新兴的硅产业正在开发智能芯片，以在边缘和设备级别实现人工智能。

具有AI功能的芯片将增强功能，例如图像识别自动驾驶汽车和语音激活命令等。

大量芯片的涌入可能为在边缘边缘意外地使用AI铺平道路。

英特尔主导了个人电脑(然后是服务器)的CPU市场。大多数智能手机和平板电脑均采用Arm Limited许可的基于RISC的芯片技术。但是，越来越多的半导体提供商集团准备在边缘加速人工智能(AI)处理。

创新如花在一片硅复兴作为用于逻辑处理芯片AI处理能力燃料投资用于网络边缘应用的需求不断增长。可以在边缘连接的物联网(IoT)设备的多样性使我们不太可能像过去那样由一两个芯片制造商主导这一新领域。

“这些边缘AI芯片很可能会进入越来越多的消费设备，例如高端智能手机，平板电脑，智能扬声器和可穿戴设备，”Deloitte分析师报道。“它们还将用于多个企业市场：一般来说，机器人，照相机，传感器和其他[IoT]设备。”

与传统的以线性方式执行指令的中央处理器(CPU)相比，AI芯片具有并行处理功能以执行更多的计算。

安全和新兴技术中心表示：“他们还以成功实现AI算法但减少晶体管数量的方式，以较低的精度计算数字。”AI芯片存储整个算法的能力可加速内存访问，而在硅片上运行的专用编程语言可有效转换AI代码。

下一代深度学习

深度学习是机器学习的一种类型，曾经只是超级计算机的一部分，如今已向下游转移到可以轻松识别大型数据流中的模式的通用企业系统。本质上，此功能使系统可以基于以前从其他数据中学到的信息，根据新数据做出决策。新一代硅组件将把深度学习带入设备级别。

大多数AI应用程序主要依赖于在昂贵，耗电大的数据中心服务器或位于数据源附近的小型服务器上与传统CPU串联运行的图形处理单元(GPU)。这些实施方案擅长通过分析大型历史数据集来训练算法。

企业和供应商渴望在设备级别运行的独立推理模型中部署这些训练有素的算法。这些模型使设备能够自动对新信息采取行动，而无需远程服务器的干预。对于需要近乎实时地解释声音，图像和其他输入的设备而言，这一点至关重要。例如，在自动驾驶汽车中，他们可以将停车标志与路灯柱或旁观者区别开来，或者在工厂设置中，当制造设备组件似乎未对准或出现故障时，停止生产线。

可以在边缘处理数据的深度学习芯片可能会推动一波应用程序，同时也限制了远程数据处理的数量。例如，摄像机事件记录器已经在与GPU结合使用，这些GPU集成了机器视觉以增强风险检测(例如分心驾驶)的功能，并且可以区分需要立即上传到云服务器或在车辆中使用的数据。

许多边缘设备使用低功率或间歇功率，缺乏散热能力，并且可以不受环境因素(例如温度和移动)的影响而可靠地运行。处理服务器，PC甚至当今的智能手机的指令和图像的芯片无法满足这些要求，并且对于许多边缘AI应用而言通常过于昂贵。

追求空白

GPU是当今AI应用程序的主力军，尤其是在数据中心和云环境中，它们越来越多地被用来“训练” AI算法，这些算法可以开发可在边缘运行的推理模型。这些芯片还在智能手机，汽车和高端家电等高价值设备，或工厂底层机器人系统等复杂的工业产品中找到了自己的位置。

GPU的价格从几十美元到数百美元不等，对于在大众市场，低成本的设备(例如烤面包机)或工业应用(例如在继电器和开关中采用成千上万个微控制器的电网管理系统)而言，GPU在经济上并不可行。 。

新的半导体供应商正在响应对芯片嵌入式AI加速器技术的需求，该技术可以解释数据并对其进行处理，而不会出现与远程服务器通信所固有的延迟和连接性问题。根据2019年Omdia的研究报告“深度学习芯片组”，深度学习芯片组市场预计将从2018年的51亿美元增长到2025年的726亿美元，边缘计算设备将占总市场机会的75%。