AI技术正在跟各个细分行业紧密结合，NPU的大时代正在来临

随着互联网、移动互联网和物联网的发展，一些海量数据正在迅速增加，AI发展提供了肥沃的土壤。随着神经网络算法的进步，CPU、GPU、NPU、FPGA各种芯片BC182LB性能的快速提升，大大提升了计算机处理的大量视频、计算图像和其他数据的能力。也就是说，在计算能力、算法和数据三要素快速发展的背景下，AI技术的成熟度越来越高，AI随着工业的不断发展，着陆应用越来越丰富，AI与各行各业的典型应用场景融为一体。

这些年来，我们可以清楚地看到AI在智能手机、智能音箱、互联网应用等消费电子产品ToC大量应用场景落地后，开始向工业制造业、能源、交通、金融、医疗、教育、零售、汽车等传统ToB终端产业渗透。

现在的AI技术已经开始渗透到人们日常生活的方方面面，那么什么样的AI技术最有前途，最容易被市场接受？事实上，未来AI着陆应用可能市场更加碎片化，能够在性能和成本之间取得良好平衡的应用。可能更具市场前景。

碎片化会增加企业成本

不管是工业制造、能源、金融、还是在交通行业，许多应用场景需要根据特定场景提供更多的定制服务。这必然会增加AI企业成本负担。例如，在工业场景中，AI企业需要帮助工厂设计并训练工业级的高性能AI模型。这就需要AI企业大量的成本投入和深厚的技术沉淀，包括多场景海量数据采集、复杂模型的设计和算法训练、以及软件框架和硬件系统。AI支持大规模运营的基础设施。此外，由于每个工厂生产的产品不同，生产线环境也不同，开发的解决方案可能只适用于独家客户，成本无法平均分配，自然会更高。

在交通领域，AI需要对特殊交通事故、道路塌陷、识别不同的场景，如火灾、分析、评估损失等，这些都是极其具体的要求。

碎片化的应用场景也可能带来另一个问题。由于单个场景的频率较低，因此可用数据的数量较少。此外，每个模型的生产都需要大量的计算能力和人力，AI行业人力投入会相应增加，AI成本也会增加。

当然，这些碎片化的应用场景，也会有一些好处，那就是大部分的客户其实是不懂AI的，他们需要的不是一个AI模块，或者开发包，而是一整套定制化的解决方案，而且，因为这种定制化的方案确实也帮助他们解决了实际问题，因此，他们也更愿意为此类解决方案付费。

AI背后的NPU

所有落地AI在应用中，需要硬件计算能力的支持，包括当前市场上流行的自动驾驶。随着汽车摄像头、毫米波雷达、激光雷达和超声波雷达等环境感知传感器的增加，自动驾驶系统将收集更多的传感器数据。自动驾驶计算芯片需要算法处理。这些数据的结算实现了汽车、路人和其他信息的融合，决定了驾驶控制。随着传感器数量的增加，自动驾驶计算芯片的计算能力要求将显著提高。

计算能力的提高离不开NPU支持。这是一个基础DSA人工智能领域的特殊架构技术(尤其是人工神经网络、机器视觉等）硬件加速的微处理器。CPU、GPU、NPU在硬件架构上就是针对AI设计的，非常适合神经网络运算。

NPU与CPU和GPU其他通用处理器有不同的设计概念。考虑到计算的通用性，大部分提高的计算能力不能直接转化为神经网络处理能力的提高，例如MAC专门的运算改进，NPU对于神经网络的设计，不需要考虑神经网络不需要一些计算单位。与神经网络相比CPU擅长处理任务和发号施令，GPU擅长图像处理并行计算，NPU更善于处理人工智能任务。NPU通过突触权重实现存储与计算一体化，从而提高运行效率。

所以，我们可以得到很多支持AI或应用处理器SoC中发现NPU。比如苹果A15、特斯拉的FSD芯片、地平线、OPPO马里亚纳X芯片等。SoC实际上现在有一些芯片MCU产品也开始集成NPU为满足一些边缘智能应用的需求模块。

事实上，有很多支持AI的SoC通过集成神经网络，通过集成神经网络IP一般来说，神经网络是实现的IP随着神经网络算法的同步发展，可以进一步扩展，以满足神经网络性能日益增长的需要。

结语

AI技术与各细分行业紧密结合，充分发挥其优势。在AI技术落地应用越来越多的时候，NPU也变得越来越重要，未来对NPU的需求也将会进一步提升，相信NPU的大时代正在来临。