from：https://36kr.com/p/5103044.html

到2020年，大多数先进的ML袖珍电脑（你仍称之为手机）将有能力执行一整套任务。个人助理将变的更加智能，它是打造这种功能的切入点。语音识别会不断优化。私人助理将不仅仅是云端搜索引擎的前端。因为个人AI将有拥有真正处理分析数据的能力，并使用搜索引擎来搜索数据。

以下是我的几个预测：

1）实时健康分析 - 当前，智能手表会监控您的心率和步数，并将其发送到您的手机中，之后手机会将其发送到云端。在不久的将来，您的个人AI将会实时读取这些数据并进行分析，例如，如果您有心脏病或中风等病史，个人AI会尽早提醒您注意防范。为了实现这些功能，智能手表中内置的复杂传感器的数量将会增加。传感器技术的进步将是供人工智能发展的关键，因为我们需要性能更强大，体积更小的传感器来适应手表。

2）环境分析 – 另一种可能的情况是袖珍电脑可以用来分析你周围的环境。空气质量在世界许多地方都是一个问题。想象一下，拿出你的设备，读取一些基本的指数，然后机器学习就能告诉你这个地方的空气是否安全，空气中有哪些风险。这对旅行者来说非常实用。我想再次强调，开发更好的传感器是至关重要的。设想一种可以分析水中成分的传感器会告诉您饮料是否安全，这在一些国家非常有用。

3）实时语言翻译 - 诸如Skype之类的产品已经拥有类似功能，但是边缘设备可以进一步加强这种功能。想象一下，未来版本的Skype可以利用个人AI来提高实时翻译效率（将译文发送到云端，并一直到另一端）。

4）自定义应用程序 - 一旦边缘设备拥有处理能力和传感器，那么将有很多基于此创建的应用程序。基于环境传感器，我们可以为身处危险环境中的工人创建一款应用程序。除了原始的传感器读数之外，个人AI引擎还可以增加实际价值，提供近乎实时的画面。这样，更多相关数据将被发送到云端更大的引擎中。而利用这些数据训练模型将会进一步提高模型的准确率。

深度 | AI芯片之智能边缘计算的崛起

from:https://www.leiphone.com/news/201712/q7TOPUfPdFWFr6O3.html

基础层、算法层与应用层是人工智能产业链的三个组成部分。人工智能（AI）正在作为基础技术，改变不同的行业，并具有极其广阔的应用市场。考虑到深度学习等AI算法开源的发展趋势，基础层的数据与芯片将在未来竞争中占据越来越重要的地位。作为人工智能发展支柱的AI芯片（特指专门针对AI算法做了特定设计的芯片）更是人工智能行业的核心竞争力。

基于深度神经网络（DNN）在各个应用中表现出的巨大优势，本文的AI仅限于深度学习。下文将从AI计算与AI芯片出发，分析不同种类AI芯片间的区别，探索应用于终端推断（Edge Inference，EI）的AI芯片，即AI-EI芯片，并给出AI-EI芯片硬件架构特性，讨论多家AI-EI芯片公司，最后给出AI-EI芯片发展趋势及投资逻辑。

一、AI计算及AI芯片

近几年，深度神经网络（DNN）在图像识别、自然语言处理等方向上取得了前所未有的成功，并推动相关行业的快速发展。但是，这些应用中使用的深度神经网络的参数量巨大，模型训练（training）与推断（inference）都需要大量的计算，传统计算芯片的算力无法满足DNN计算需求。具有高算力的AI芯片能够满足AI行业计算需求并得到了快速发展。

2016年AI芯片全球市场规模为23.88亿美元，有机构预计到2020年AI芯片全球市场规模将达到146.16亿美元（终端AI芯片的市场规模），发展空间巨大。另外，各国纷纷把AI芯片定为自己的战略发展方向。

与传统CPU不同的是，AI芯片具有大量的计算单元，能够适合大规模并行计算的需求。基于通用性与计算性能的不同，可以把AI芯片分为GPU、FPGA、ASIC三大类。深度神经网络的基本运算单元是“乘-加”（MAC）操作。每次MAC中存储器读写操作如图1所示。

图1：每个MAC的读写操作

在AI应用中，CPU与AI芯片的计算能力是由芯片所具备的MAC能力及如何发挥芯片的MAC能力两个因素决定。

CPU是通用芯片，CPU的大部分面积都被控制单元与缓存单元所占，只有少量的计算单元。另外，CPU的指令执行过程包括取指令、指令译码与指令执行三部分。只有在指令执行的时候，计算单元才能发挥作用。因而，CPU在发挥芯片的MAC能力方面亦比较一般。为了提高指令执行效率，CPU采用指令流水处理方式。

GPU有大量的计算单元，适合大规模并行计算。但是，GPU也是通用芯片，其指令执行过程也由取指令、指令译码与指令执行三部分组成。该特征是制约GPU计算能力的主要原因之一。

FPGA，即，现场可编程逻辑门阵列，是一种更接近I/O的高性能、低功耗芯片。FPGA是算法即电路，软硬合一的芯片。基于硬件描述语言，可以把算法逻辑直接编译为晶体管电路组合。由于FPGA的硬件电路是由算法定制的，其不需要取指令与指令译码过程，因而，FPGA能够充分发挥芯片的计算能力。另外，FPGA可以重复编程，因而具备一定的灵活性。

ASIC，即，专用集成电路。类似于FPGA，ASIC采用的也是算法即电路的逻辑，亦不需要取指令与指令执行过程。另外，ASIC是为了特定的需求而专门定制的芯片，因而，能够最大程度发挥芯片的计算能力。但是，不同于FPGA的可重复编程，ASIC的设计制造一旦完成，就无法再改变，其灵活性较差。

在评价一个芯片架构性好坏时，有多种指标可供参考。其中，能耗与峰值计算能力（芯片结构中每秒计算操作数的总和，用OPS表示）是两个重要的衡量指标。不同指标间会相互制衡，一个指标的增高可能是以牺牲其它指标为代价而获取的。因而，常采用归一化的指标单位能耗算力（OPS/W），即，能效，来衡量芯片计算性能。实质上看，上述的四种芯片是通用性与能效trade-off的结果。能效方面，ASIC>FPGA>GPU>CPU。通用性则反之。

对于AI芯片，从市场格局来看，NVIDIA是GPU行业的绝对龙头。对于FPGA，XILINX、ALTERA（现并入INTEL）、LATTICE、MICROSEMI四家占据全球99%的市场份额。其中，XILINX、ALTERA两家占据全球90%的市场份额。另外，FPGA四大巨头拥有6000多项行业专利，形成该行业极高的技术壁垒。对于ASIC芯片，目前还未形成巨头垄断的市场格局，但是对于不同垂直领域，其情况不同，我们将在下文中给出详细分析。

图2：AI芯片象限图

深度学习分为两个阶段：模型训练与智能推断，如图2所示。模型训练需要大量的训练样本，基于梯度下降法，模型优化收敛到局部最优点。深度学习的模型训练需要几小时到多天的迭代优化，因而，现阶段，模型训练都在云端完成（我们认为具备持续学习能力是智能终端未来发展的方向，因而这里并不认为训练一定只在云端完成）。模型训练好之后，则能够基于该模型与输入数据，计算得到输出，完成智能推断。相比于模型训练，推断的计算量要小很多，可以在云端与终端完成。

现阶段，由于终端设备的计算力普遍有限，模型训练与推断大都在云端服务器上完成。在云端模型训练中，NVIDIA的GPU占主导地位，多GPU并行架构是云端训练常用的基础架构方案。在云端识别中，基于功耗与运算速度的考量，单独基于GPU的方式并非最优方案，利用CPU、GPU、FPGA、ASIC各自的优势，采用异构计算（CPU+GPU+FPGA/ASIC）是目前主流方案。

在计算机视觉、语音识别等应用中，终端采集数据（特别是图像数据），然后上传到云端处理的云计算对网络带宽与数据中心存储都带来越来越大的挑战。另外，无人驾驶等应用对实时性与安全性要求极高。网络的时延与稳定性所带来的安全隐患是无人驾驶等应用所无法忍受的。在终端采集数据，并完成数据处理，提供智能终端推断的边缘计算（Edge computing），因其能够满足实时性、安全性的需求，且能节约带宽与存储，得到越来越多的关注。我们判断inference将越来越多的在终端设备上完成，即，智能将会下沉到终端设备，智能边缘计算将会崛起。

图3：2017-2020全球AI终端芯片市场规模预测

实时性是选择在终端完成推断最主要的原因之一。但是，由于深度神经网络参数量巨大，推断过程需要完成大量的计算，其对终端硬件的计算力提出了很高的要求。另外，电池供电的终端设备对功耗也有极高的要求，且大多数的终端产品价格敏感。即，执行DNN推断的终端芯片对算力、功耗、价格都有严格的限制。研究用于DNN推断的AI-EI芯片是目前AI芯片行业最热的方向。现阶段，已有大量的初创公司，针对不同领域及应用，提出多种AI-EI芯片硬件设计架构，下文将详细给出AI-EI芯片的架构思路及发展现状。

二、AI-EI芯片及其架构

基于深度神经网络的广泛应用，科技巨头及初创公司都根据DNN的特性进行有针对性的硬件处理器研发。其中包括Google的TPU、寒武纪的DianNao系列、Eyeriss的NPU等AI芯片。本节将总结并给出这些AI-EI芯片如何在不降低准确率的前提下实现运算吞吐量提升，并降低能耗。

由前文可知，深度神经网络的基本运算为MAC操作，且MAC操作很容易被并行化。在DNN硬件设计中，常使用时间架构（temporal architecture）与空间架构（spatial architecture）两种高度并行化的计算架构，来获取高计算性能。

时间架构（Temporalarchitecture）

通用芯片CPU与GPU常采用时间架构，并使用单指令多数据流（SIMD）或者单指令多线程（SIMT）来提高并行化处理性能。时间架构基于中央控制器统一控制所有的ALU。这些ALU只能从层次存储器中取数据，而不能相互通信。

时间架构中，通常使用各种计算变换，特别是对卷积操作的计算变换，来减小计算复杂度，从而提升吞吐量，常用的方法包括：

Toeplitz矩阵方法：把卷积操作转换为矩阵乘操作

FFT方法：经过FFT变换，把卷积运算变成矩阵乘操作

Winograd方法：比较适合较小的滤波器的情况

空间架构（spatial architecture）

基于ASIC或者FPGA的AI-EI芯片常使用空间架构。相对于通用芯片，专用芯片应用在特定场景，其功能有限。简单且规则的硬件架构是降低设计成本的基础，亦是实现低成本专用芯片的先决条件。足够低的芯片成本才能对冲专用芯片功能的局限性。

空间架构采用数据流（Dataflow）处理方式。在空间架构中，ALU形成一条数据处理链，从而能够在ALU间直接地传送数据。该空间架构中，每个ALU都有自己的控制逻辑与本地存储（寄存器堆）。其中，有本地存储的ALU被定义为PE。

对于空间架构，硬件设计基于层次存储器中的低能耗内存，并增加数据重利用率（实质上，卷积是空间重用，这种重用可以获取空间的不变性），来减小能耗。另外，数据流（Dataflow）控制数据读、写及处理。总体上，空间架构基于层次存储器与数据流平衡I/O与运算问题，从而降低能耗并提升运算吞吐量。下文将在分析层次存储器与数据流的基础上，讨论不同的技术路线的AI-EI芯片。

访问内存所需时间要远远大于计算所需时间。由深度神经网络的推断部分运算可知，每个MAC都需要三次内存读与一次内存写操作。其中三次内存读操作分别为读取输入数据、权值数据与部分和数据（partial sum），一次内存写操作为更新部分和数据。层次存储器基于内部寄存器等存储单元来减小对外挂内存访问次数，降低I/O需求。层次存储器如图4所示，该层次存储器包括PE内部的寄存器（RF）、用于ALU间直接传输数据时存储数据的内存单元NoC及连接DRAM的全局缓存器Buffer。由图4可以看到，层次存储器中，不同类别的存储器读写操作所消耗的能量不同，这也是我们能够利用层次存储器及数据复用来降低能耗的原因。

图4：层次存储器及各存储器中数据迁移的能耗

Dataflow是一种没有复杂程序指令控制且由操作数，即，数据或者中间结果，激活子计算单元，来实现并行计算的一种计算方式。图5总结出了Dataflow的架构逻辑。

图5：数据流架构——来源Shaaban教授的课程

在深度学习的推断中，有大量的计算需求。但是，这些计算是分层顺序执行的。因而，控制流程相对简单、清晰。可以看出，Dataflow处理方式与基于深度神经网络推断部分的计算需求非常吻合。

数据流能够决定哪些数据读入到哪层存储器以及这些数据什么时候被处理。另外，在DNN推断中，没有随机性。因而，可以从最优能耗的角度，设计一个基于Dataflow的固定架构的AI-EI芯片。目前，大多数用于深度学习推断的AI-EI芯片都采用Dataflow。

层次存储器中，存储量大的存储器读写操作所消耗的能量要比小存储的存储器大很多。因而，一旦一块数据从大存储器搬移到小存储器后，要尽可能最大程度复用（reuse）该数据块来最小化能耗。但是低功耗存储器的存储空间有限。如何最大化复用率是设计基于Dataflow加速器时最关注的先前条件。即，通过最大化数据复用率来降低I/O要求，减小数据处理能耗，从而提升吞吐量并降低总体能耗。常见的DNN数据流类型包括：权值固定数据流、输出固定数据流、No local reuse（NLR）及行固定数据流。

权值固定数据流： 从DRAM中读出权值数据，放在PE的RF中并保持不变，之后把输入数据广播（broadcast）到每个PE，最后求取PE阵列的部分和（partialsum）。该处理方式通过最大化从PE的RF中读取权值数据次数，并最小化直接从DRAM中读取权值次数，实现最大化卷积与滤波器对权值的复用率，来减小能耗。NeuFlow即为基于该种数据处理方式的AI-EI芯片。

输出固定（OS）数据流： 通过在PE阵列中stream输入数据，然后把权值数据广播到PE阵列，保持 RF中的部分和的累加不变，从而最小化读写部分和的能耗。寒武纪的ShiDianNao是基于输出固定的AI-EI芯片。另外，根据处理目标的不同，可以把该种数据流分为以卷积层为处理目标的OS_A与以全连接层为处理目标的OS_C，OS_B是介于OS_A与OS_C间的一种OS数据流。

NLR数据流： PE阵列的RF中并不存储任何固定数据，相反，该情况下，所有数据的读写操作都是在全局buffer中完成。寒武纪的DianNao与DaNiaoNao是基于该数据处理方式的AI-EI芯片。

行固定数据流： 最大化所有数据复用率并尽可能的使得所有数据的读写操作都在RF中完成，减小对全局buffer的读写操作，来减小功耗。每个PE能够完成1D的卷积运算，多个PE能够完成2D的卷积运算。在二维的PE阵列中，水平轴上的PE单元上，每一行的权值数据被复用，对角线上的PE单元上，每一行的输入数据被复用，垂直轴上的多个PE单元上，每一行的部分和数据被复用，即，行固定的数据流能够最大化所有数据的复用率，从而能够全局最优化功耗。Eyeriss的NPU是基于行固定的AI-EI芯片。

三、AI-EI芯片玩家

本节首先总结三家极具代表性的研发DNN加速器（Google、Wave computing、Graphcore是平台化的计算平台，因而，这里没把他们叫做AI-EI芯片厂家）的公司，后文中结合应用场景总结AI-EI芯片创业公司，其中部分公司的芯片也可以做训练，且不一定应用在终端场景，这里基于行为考虑，把他们称为AI-EI芯片公司。

Google TPU

在2015年就开始部署ASIC张量处理器TPU。TPU采用脉动阵列（systolic array）技术，通过矩阵单元的使用，减小统一缓冲区的读写来降低能耗，即脉动运行。脉动阵列不是严格意义的Dataflow，但也是数据流驱动的设计方式。该技术早在1982年就被提出，但是受限于当时的工艺水平及应用，该技术在当时并没有引起太多关注。脉动阵列在TPU上的应用，让该技术回归大众视野，并得到了极大的关注。

Google在TPU上使用该技术的逻辑在于脉动阵列简单、规则且能够平衡运算与I/O通信。TPU中基本计算单元是功能单一的处理单元PE，每个PE需要先从存储中读取数据，进行处理，然后把处理后的结果再写入到存储中。TPU脉动阵列中的PE与前文中其他DNN加速器的PE基本一样，能够实现MAC操作，有存储能力有限的RF。由前文可知，对数据读写的速度要远远小于数据处理的速度。因而，访问内存的速度决定了处理器的处理能力。TPU的脉动阵列采用数据复用及数据在阵列中的脉动运行的策略来减小访问存储器次数，从而提高TPU的吞吐量。

TPU在实现卷积等运算时，要先调整好数据的形式（即对原始矩阵做好调整），之后才能完成相应的计算。因而，TPU的灵活性一般，只能处理特定的运算，这也是其它基于PE阵列Dataflow DNN加速器共有的问题。但是脉动阵列特别适合卷积运算，TPU有多种实现卷积运算的方式，其中包括：

权值存储在PE中保持不变，广播输入数据到各个PE，部分和的结果在PE阵列中脉动运行

部分和的结果存储在PE中保持不变，广播输入数据到各个PE，权值在PE阵列中脉动运行

部分和的结果存储在PE中保持不变，输入数据与权值在PE阵列中按相反方向脉动运行

部分和的结果存储在PE中保持不变，输入数据与权值在PE阵列中按相同方向但不同速度脉动运行

权值存储在PE中保持不变，输入数据与部分和的结果在PE阵列中按相反方向脉动运行

权值存储在PE中保持不变，输入数据与部分和的结果在PE阵列中按相同方向但不同速度脉动运行

Wave computing

基于Coarse GrainReconfigurable Array (CGRA) 阵列，实现数据流计算。另外，Wave的DNN加速器是clockless，其基于握手信号来实现模块间的同步。因而，不需要时钟树，从而能够减小芯片面积并降低功耗。

Graphcore

打造专门针对graph计算的智能处理器IPU。Graphcore在芯片设计上做出了很大的改变。相比于CPU以scalar为基础表示，GPU以矢量为基础表示，Graphcore的IPU是为了high-dimensional graph workload而设计的。这种表示既适用于神经网络，也适用于贝叶斯网络和马尔科夫场，包括未来可能出现的新的模型和算法。该IPU采用同构多核架构，有k级的独立处理器。另外，该芯片使用大量片上SRAM，不直接连接DRAM。该芯片能够直接做卷积运算，而不需要把转换成矩阵乘法之后使用MAC操作完成。该IPU不仅能够支持推断，也能支持训练。

商业应用是AI的关键因素之一，AI只有解决了实际的问题才具有价值，下文，我们从终端不同的应用，探讨AI-EI芯片。不同的加速器在各个子行业都有应用布局，我们从主要应用领域出发，给出公司产品、最新产品性能及融资情况的终结。

AI-EI芯片+自动驾驶

在汽车行业，安全性是最重要的问题。高速驾驶情况下，实时性是保证安全性的首要前提。由于网络终端机延时的问题，云端计算无法保证实时性。车载终端计算平台是自动驾驶计算发展的未来。另外，随着电动化的发展趋势，对于汽车行业，低功耗变的越来越重要。天然能够满足实时性与低功耗的ASIC芯片将是车载计算平台未来发展趋势。目前地平线机器人与Mobileye是OEM与Tier1的主要合作者。

AI-EI芯片+安防、无人机

对于如何解决“虐童”问题，我们认为能够“看得懂”的AI安防视频监控是可行方案之一。相比于传统视频监控，AI+视频监控，最主要的变化是把被动监控变为主动分析与预警，因而，解决了需要人工处理海量监控数据的问题（也绕开了硬盘关键时刻掉链子问题）。安防、无人机等终端设备对算力及成本有很高的要求。随着图像识别与硬件技术的发展，在终端完成智能安防的条件日益成熟。安防行业龙头海康威视、无人机龙头大疆已经在智能摄像头上使用了Movidious的Myriad系列芯片。

AI-EI芯片+消费电子

搭载麒麟970芯片的华为mate10手机与同样嵌入AI芯片的iPhoneX带领手机进入智能时代。另外，亚马逊的Echo引爆了智能家居市场。对于包括手机、家居电子产品在内的消费电子行业，实现智能的前提要解决功耗、安全隐私等问题。据市场调研表明，搭载ASIC芯片的智能家电、智能手机、AR/VR设备等智能消费电子已经处在爆发的前夜。

其他

随着AI应用的推广，越来越多的公司加入AI-EI芯片行业，其中，既包括Bitmain这样的比特币芯片厂商，也包括从GoogleTPU团队出来的创业公司Groq，还有技术路线极具前瞻性的Vathys。由于这些Startups都还处于非常早期阶段，具体应用方向还未公布，因而放在“其他”中。另外，我们判断终端AI芯片的参与者还会增加，整个终端智能硬件行业还处在快速上升期。

四、AI-EI芯片发展趋势

上文介绍的AI-EI芯片是在优化硬件架构基础上，实现低功耗、高吞吐量。现有研究中有采用Processing in Memory（PIM）的方式，把处理直接放在存储单元的位置，降低整个系统的复杂度，减少不必要的数据搬移，从而优化功耗和硬件成本。同时，这也需要在电路（模拟信号）的层面重新设计存储器。初创公司Mythic即采用PIM技术来设计AI芯片。另外，通过研究具备高带宽和低功耗特性的存储器来解决I/O与运算不平衡的问题也是当前的研究热点。

类脑芯片是处理Spiking neural network (SNN)而设计的一种AI芯片。IBM的TrueNorth、高通的Zeroth及国内的Westwell是类脑芯片的代表公司。类脑芯片能够实现极低的功耗。但是在图像处理方面，SNN并没有表现的比CNN好，且类脑芯片现在处在研究阶段，离商业应用还有较远的距离。

2017年芯片行业的融资额是2015年的3倍。巨头公司与资本都在积极布局AI芯片，特别是在智能边缘计算有技术积累的公司。我们无法预测未来哪家公司能够最终胜出。

但是，一家AI芯片公司要想持续发展并壮大，需要具备包括硬件及软件生态的全AI服务流程能力。从现阶段的投资动向可以看出，创业公司要想获取资本青睐，需要在硬件设计架构上有足够吸引人的变动。另外，性能指标与技术路线可以靠讲，只要合理既有可能，但是在未来1到2年的时间内再拿不出产品是很难继续讲下去的。

5G时代的智能边缘计算AI-EC平台

from:https://www.leiphone.com/news/201710/vkVfytw8w0p4UE8b.html

2017年9月初华为透露：首款搭载AI芯片的商务手机将于10月发布并提出：Mobile AI=On_Device AI + Cloud AI。无独有偶，一周后苹果公司也发布了搭载A11可以人脸识别的史上最贵手机。那么On_Device AI将不可避免吗？本文作者提出了另外一种选项供参考：Mobile AI=5G_Device + AI-EC。

所谓的智能边缘计算（AI over Edge Computing, 以下简称AI-EC）是指在5G边缘（可理解在基站端）提供各类AI推理算法资源和相应的可编程AI计算资源的公共平台。其中的算法资源，主要以客观世界目标的视觉识别，音频识别以及自然语言处理为代表的通用类的AI推理算法软件。而另一个可编程AI计算资源是由以GPU及Tensor RT为代表的软硬件服务器支撑平台，用以承载和加速前者AI算法的推理计算，也可承载在线弱监督学习的训练或其他GPU应用。这种AI-EC平台所提供的AI推理服务如同在线函数库调用一样，你给它视频或图片，它返给你识别结果；你给他中文语音，它给你翻译成目标语言。今后亿万个物联网终端，智能穿戴等5G终端不必非得安装智能芯片及相关软件同样可以拥有智能，因为通用的AI推理功能已从终端剥离并转移到AI-MC平台上。（说白了就是智能产业将被纵向分割：会做终端的专做终端，懂算法的专做算法，5G将成为产业应用上下游的总线纽带）

一.AI-EC的架构

二.AI-EC的功能

深度学习的推理服务。雾智能终端将视频，音频，语言等上传至AI-EC 平台，由其平台上相关已训练好的推理模块进行推理，然后将结果反馈给雾智能终端。
高性能计算池服务。很多对GPU依赖的应用可以不受时间、空间及移动速度的限制。例如现场指纹推理，哈希算法(对加解密和区块链的支撑)，快速傅立叶变换，蒙特卡罗等等。
“串流”云游戏服务。5G时代的云游戏市场将会进一步增大，玩家不必拥有独立显卡，也可以通过“串流”黑科技来感受类似效果的云游戏。AI-EC的云游戏模块可以根据玩家的操控将游戏效果渲染成视频流下推给玩家的5G终端，玩家不受地点限制可以在高铁地铁上。例如GeForce Now云游戏，其官方建议20Mbps则可实现720P画质、60fps帧速；除此之外，网络时延需小于60ms。
视频业务审核服务。5G时代手机户外现场直播重大活动或事件将成为可能。而直播视频中是否有不合法的内容（如暴力，色情，极端宗教及敏感议题等）必须借助AI来实施审核并采取相应措施。
VR等实时渲染服务。随着渲染需求的不断加大以及VR/AR等应用的日益普及，坐在飞速行驶的高铁上也可以感受VR，可以即时渲染出个性化产品设计效果，装修设计效果等，影视短片的后期效果等。例如可以即时渲染出女士本人穿上网购服装的效果。

三. AI-EC的特点

a. 网络时延优势：边缘位置优势保证了时间敏感的实时类应用的AI推理时延要求。

b. 网络分布优势：AI-EC让广泛分布的推理申请在末端就得到结果，既减少了网络流量，又降低了云中心集中推理的计算压力。例如上万个监控视频的推理需求，动态应急布设监控及无人机监控等。

c. 智能终端减负：物联网、智能穿戴等终端的体积，重量，功耗，成本以及价格都将因此而降低，同时也降低了终端的研发门槛，有利于5G终端的广泛普及。

d.产业布局灵活：人工智能的各种算法发展日新月异，组合千变万化，研发的人员及硬件成本越来越高，这些将由AI-EC营运商解决。AI应用产业被纵向分解成算法服务商和终端供应商。

e. 非商业属性：AI-EC平台一般将由国有控股的电信运营商来承建，其公共属性有利于将人工智能服务作为像电力、天然气和通讯网络一样的市政设施供应给千家万户。有利于政府、教育、医疗，军工等公共机构充分利用AI-EC平台上的算法资源和计算资源，有利于相关部门对人工智能产业发展进行规划，引导，管理及法律法规制定等，有利于将5G与AI-EC整体打包像高铁一样输出给其它国家。

人脸识别鉴权技术：目前我国公安部相关研究所已立项“多维身份可信认证系统”，当海关、机场，车站，酒店，银行以及特殊单位等机构需要鉴权时，应有统筹法律法规约束。
医学影像辅助诊疗：同样应由国家相关部门在大数据标注与训练，隐私保护，相关识别技术的商业化与非商业化推广及医院相关区域的AI-EC覆盖等，应有统筹法律法规约束。
其它公共事业的AI部署：如AI教学、AI职业培训、科研院所的公用计算资源部署、AI市政公共设施、智能交通管理、AI家庭设施等部署，管理，法律法规约束等。

四.AI-EC带来的选择

a. 雾智能终端与硬智能终端的选择：前者适合在网络覆盖良好的城市区域内使用通用类的、复杂度高的、变化快的、对功耗和成本要求比较苛刻的终端AI智能应用；后者允许在网络覆盖不确定的乡村，山区，荒漠，海上等区域，使用AI需求相对固定的、变化少的以及对时延要求极端苛刻的AI智能应用。

b. AI-EC雾端还是商业云端的选择：对时延要求高的，集中推理压力大的，业务敏感或不适合在商业云使用的应用可选择前者。

第四次(人工智能)产业革命的春风已经扑面而来，它开始渐渐地冲击着各个传统行业甚至是人类文明。东西方的主要高科技巨头都在AI计算资源和AI人才资源争夺上以及AI产业事实标准的制定上豪赌般地投入，无疑他们是有远见的。作为经济大国的中国在4G时代已通过网购，手机支付，共享单车等业务崭露头角，那么在5G时代是否可以从顶层设计来与时俱进，通过AI-EC来推动人工智能、物联网、智能穿戴等终端在各行各业的普及，从而提高效率或解决原来解决不了的问题，帮助中国早日成为科技强国并引领人类在AI领域的发展！

本文仅代表个人观点，意在抛砖引玉。作者才疏学浅，之所以愿意献丑撰写本文是因作者认为：人工智能的时代更需要跨行业交流及脑力激荡的，如能引发其它相关行业人士的思考，则达到了本文的目的。