中科創達副總裁孫力：AI視覺仍在路上，平台需求勝過演算法

從2018年AIoT產業布局來看，主要有以下幾個大的趨勢：

• 邊緣計算不斷被強調，存儲、計算的布局重點從雲端回到邊緣側；

• AI被不斷強調，整個行業從強調IoT連接到AI賦能；

• 產業落地提上日程，各類行業解決方案不斷提出並開始落地，整體解決方案需求遠高於純演算法需求。

據雷鋒網了解，5月24日，在Qualcomm人工智慧創新論壇上，美國高通公司宣布與中科創達（創通聯達）展開深度合作，雙方通過其最新的終端側AI商用技術將發布前沿的AI開發套件——TurboX AI Developer Kit；10月24日，TurboX AI Kit正式面市，中科創達通過圍繞該開發套件舉辦全球開發者活動收集演算法和應用，助推AI從演算法模型轉向產品化和商業化。

12月13日，在THUNDERWORLD 2018上，中科創達副總裁孫力就當下AI視覺的技術及行業應用和挑戰，以及TurboX AI Kit相關技術及應用進行了解讀和分析。

談到視覺技術，先要有Camera進行圖像抓取。以手機為例，首先要有相關模組進行圖像採集及應用；要有主晶元，涉及到功耗優化、性能優化，以及系統驅動；要有一些演算法，不光是人臉識別、美顏，包括傳統的拼接，光學的處理、降噪，都需要有相關演算法。

從圖上可以看出，這個系統架構是比較複雜的。中科創達是做操作系統的公司，本身的子模塊、子系統也非常地複雜。整個從最底層的驅動到核心的曝光、聚焦，這些演算法一直到視頻的處理，整體架構會非常複雜。

要做一個優秀的圖像處理系統，其實有很多挑戰。

• 首先，圖像採集這個環節有很多挑戰，包括攝像頭模組的選擇、圖象處理演算法的選擇、晶元加速、畫質調優等；

• 其次，硬體的碎片化需對畫質進行複雜的調優流程，實驗室與實際生活場景有很大的不同，因而，也需要對畫質進行複雜的調優流程；

• 另外，在進行系統設計時，功耗和性能又需要作出權衡和調整。

其中，畫質調優（IQ）是很複雜的一部分，也是圖像處理最重要的一部分。要採集最優圖像，包括亮度、白平衡、對比度、顏色都要非常地精準，這些都要進行調試。

畫質調優主要分為三個階段：

• 第一，先把基礎的軟體、驅動做好，包括軟體功能檢查、無重大Bug影響IQ、驗證原始圖片（EXIF、AE參數，校準數據）等；

• 第二，為實驗室配置諸多專業設備，進行實驗室調參，包括LSC、AWB、AE、Gamma、對比度增強、CCM、DPC、濾噪、邊緣增強等參數檢測及處理；

• 第三，真實場景調參，與參考設備對比拍攝並調整，參考設備包括包含：人物、寵物、風景、肖像、戶外、低光、辦公室、家庭、閃光燈、背光、電影等。

為加強相關能力，2017年12月，中科創達以3100萬歐元收購全球領先的移動和工業圖形圖像視覺技術企業——保加利亞技術公司MMS，從而擁有世界頂尖IQ團隊，得以在畫質調優方面有足夠強大的能力，為AI賦能行業應用奠定了基礎。

據雷鋒網了解，這其實並非中科創達第一次海外併購，中科創達第一次海外併購是在2016年底，以6400萬歐元收購位於芬蘭的車載交互技術公司Rightware，這一收購也加快了中科傳達在車載領域的布局。

在視覺技術中，硬體加速在近年來備受關注，也是對圖像相關計算進行提升的關鍵部分。孫力在大會上也提到，「你會發現，大量的演算法公司，一旦到了IoT時代就無法再繼續，無法真正用上如GPU這樣的加速硬體，因為要真正用上GPU這樣的嵌入式硬體需要很多能力。但是這種嵌入式硬體在對演算法加速上有很大幫助，不用的話就浪費了硬體能力，也會產生功耗的問題。例如手機或汽車多個攝像頭的拼接，這其中的拼接演算法能用GPU，盡量不要用CPU。」

以汽車應用為例，現在談的比較多的是ADAS本身，其中將會經歷「從外置的ISP到內置的ISP，再到Bayer Sensor」的技術變革。目前的主流方案仍然是用外置ISP，但在汽車裡的圖像感測器會經歷類似於手機從功能機到智能機的演變。

目前的主流方案仍然是用外置ISP，價格為2-3美元，外加攝像頭，一共8美元，這樣的成本問題，以及發熱問題、環視等應用的拼接問題，勢必造成類似手機從功能機到智能機的遷移。

在圖像視覺方面的另一個趨勢是3D圖像技術的興起。現在很多在用的，包括競賽中應用的演算法，仍是2D的，但是，從現在技術發展需求及發展趨勢來看，3D視覺技術將會越來越普及。

目前，3D視覺技術的普及主要還面臨以下幾個問題：

• BOM成本，由於規模化的問題，還沒有降低到平民化；

• 多種的光學設計，碎片化(ToF、結構光、雙目、主動雙目等)問題嚴重；

• 嵌入式的SoC的depth map的運算能力(PC輔助到嵌入式ARM based)；

• 多套使用的完整建模問題；

• RGBD，基於3D的人工智慧學術進展。

我認為未來的3D技術會為AI帶來很大改變，人工智慧也會突然出現，包括物體分類也可以做得很好。

智能視覺與邊緣AI開發套件

雷鋒網了解到，整個視覺市場近年來持續被看好，嵌入式視覺終端數量持續增長，諸如Amazon AWS DeepLens、Google AIY Vision、Microsoft Vision AI Developer Kit等，市面上有越來越多的邊緣端智能視覺設備出現。正因如此，中科創達聯合高通公司，基於高通驍龍845平台、AI Engine人工智慧引擎，推出TurboX AI Kit嵌入式端側/邊緣AI開發套件，10月24日，TurboX AI Kit正式面市。

儘管市場趨勢向好，嵌入式AI演算法仍然面臨諸多挑戰，存在諸如計算資源有限、終端處理平台碎片化、應用場景和需求多樣化、性能（準確率-速度）的平衡與取捨、生態系統不成熟、功耗與成本較高等問題。

在嵌入式方面最關鍵的還是硬體和軟體的深度結合。

在硬體方面，IoT使得設備聯網，第一件事是要先看功耗、發熱、加速等問題。AI運算加速引擎要在滿足功耗、加熱等限制條件的前提下，儘可能使用現有的DSP、GPU、NPU等加速硬體，與晶元平台深度結合，實現AI運算加速引擎。

在軟體演算法方面，核心是降低演算法計算量。設計適合嵌入式平台的模型架構，一方面要裁剪模型，另一方面要與場景的深度整合及適配優化，共享深度學習模型中的超參數，壓縮網路。

近年來，AI已經逐漸開始賦能行業，在這其中，也存在一些問題和挑戰，主要包括以下三個方面：

• 首先，客戶期望的是包括數據獲取、隱私問題、訓練、生產管理系統、私有雲部署，以及前後端等在內的整體解決方案，而不是純演算法；

• 其次，客戶衡量AI技術的預算不是根據AI作為高大上的技術來做的，而是根據生產力的提升（用戶體驗提升、銷售轉換率等）、運行效率優化，及經營業績能承受的預算能力來反推的，這和目前昂貴的AI投入成本（人力、伺服器等）是矛盾的；

• 另外，行業客戶的工作流程、部門職能等還未能圍繞先進生產力來進行部署和優化，客戶期望一次性投入建設一個人工智慧平台，可以一勞永逸地實現自我訓練、升級和部署，對比於現在需要定製化的演算法，未來圍繞需要解決的領域問題，少數的人力服務於演算法的流程需要被建立。

最後，孫力還特彆強調了兩個觀點：第一，AI需要一個小的平台和引擎，而不是僅僅提供一個演算法；第二，不能太迷信AI的演算法，有的時候還得用傳統的圖象處理的演算法。

企業花300萬買了一套GPU演算法，怎麼管理這些數據呢？你需要把整個AI模型從構建、管理、運行，整個生命周期管理起來，並需要提供調度、界面、UI等。所以整個AI平台是必須的。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！