的Atlas人工智能计算平台正式开售，覆盖了从终端、边到云数据中心推理场景：

Atlas200尺寸仅有信用卡一半大小，是一款高效能的嵌入式AI加速模块，可以实现图像、视频等多种数据分析与推理计算，可广泛被集成到智能摄像头、机器人、无人机中。

Atlas300智能加速卡是半高半长的PCIeAI加速卡，可帮助传统服务器实现AI算力腾飞，不仅可以提供多种数据精度及业界领先的性能，还可以兼顾能效限制，可广泛应用于数据中心和智能边缘。

Atlas 500智能小站是业界领先的智能边缘产品，机顶盒大小，可实现16路高清视频处理能力；同时也是业界首款应用半导体制冷散热技术的智能边缘产品，不用风扇散热，可满足-40°-70°室外工作环境。

Atlas800深度学习系统是一站式深度学习平台服务，内置大量优化的网络模型算法，帮助用户轻松使用深度学习技术提供数据标注、模型生成、模型训练、模型推理服务部署的端到端能力，降低使用AI的技术门槛。

据悉，华为将在8月23日发布最新的昇腾芯片，会不会是久闻大名的As⁃cendMax？拭目以待。