安谋科技：生成式AI重塑智能物联“芯”应用(2)
本身半导体的发展，让我们可以在很小的面积集成更多的单元，所以我们整个芯片硬件的要求、宗旨，就是能够在最小的面积里面放更多的电路，使得软件能在每一个指定周期实现电路的最高利用率。快速地迭代产品，然后以最高的效率使芯片上所有的电路都起作用，发挥它计算和数据处理的能力。
端侧AI的具体应用场景以及企业努力的方向
随着深层次AI的不断加强，模型的能力也越来越强。模型的轻量化发展能够产生更少的参数，不断加持AIoT设备，同时也很可能会有新的产品形态出现，这些都值得密切的关注。
端侧设备、智能家居等已经在推进端侧AI的部署。AR、VR、元宇宙的概念大概四五年前就已经出现，苹果等厂家在开发推进过程中，致力于凝练低功耗的同时更好地呈现显示效果，这就需要它不断提高AI算力的支撑。
比如监控领域，对于行业来说，夜视是一个很大的挑战。同时由于它定位的要求，还需要AI赋能虹膜识别、人脸识别等相关领域。以前传统的监控摄像头，如果有10%的设备支持AI人脸识别，就已经算是不错的。但是AI发展到今时今日，监控摄像头具备AI的功能是必选项。所以我们可以预测在未来的三五年，这些端侧设备能够有更好的语义理解，支持大模型作为我们贴身的助手。目前AI手机、AI PC的出现，都是在压缩、小型化大模型的路上努力，最终达到能够在端侧设备进行部署，具备技术能力、功能。
对于企业而言，端侧要部署到云侧需要从以下几点努力：
1、架构上的互动
如果云侧的指令级，跟端侧指令级是一致的，在同一个架构下去开发应用，那么云端的软件站和整个的服务方案可以无缝迁移到端侧的部分。云侧跟端侧之间本身在在软件应用开发上是有一致性和兼容性的，这就可以带来大量的成本和人力的节约。
2、软件定义硬件
开发模型之后可以通过稳定的技术在端侧部署，软件定义硬件的能力就出现了。不管是什么样的硬件平台，软件模型尤其大模型更新，就可以适配不同的场景。比如智慧农业，大模型应该可以做到今天监测这些水果，明天去观察稻谷麦香，或者又去到一个存储仓库、其他各个需要不同能力的环节去应用。通过模型的更新，一次性地投入硬件，然后产生各种各样的应用效果。
3、获取数据
要让端侧设备变得更加智慧的话，需要不断收集互联网数据。每个应用场景下都会产生大量的数据，互联网端侧设备需要去感知物理世界，获取、整理，再从中提取到最有效的数据。如果每次都传输原始数据，涉及到的数据量就会非常庞大，通过端侧的提炼抓取，再去反馈给云端，在云端进行训练，就可以使模型的组合更加智慧或全面，进一步再反馈给端侧。
