作者 | 若名

出品 | AI科技大本營

近日，中科創達副總裁孫力在 Thunder World 2018 嵌入式 AI 人工智慧技術大會上發表了主題演講，主要分享了以下三方面內容：

• 視覺的傳統技術和挑戰

• 嵌入式視覺+AI=智慧視覺

• 智慧視覺賦能行業的智慧化升級轉型

視覺的傳統技術和挑戰

以手機相機為例，孫力講述了其視覺系統的複雜性。無論是底層驅動、核心演算法的曝光、對焦，到最後視訊處理，相機的系統架構異常複雜。如果要做一個優秀的影象處理系統，面臨攝像頭模組的光學特性、圖象處理的演算法、晶片加速、畫質調優等各方面的挑戰。

另一大麻煩是硬體碎片化，不同的作業系統要對畫質做一些複雜的調優流程（實驗室和實際生活場景），此外需善用硬體加速，解決功耗和效能問題。

中科創達在畫質調優方面的競爭力是除錯整個影象的 Pipeline 和 3A ，包括亮度、白平衡、對比度要精準對焦，不斷進行除錯，做大量畫質的調優，以產生最優影象採集。除錯過程分成三個階段：第一，先把基礎的軟體、驅動做好；第二，實驗室 tuning，包含 LSC, AWB, AE, Gamma, 對比度增強, CCM, DPC 等等；第三，真實場景 tuning，與參考裝置對比拍攝。

他以汽車 ADAS 晶片為例講述了要滿足高畫質要求可能達到的技術趨勢，首先是從外接的 ISP，到 Bayer sensor 的轉變，目前主流的方案是用外接的 ISP，但在汽車裡會經歷類似於手機從功能機到智慧機的演變。孫力稱，在自動駕駛晶片的影象處理部分中科創達已有一定佈局。

嵌入式 AI 演算法應用的挑戰

目前很多演算法都基於 2D 技術，但3D 技術會越來越普及。孫力指出，這主要取決於以下四個問題的解決：BOM 的成本，由於規模化的問題，還沒有降低到平民化；其次，多種的光學設計，碎片化（ToF、結構光、雙目、主動雙目等）；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。中科創達要解決的是影象質量問題，比如寬動態/HDR、降噪，匯入 AI 技術來解決影象質量問題。

嵌入式 AI 演算法挑戰主要在哪兒？孫力給出了三點：計算資源有限，終端處理平臺碎片化；另外應用場景和需求多樣化，準確率、速度等方面也需要做出取捨。

具體的優化策略是什麼？在他看來，最重要的還是要做深度結合的系統化設計。硬體上，在滿足功耗、發熱等限制條件的前提下，實現 AI 運算加速引擎，其次是 DSP/GPU/NPU 等晶片的加速，同時要與晶片平臺進行深度合作。

而軟體方面，最核心的是降低演算法模型的計算量，這需要設計適合的嵌入式平臺的模型架構，裁剪模型，與場景的深度整合和適配優化以及共享深度學習模型中的超引數。

大會現場，中科創達展示了基於驍龍 845 晶片的終端智慧分析盒子 AI Kit。

智慧視覺賦能行業的智慧化升級轉型

從智慧視覺賦能行業方面，他的感受有三點：第一，客戶一定期望有一個整體解決方案，而不只是 AI。在整個過程中要幫客戶考慮資料獲取、資料隱私、訓練、私有云部署、生產管理系統等等。

第二，客戶衡量 AI 的價值不是多麼高大上，而是根據生產力提升，執行效率優化，及經營業績能承受的預算能力來進行反推，這和目前昂貴的 AI 投入成本是個矛盾。

第三，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臺，可以一勞永逸否認自我訓練，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，孫力再次強調，要給客戶提供整體解決方案，要從 AI 模型的構建到整個生命週期管理起來，而不僅是提供演算法。另外，他表示不能太迷信 AI 演算法，有時還要用傳統圖象處理演算法，最終的目的是幫客戶解決問題。