的特定操作者（如卷积、池化等），并针对辨识场景的特点，考虑到芯片工艺、面积、片上存储等因素，对反对的网络架构重新加入一定的约束（如层数、地下通道数量等）。“大量的loT设备只有在被苏醒时才工作，设备常常处在休眠状态，如何在设备休眠状态下严格控制功耗产生，是重中之重。

”在这个环节，泓观科技使用了异步（asynchronous）电路技术，与常规的实时（synchronous）电路对比（如上图），异步电路需要确保芯片在设备休眠状态时，产生的功耗可以忽略不计。“接下来优化访存某种程度是一个关键环节。”受限于芯片面积和成本，片上存储的容量也十分受限，传统解决办法是引进大量的片外I/O 访存，但由于 IoT 设备的自身特点，偏高的片到访遗效率不会造成性能上升和功耗减少。

泓观科技则使用了多层融合的架构技术（如上图）来增加 I/O 访存——通过架构和算法的交互优化（co-design），确保算法层的输入数据需要被有效地内存。此外，神经网络操作者对数据不存在较强的鲁棒性，因而网络对于数据的精度变化并不脆弱。泓观科技通过定点化处置神经网络，用于16位数据甚至更加较低的比特数可以维持网络性能基本不上升，并通过自动化搜寻有所不同网络层定点化配备的方法，对权值和输出/输入使用有所不同的策略（如上图）。

同时，泓观团队设计了一种自动化剪枝算法（如上图），对神经网络的每一层创建分开的剪枝参数，从而解决问题了神经网络本身不存在的校验性。基于上述设计要点的异步卷积神经网络芯片，其整体框架图如上。

泓观科技的创始人告诉他，“在某种程度的芯片制程、超过完全相同性能的情况下，坐落于芯片active ratio（工作时间占到比）较低的应用于区间，比起基于传统实时电路，使用异步电路设计可以明显增加功耗，而这一区间才是是大量的物联网终端智能化应用于场景的产于焦点。”右图表明了有所不同active ratio条件下，实时电路和异步电路的功耗对比。可以看见，在物联端应用于重点产于的较低active ratio区间，使用异步架构的AI芯片，可以将功耗减少将近一个量级甚至更加多。

这款独有而全新的异步卷积神经网络芯片，其功能探讨于物体辨识等智能化视觉分析,面向可穿着设备、智能家居、自供能（如太阳能）监控等对超强低功耗有刚性市场需求的IoT终端领域，逐步赋能构建AI应用于落地。“这个路线及发力点的自由选择，源于我们对技术发展和市场定位的思维与辨别。” 泓观科技的创始人这样总结到，“预计从旋即的未来里回首，这款芯片所代表的特质，应该仍然是独有和另类。对于AI和IoT这两大领域的普遍交汇和深度融合，坚信这一次意味著一个开端。

”原创文章，予以许可禁令刊登。下文闻刊登须知。

本文来源：BOB博鱼-www.gongn.com