華為第一個把AI帶進手機，如今想讓算力大爆發?

施然

華為公司輪值董事長徐直軍表示，華為自2018年10月發布AI戰略以來，穩步而有序地推進戰略執行、產品研發及商用進程

華為正在逐步向外界釋放代表其能力高點的新技術。在鴻蒙操作系統之后，華為在8月23日亮出下一顆牙齒——異騰910。

和鴻蒙一樣，異騰（Ascend）是華為山海經軍團重要成員之一。不同的是，鴻蒙蓋頭只是輕揭一角，異騰已是華為AI全棧戰略中的重要角色。

去年10月，在華為的全聯接大會上，華為輪值董事長徐直軍發布兩款AI芯片異騰310和910。當時，采用7nm工藝制程的異騰910最受外界關注，原因在于它的計算密度目前最大計算力遠超全球AI芯片巨頭谷歌和英偉達。

華為在8月23日發布了異騰910芯片及配套的MindSpore訓練框架，并借此招徠更多開發者。這意味著，華為打算將AI生態做大做強。

鴻蒙的關鍵能力是自主操作系統，異騰之于華為，戰略意義在于算力。在人工智能領域，數據是計算對象，算法決定計算上限，算力決定計算效率。全球各大科技巨頭在算法上均有部署，差距不大，算力是巨頭們爭搶的下一個高地，畢竟，要讓更多開發者和使用者加入自己的生態，便宜高效的算力是決定性因素。

這是一個算力決定競爭力的時代。當人工智能能力逐步成為下一個時代的通用能力時，計算力就是生產力。以手機為例，消費者手中的華為Mafe20手機，今天可以輕松實現人臉識別、物體識別、物體檢測、圖像分割、智能翻譯等AI功能。背后依仗的是手機算力的大幅提升。

芯片性能的快速迭代，是算力快速進步的基礎。今天，一部智能手機的計算力，已經比美國航空航天局1969年登月計劃中最先進計算機還高出幾百萬倍。

手機端的芯片算力幾年間已經發展到如此驚人，用于云端的AI芯片需要處理自動駕駛等復雜場景的海量數據，又需要多強大的算力呢？第三方數據分析機構OpenAI近期數據顯示，2012年以來，人們對算力的需求增長六年超過30萬倍，平均每年增長10倍，遠超摩爾定律的發展速度。

從技術發展角度來看，這是因為，深度學習神經網絡需要對張量（可以簡化理解為矩陣）進行大規模并行計算，顛覆了傳統的浮點計算，對算力的需求正在出現指數級的爆炸式增長。例如，原來1個時鐘單元只能進行1次浮點計算，現在可以通過新的算子同時對N*N的矩陣計算，如果N=10，那就是同時計算了100次，計算次數較原來增長了100倍，新算子帶來了對新芯片更強大算力訴求。

算力需求在增加，沒有人可以忽略這個趨勢。

把專用NPU AI芯片放進手機

人工智能改變一切，這已是不爭的事實。人工智能三要素（數據、算法和算力）中，算力最不起眼，但最考驗硬件能力。中國在數據方面具備優勢，算法與算力環節仍在追趕和發展過程中，芯片與硬件的發展水平決定算力能力。

也正因此，算法科學家、工程師和應用廠商面臨著AI算力稀缺和昂貴問題，大大抬高了算法研究和創新門檻，阻礙了人工智能的普及應用。

過去三年，中國科技巨頭和AI獨角獸著力提升算法能力，此后，算力的提升開始被視為下一個競爭高點。承載算力的AI芯片在金錢、時間和人力各方面的研發成本高昂，但各廠商都開始打造各自的芯片體系。

不過，AI芯片設計復雜，門檻更高，多數廠商目前的AI芯片產品多為聚焦于某一應用或某一場景的特定芯片，華為的布局有所不同。

智能手機是華為的核心業務，華為首先將AI芯片放進了手機。

在一部小小的智能手機里，無論是AI基礎功能還是場景化AI服務，都需要手機完成復雜深度學習算法模型運算，計算密集復雜，計算需求巨大，挑戰實時性。

智能手機體積小，使用頻率高，運行環境受限，功耗、內存、存儲空間的挑戰也大，強大的算力可以保證更好的運行環境和使用體驗。

從2017年開始，蘋果、華為在內的手機廠商開始發力攻破這個問題。

2017年9月，華為發布全球首款移動端AI芯片麒麟970，一個月后發布了搭載麒麟970的旗艦手機Mate10。麒麟970是全球首款內置了獨立神經網絡處理單元（即NPU）的人工智能芯片。

華為第一個將NPU引入手機芯片，此后，蘋果、三星等全球主流智能手機廠商先后推出。短短兩年，AI能力成為主流智能手機的標準配置。

麒麟970芯片可以用更少的能耗更快地完成AI計算任務。它內置的NPU性能大幅優于CPU、GPU和DSP這些通用計算單元，同時相比CPU又有約50倍能效和25倍性能優勢。

NPU加持的好處是，不少手機功能會從“好看”變得更加“好用”。以智能語音功能為例，此前，語音功能在智能手機上并不鮮見，也算標配，但普遍不好用，原因在于，當時智能手機本身算力有限，不少計算需要在云端完成。加入了NPU，本地計算能力大大提升，AI會對當前語境和內容進行細致地分析，從而實現高準確率的識別體驗，將語音識別的成功率提升到更高的級別。

從用戶端的體驗來看，這令語音助手變得更加可靠實用，越來越多消費者開始將傳統的手動輸入習慣改成了和智能手機語音互動。

另一個例子是手機拍照。AI的出現同樣為喜歡手機攝影的人們帶來新的改變。麒麟970搭載雙通道ISP圖像信號處理器，在動態影像捕捉和低光拍照上有很大的提升。雙攝鏡頭+雙ISP軟硬件優化、再配合人工智能的計算機視覺分析，便能自動分析畫面內的物體，并選擇當前最佳的拍照模式，甚至可以進行物體追蹤對焦和預測用戶拍照時機。這是此前的手機相機無法實現的功能。

麒麟970的推出，成為傳統智能手機和未來AI手機的重要分水嶺，AI手機的發展也從單純的算法優化進入了硬件能力的真人工智能比拼階段。

2018年8月，華為又發布了全球首款7nm（納米）人工智能手機芯片——麒麟980。

1納米等于1毫微米（即十億分2_--米），約為10個原子的長度。一根頭發絲直徑約為0.1毫米，而7nm相當于頭發絲的萬分之一。

7nm相當于70個原子直徑，逼近了硅基半導體工藝的物理極限。也就是說，在不到1平方厘米的麒麟980芯片內部，分布著高達69億個晶體管，可謂是“針尖上起舞”。華為消費者業務CEO余承東當時透露，麒麟980的7nm工藝是由超過1000多名半導體工程師組成的團隊歷時三年時間、經歷超過5000多次的工程驗證精心打磨的成果。

AI算力方面，麒麟980全面升級。以圖像識別速度為例，麒麟970可達到每分鐘約2005張，而麒麟980在移動端雙NPU強大算力加持下，實現每分鐘圖像識別4500張，識別速度相比上一代提升120%。此外，還有人臉識別、語音助手、Al拍照及各類智能美拍P圖等APP在手機上的全面升級。

到了2019年，華為推出麒麟810芯片，這是華為第二款7nm工藝的手機芯片，也是華為首款自研達芬奇架構NPU的手機芯片。

至此，華為完成第一輪在手機端的AI芯片布局。

“達芬奇”構建端邊云算力大爆發基礎

如果說華為在芯片上的持續投入屬“居安思?！?，顯示遠見與決心，那么，華為在人工智能領域的野心則更為宏大，這一次，華為不僅要覆蓋云、邊、端各種場景，還要形成從應用使能到系統到芯片的閉環。

去年10月，華為在其全聯接大會上首次提出全棧全場景AI解決方案，徐直軍解釋稱，全場景，是指包括公有云、私有云、各種邊緣計算、物聯網行業終端以及消費類終端等部署環境。全棧是技術功能視角，是指包括芯片、芯片使能、訓練和推理框架和應用使能在內的全堆棧方案。

其中，全棧AI的基礎，是一系列基于統一的達芬奇架構的AI芯片——從IoT到終端（如麒麟芯片的NPU）、到邊緣側再到云。

達芬奇架構針對AI運算特征設計，以高性能3D Cube計算引擎為基礎，提升算力和能效。出發點是云、邊緣、端獨立的和協同的AI實際需求，從極致低功耗，到極致大算力的AI場景，為云、邊、端之間的算法協同、遷移、部署、升級和運維，提供了統一架構底層核心支撐，大大降低了人工智能算法開發和迭代的門檻，降低企業人工智能部署和商用成本。

目前，異騰（Ascend）芯片家族中的異騰310已經落地商用。

基于異騰310，華為陸續發布了包括Atlas200、Atlas300、Atlas500、Atlas800等產品，已被廣泛應用于安防、金融、醫療、交通、電力、汽車等行業，涉及攝像機、無人機、機器人、智能小站、MDC（Mobile Data Center）等產品形態。

華為還上線了基于異騰310的AI云服務，華為云圖像分析類服務、OCR服務、視頻智能分析服務等超過50款API已經基于異騰310，日均調用量超過1億次。大量企業客戶正在借助異騰310芯片自己開發算法服務。

異騰310產品矩陣的成熟，令外界對異騰910的期待更盛。

去年10月，徐直軍說，異騰910是計算密度最大的單芯片，最大功耗為350W，半精度為（FPl6）256 Tera FLOPS，比英偉達V100的125 Tera FLOPS還要高出近1倍。若集齊1024個異騰910，將會出現迄今為止全球最大的AI計算集群，性能也將達到256個P，不管多復雜的模型都能輕松訓練。

簡單說，異騰910是業界算力最高的AI處理器，相同功耗情況下，它的算力是業界芯片的2倍，最強CPU的50倍。

昇騰910和MindSpore的推出，標志著華為已完成全棧全場景AI解決方案的構建，AI戰略的實行進入新階段。

算力之外的全棧AI

異騰之外，華為提出的全棧AI，還包括支持端、邊、云獨立的和協同的AI訓練框架MindSpore，芯片算子庫和高度自動化算子開發工具CANN，提供全流程服務（ModeIArts）、分層API和預集成方案的應用使能。

2019年已經落地實現商用的，除了異騰310，還有其面向用戶和開發者的門戶——華為云ModelArts。

作為一站式AI開發平臺，ModelArts可以為開發者提供海量數據預處理及半自動化標注、大規模分布式訓練、自動化模型生成及端-邊-云模型按需部署能力，幫助用戶快速創建和部署模型，管理全周期AI工作流。

2019年5月，在斯坦福大學DAWN-Bench榜單，華為云ModelArls獲得圖像識別訓練第一，ImageNet-1k數據集上用128塊V100 GPU訓陳ResNet-50模型僅需要2分43秒。

2017年10月，斯坦福DAWN的訓練時間是13天10小時41分鐘。斯坦福大學DAWNBench榜單幾乎聚集了國內外領先AI廠商，一位華為技術人士認為，ModelArts如果由異騰910加持，很有可能進一步刷新世界紀錄。若再采用1024個異騰910的全球最大AI計算集群，可能還有更大的驚喜。

此時距離華為去年10月發布AI全棧戰略已經過去將近一年。從端側到邊緣側再到云側，從底層硬件到深度學習框架再到上層應用使能，華為的全棧全場景AI戰略正在逐步落地。

一年前的那次大會上，當時徐直軍稱，華為當下的任務是探索一套能夠快速落地的AI戰略實施路徑，其中生態從無到有到興盛，又是重中之重。新的故事，正在開講。