“在保证8位整型的精度下，每秒最快能计算181帧（张）图片/视频，并且将人工智能（AI）算法从训练部署到实际应用的过程中，依然不损失算法的精度。”

   从2014年开始，当人工智能计算机视觉芯片作为下一个科技和经济增长点的时候，无论是学院派还是科技寡头都高举着名义运算力这面旗帜（例如：算力10TOPS = 每秒运算10万亿次）来研发AI芯片。AI芯片是否适合使用，名义算力并不是衡量智能视觉处理器的最重要的标准，芯片利用率才是优化指标。

   芯片利用率具体体现在哪里？

   人工智能计算机视觉芯片性能利用率衡量标准就是：在运算图片的时候，既要保证图片的精（准），又要保证运算的速度（快），是否又“快”又“准”。以基于人脸识别的AI技术做的智能门锁应用场景为例，如果识别不准，门锁会把家庭成员拒之门外，或者对陌生人敞开大门；如果识别不快，会让人在门外等很久，体验感变差。

   一颗芯片投片的成本无疑是巨大的。芯片设计好了以后投片生产，就如同一个孩子生出来以后就无法做任何更改一样，“产前” 需要不断的做 “产检” 来尽可能准的知道这个“孩子”（芯片）是否健康，这些 “产检”工作在芯片行业的专业名词叫做仿真验证模型。

   大学离市场太远，企业又想赚快钱，这其实就是创新型企业的一个“痛点”，不愿意搞基础研究，不愿意忍受基础研究的长期寂寞，不愿意等待艰难漫长的投资回报，就不能在底层技术上实现真正的创新。

   攻破了这些技术难点，到底能干什么？

   比如在智能安防领域，建设城市视频监控系统是实现城市安全和稳定的重要基础，是“平安城市”建设的重要组成部分，更成为“智慧城市”的重要载体。传统的安防监控只能达到“看得见”的功能，而肇观的芯片应用到智能安防领域，能够让摄像头“看得清”“看得懂”，极大提高识别效率，把大量重复简单的工作留给机器去解决。

   比如在辅助驾驶领域，车舱内置摄像头可以监测司机是否在驾驶过程中出现说话、打电话、打瞌睡等情况，不仅能提醒司机，也可以直接联动到公安机关，提示交通事故风险。外置摄像头可以识别马路上的行人、标线、红绿灯，需要非常及时准确的提示或直接帮助司机避障或制动，否则，慢了一秒，都会提升交通事故发生的概率。这就回到了前面提到的，“快”是考核计算机视觉AI芯片性能的关键指标。

   在无人零售领域，传统的自动售卖货柜使用的是重力传感器，对应的价格是根据每一件商品的重量来事先预设的。当顾客取走某一件商品的时候，系统会根据减少的重量，核算出相应的价格，再进行扣款。然而，从技术上，重力传感器需要经常校准；从成本上，重力货柜成本高昂。换一种技术，安装了计算机视觉AI芯片的摄像头，可以通过对商品外形的识别来扣款，成本大大降低，但是对识别精准度提出了更高的要求，如果物体识别算法在实际运行中有1%的精度下降，货损率和运营成本就会大幅增加。这就意味着 “准”是考核计算机视觉AI芯片性能的关键指标。