高交會是是一個開拓視野的好機會，本次高交會好不容易遇上資深的AI產品總監—來自一家國內做AI圖像領域的獨角獸某廠商，深入交流了一番。筆者對這番內容進行了梳理，才有了這篇文章
這家廠商，是國內做AI安防整體方案的獨角獸的公司，關於他家的業務如下：
業內人士，能否猜到是哪家公司？好不容易跟這家公司的產品總監張總深入交流一番。筆者對交流內容進行了梳理，才有了這篇文章。所以文章以交流的形式呈現，中間會穿插著介紹一些基礎的AI的知識，介紹知識部分以黑色斜體字體呈現。
因為考慮到關注咋們公眾號的讀者以風控板塊偏多，讀者的背景大都以風控策略、模型、政策偏多些， 也有個別偏開發類的。雖然風控模型類的某些算法能稱得機器學習算法，但是跟目前真正所提的AI相比，還是覺得相去甚遠。
在整個風控模塊中，模型是最能跟AI貼上關係的。在風控模型中，xgb算法算得上機器學習中，最能跟AI貼近的了。原自豪以為征服了的xgb就像征服了一座高山的你，等到真正接觸到人工智能領域中強大的神經網絡時，會發現真正廣闊的世界還在後面的山頭。
鑑於以上推論，對於AI類的內容相信大部分讀者都為小白級別，所以本文仍以簡單科普類為主。後續根據各位讀者的反饋，如大家有興趣，繼續深入更新這一模塊的內容。最後當然也歡迎AI大佬的圍觀後，給予拍磚指點。
另外在書寫本文中，也查閱了一些資料跟內容，在AI方面實在不敢成為專家，寫得不對的地方不吝賜教。關於此次這家AI公司整體建模的流程框架，相關的資料跟圖片會有部分留在公眾號，另一部分會獨享到知識星球平臺，歡迎各位交流切磋。
交流一：目前他們家的產品能夠負載多少種算法？
張總表示：他們公司的芯片能同時處理五十種左右的算法，比如RNN和CNN等一類的算法。
交流二：目前公司的產品所用到的芯片是你們自己研發的嗎？
張總表示：芯片是自己設計研發的，並且公司戰略是將芯片免費提供給用戶使用，他們是做智能雲服務商的。目前芯片是採用業界領先的22nm工藝，工藝的性能、功耗、面積經過仿真、分析、比對，對比業界主流的28nm工藝，都具有一定優勢，性能提升約10%，功耗降低約15%，面積減小15%-20%。
交流三：深度學習為什麼能這麼熱火？
張總表示：深度學習，在七八十年代已經有了，現在的總體的技術跟那個時候其實沒有很大的差別，不同的是因為數據豐富了，使得模型訓練有了較好的載體。
交流四：目前的產品的計算能力如何，浮點的計算能介紹一下嗎？
張總表示：視覺AI芯片具有2Tops/W的高能量效率。與Nvidia開源的nvDLA相比，相同運算力下，在很小的內存帶寬下，算法模型效率可以提高18倍。與麒麟970相比，相同運算力下，比970的性能提高4.4倍。
這裡之所以提到浮點計算，是因為浮點計算是AI的關鍵所在。首先有必要解釋一下，什麼是浮點計算。通俗來說，就是一種可以通用表示所有數字的科學計數法。它的表示形式為0.*****×10^***，其中小數點前面是定點小數，後面則是一個定點整數（10的N次方）。比如傳統的1024整數，浮點數就表示成0.1024×10^4。不難發現，浮點數可以表示出任意一個整數和小數，並且比普通格式的計數方式數位更長，因此計算難度和精度也更高。而利用浮點數進行的運算就是浮點運算。浮點運算到底有多重要呢？這麼說吧，目前所有的計算機處理器都採用的是浮點運算，所以AI芯片也是以浮點運算能力為基礎展開的。
交流四：目前他們家的模型的數據樣本來源？
張總表示：目前的數據都是自己內部的大量數據，都是採用人工標註的形式進行的。
這裡提到的剛才說到了標註的問題，那現在標註是一項什麼樣的工作？需要什麼技能？數據標註的問題。其實是一個很基礎的問題，沒有太大的難度。有些標註有工程師的，是需要使用某些軟件，所以這部分崗位對應著title稍高些的數據標註工程師。
交流五: 目前，各種AI算法的內容，都會用用上CPU，GPU等內容，這些相關的內容，具體在什麼場景下，用到什麼X-PU,用什麼芯片?
張總表示：目前隨著AI概念火爆全球，做AI芯片的公司也層出不窮。為了讓市場和觀眾能記住自家的產品，各家在芯片命名方面都下了點功夫，既要獨特，又要和公司產品契合，還要朗朗上口，也要容易讓人記住。比較有意思的是，很多家都採用了“xPU”的命名方式。目前在關於各種X-PU上，不同的場景用特定的芯片，這個也是必然的趨勢。
AI芯片，百家爭鳴，機遇伴隨挑戰，今天你爭我奪，明天就可能併購。隨著這些“xPU”的不斷推陳出新，26個字母使用殆盡。據我知道現在就各種XPU的，基本在網絡上基本從A-Z字母為開頭的X-PU都已經被涵蓋了：APU/BPU/CPU/DPU/EPU/FPU/GPU等處理器
交流六：目前在不同的場景下，用到什麼樣不同的算法？
張總表示：語言識別上，用的是基於時間序列的RNN的算法；而圖像數據上，更多的是三維的數據，所以用CNN算法居多.
1.RNN
RNN是循環神經網絡，因為很多相關的數據是基於時間的維度數據發生的推演，數據之間有特別重要的先後順序，所以循環神經網絡就是來解決這樣的問題的：
2.CNN
卷積神經網絡,卷積神經網絡是解決圖像數據，長寬高等方面的數據而採取的算法，具體會將某個圖像中的細分成非常多的圖片塊，然後再對每個塊分成長寬高進行描述，其中高是代表著圖表中顏色（RGB）。人們在發現CNN在卷積的時候，每一次都會丟失一部分信息，所以為了解決這個方法就引進來了pooling的方法。
交流七：.問深度學習方面，目前制約深度學習的瓶頸的發展的是什麼？
張總表示：目前很多公司的算法工程是是更多的怎麼去調參,其實綜觀AI的發展史可知，
底部算法是才是制約AI發展的一個核心的關鍵。
另一個關鍵是目前深度學習，在商用落地方面還必須重要考慮的是功效的問題，只有功效的問題解決了，才能有更好的落地。
未來肯定是某個場景用特定的芯片，然後用級聯的方式做集成。並且不同的級聯方式，應用不同的模塊。所以未來，在一個集成方面，還必須考慮一個集成如果解決芯片中，芯片的連接的問題。
最後是是關於AI，對正常的問題處理起來都沒有大問題，現在的問題比較大的是對極端情況下，怎麼做算法跟常用的應用。比如對於光線比較暗的地方，怎麼去訓練模型？在自己訓練的模型中去擬合數據跑一個demo都是非常簡單的，但是真正難的是，怎麼將他商業化落地。
所以未來整個AI的發展也會是算法、功效交替迭代的過程。
最後給各位讀者提供下開發模型的大概流程，關於此部分有些內容已經上傳至知識星球，歡迎圍觀：
閱讀更多 番茄風控大數據 的文章
