新闻中心

物联网AI芯片GX8010发布,万物智能时代呼之欲来!

发布时间:2017-11-01

当前,人工智能技术正在飞速发展,在语音识别、图像识别等领域不断取得突破。如何让万物尽快享受到这些技术所带来的成果,让日常生活中的音箱、玩具、家电等产品都能听会说,是我们一直期盼的目标。


昨日,国芯在深圳召开了隆重的产品发布会,发布全新芯片GX8010——搭载NPU的物联网人工智能芯片,它将为各种物联网产品赋能。


国芯针对人工智能与物联网的特点,将算法、软件、硬件深度整合,创新性地采用了NPU、DSP等多项最新技术,推出这款全新的AI芯片,核心目标就是让日常生活中各种产品智能化,都“看得见”、“听得到”、“说得出”。AI芯片里到底有什么,它和传统芯片有何差别,以及各种在物联网上部署人工智能的难点和痛点,GX8010是怎么解决的呢?让我们一起来走进这颗AI芯。

w20171102_09.jpg


解决痛点一:本地神经络计算困难

深度学习在各个领域取得了重大突破,但与此同时,它对处理器的计算能力提出更高的要求。传统芯片中普遍采用CPU处理器,但随着神经网络逐渐变大,高运算量和高吞吐率使得CPU不堪重负。从CPU到DSP、GPU,处理器的性能不断地提升,最终诞生了人工智能专用处理器——NPU。GX8010中就内置了国芯自主研发的gxNPU神经网络处理器,它专门为人工智能而定制,针对神经网络加速,彻底解决了传统芯片在神经网络运算时效率低下的难题。

w20171102_07.jpg


这款神经网络处理器gxNPU针对物联网人工智能量身定做,它支持当前主流的各种模型,如DNN、CNN、LSTM等。当然你可以根据算法需要,自由设计和扩展网络结构,自定义运算单元。在数据格式上,该NPU同时支持定点和浮点运算,使用非常便捷。

w20171102_10.jpg


为了解决物联网设备中内存带宽小的特点,国芯专门设计了神经网络压缩引擎NCompressor。它能利用神经网络中的数据稀疏特性,压缩计算权重,在几乎不影响精度的情况下,实现6~10倍的压缩效果。神经网络经过压缩后,需要的内存容量和带宽大幅减少,同时运算的速度也得到了提高。针对压缩国芯还提供了编译工具,可以一键实现模型的量化压缩,然后通过芯片中的硬件引擎解压,无需重训练和额外处理,使用非常方便。

w20171102_06.jpg


和编译压缩工具一起,国芯还发布了全套神经网络开发SDK,只需要简单三步,就能完成模型从服务器到芯片的部署。第一步,先在Tensorflow等平台训练,生成模型的网表文件。第二步,使用gxNPUC(神经网络编译器)进行编译和压缩,生成指令bin文件。最后在芯片上使用gxDNN加速库,将编译的模型在芯片本地运行即可。

w20171102_11.jpg


考虑到物联网应用中的成本和功耗因素,这一代的gxNPU中并没有堆砌非常多的MAC阵列,而是选择了64x64的配置。但在典型应用的性能评测中,gxNPU@200MHz仍然比树莓派中的多核CPU@1GHz,快了近30倍,能效提升100倍以上。

w20171102_05.jpg


那么问题来了,这款NPU与Google TPU、华为麒麟970芯片的NPU有何不同之处呢?我们知道,Google TPU是应用于服务器上的处理器,它更关注算力的大小,对成本和功耗不是那么敏感。与Google TPU相比,gxNPU针对物联网而设计,增加了神经网络压缩引擎,在计算时需要的内存和带宽更少,功耗更低,更适于在各种物联网产品中部署。而华为的NPU针对手机场景设计,由于公开的资料较少,目前还不好比较。


解决痛点二:AI交互系统复杂,成本高

AI芯片要真正落地,光有NPU还远远不够。整个AI交互是一个非常复杂的过程,除了神经网络计算还包括传感器接入,信号处理,检测识别,以及软件层面的决策和反馈等。环节众多,每一处需要的算法和计算特性还不一样,对此国芯提出了“全面集成,全栈打通”的策略。

w20171102_04.jpg


以智能语音交互为例,当前语音识别的巨大挑战仍在前端的语音降噪,为了解决噪声和有效语音分离问题,业内引入了麦克风阵列,利用空间信息进行降噪滤波。多个麦克风的引入首先对硬件上的接口就提出了要求,一些传统芯片没有这么多接口只能通过其它器件来扩展。同时多路信号的接入,也使得前端语音处理计算量大增,传统芯片中大家用CPU软解已是十分吃力。

w20171102_03.jpg


在这颗芯片里,我们惊喜地看到它集成了Cadence Tensilica最高阶的语音DSP Hifi-4,这颗DSP专门为智能语音而设计,可以高效地进行各种语音信号处理计算。同时GX8010芯片中支持8通道麦克风接口,不仅支持PDM和I2S数字接口,还内置了8路ADC直接支持模拟麦克风。DSP+8通道ADC,这个配置目前在业界还是第一次出现。同时在这颗DSP上,国芯正在与Rokid、思必驰等业内顶级的语音算法公司合作,将他们的算法移植进来,合作推出低成本、低功耗的整体语音解决方案。


除了语音系统外,GX8010还构建了视觉系统,支持1080P摄像头输入,图像预处理,MJPEG编码等模块。语音和图像的信号处理完后,都送到中央的决策和应用系统进行业务和应用处理。


整个芯片采用了多核异构的架构,集成了国芯gxNPU,ARM Cortex A7 CPU,Hifi-4 DSP等多个处理器,其中DSP负责语音信号处理增强、NPU负责深度学习计算、CPU负责软件运行和应用决策控制等。这些模块全面整合在一颗芯片上,构成了一个完整的AI处理系统,实属真正的AI SOC芯片。

w20171102_02.jpg


除了上面说的这些以外,GX8010还在片内通过SIP的方式直接集成了一颗DRAM。这样整个芯片的集成度已是相当惊人,外围需要的器件极少,整体产品的BOM成本将会大幅降低。尤其在智能音箱、语音交互模块等语音应用领域,具有极高的竞争力。


解决痛点三:功耗太大!

物联网产品的一大应用难点在于体积较小、场景多样,很多时候需要电池供电,这便对产品的功耗提出了较高的要求。针对这一难题,我们也给出了解决方案。


在动态功耗上,芯片充分利用多核异构的优势,合理安排每个模块的工作频率和启停时机,可以做到按需使用、用完即停的效果。在典型的语音交互中,GX8010只需要100-200MHz即可完成离线语音识别,DSP工作在300-400MHz即可实现多麦克风阵列处理,CPU更是可以根据系统负荷进行动态调整。这种方案让芯片在高效运转的同时,又能保持非常低的功耗。据测试,在离线语音交互的场景下全速运行,GX8010的功耗可以做到0.7W以内(包括DRAM)。


待机问题也一直是语音交互设备的难点。因为系统要求待机时仍能被语音唤醒,也就意味着待机时还要做语音采集、降噪、激活词识别等一系列动作。GX8010提出了多级唤醒机制,可以根据是否有声音、是否有人声,是否是关键词这多个等级来做硬件划分,逐级唤醒系统。在待机时,GX8010应用最新的VAD(Voice Activity Detection)技术,检测麦克风有没有语音输入,一旦接收到语音指令,DSP程序启动降噪,接着NPU启动激活词识别,如检测到关键词才激活整个应用系统。


这种逐级唤醒的机制,既保证了语音助手能实时响应指令,又能大幅延长设备的续航时间。据测试,GX8010可以在0.05W的待机功耗下实现语音唤醒。这个数值远远低于当前市面上的其它芯片,轻松实现长时间待机。

w20171102_01.jpg


这种逐级唤醒的机制,既保证了语音助手能实时响应指令,又能大幅延长设备的续航时间。据测试,GX8010可以在0.05W的待机功耗下实现语音唤醒。这个数值远远低于当前市面上的其它芯片,轻松实现长时间待机。


 重点应用领域 


凭借着本地离线神经网络计算,超高集成度,低功耗等特点,GX8010芯片将在多个应用领域展现出它的实力。重点应用领域将包括智能音箱、语音接口、和智能玩具等市场。


》》可电池供电、可离线的智能音箱方案


市面上大多数智能音箱,因为功耗问题大多选择了电源供电。采用GX8010方案后,发挥其低功耗工作和待机的特点,使用电池也可以轻松待机数天。再发挥GX8010的离线能力可以实现离在线混合,即使在无网络环境也能使用。最后GX8010集成了众多模块,它在成本上将具有绝对优势,有助于产品成本降低和促进市场进一步放量。


》》给万物带来语音接口的前端方案


很多像电视、机顶盒、家电等产品,本身已经拥有比较成熟的软硬件体系,但他们仍然希望能够实现智能化升级,特别是具备语音交互能力。在GX8010基础上,国芯推出了一个裁剪版的型号GX8008,专门针对语音前端市场。它可以让传统的设备保留其原先硬件的基础上,通过一个简单的USB口实现语音能力的升级。在待机时,更是可以让主机完全休眠,只依赖GX8008来做降噪和激活,并恢复系统。解决了之前电视和机顶盒等产品,无法在语音监听下低功耗待机的问题。

w20171102_14.jpg


》》兼具语音与视觉的智能玩具方案

同时具有语音和视觉接口的GX8010,将会发力智能玩具和幼教市场。利用其可离线低功耗的特点,智能玩具将摆脱对Wifi的限制,以后就可以与小朋友们一起出家门玩耍啦。

w20171102_13.jpg


高智慧、低功耗、全集成,是这款GX8010最大的特点,它将给物联网市场带来全新的变化。各种最新的人工智能算法和计算,都有机会在嵌入式设备中部署。音箱,家电,玩具,车载等各种产品,将会变得更加智能,功能丰富,体验更好。万物智能的时代不再遥远,让我们一起来期待GX8010这颗中国芯接下来的表现。


w20171102_16.jpg