隨著互聯網以及物聯網技術的普及，人類能夠收集到的數據正在快速增長，甚至有數據顯示，每年數據量的增幅竟高達 50%，因此，人工智能的發展并不乏原料。但在算力方面，此前人工智能的爆發其實離不開 GPU 的廣泛使用，但如今算力的提升速度始終跟不上數據指數增長的速度，算力再度成為制約人工智能發展的瓶頸。

當然，市場上其實也有像谷歌這樣的企業，企圖通過研發 AI 專業芯片來破除算力瓶頸問題，另外更多的企業則利用云技術來解決這個問題。不過，動點科技最近遇到了一家名叫 米文動力的創業公司，其正試圖采用一個更通用的方法解決這個問題，即利用英偉達的 GPU 芯片，為機器人以及低速自動駕駛小車等開發嵌入式超算平臺——“米文大腦”，并提供多種視覺算法和導航避障算法。

據了解，包括 AlphaGo 在內，目前人工智能的實現方式主要為云端 AI，即需要通過網絡將數據傳到云端，在云端計算并進行識別等處理，最后再將結果傳回本地。然而，米文動力 CEO 楊冠文表示，這種方案雖然有較高的效率，且已經實現了很多場景下的 AI 功能，但并不適用于每一個場景。

“因為數據量的指數增長，考慮到寬帶成本、傳輸延遲以及隱私保護等，行業已經不能承受將所有數據無限制地傳回到云端去處理了，于是，邊緣計算隨即應運而生?！睏罟谖谋硎荆麄兯_發的“米文大腦”便是這么一款邊緣計算設備。

當然，說到“米文大腦”，人們很有可能會聯想到傳統 ARM 平臺或者 x86 平臺（包括服務器），關于它們之間的差異化，楊冠文認為 ARM 以及 x86 平臺勢必要被算力更強的嵌入式平臺所取代?！啊孜拇竽X’是專門為深度學習的部署和計算而開發的，這樣的設備將是未來的趨勢。在底層加速手段、加速工具的加持下，即使利用同樣的硬件跑同樣的算法，“米文大腦”也能達到 10 倍于傳統計算設備的效果。

另外，說到邊緣計算，還有一個不得不提的角色，即如今紅得發紫的 AI 芯片。AI 芯片是否會比“米文大腦”這種利用通用 GPU 搭載的設備更加高效呢？AI行業一定會出現除了 GPU 之外的 AI 專用芯片，AI專用芯片面臨最大的問題不是如何實現特定功能，而是如何打造生態，讓大家都來用。

“假設你是一個工程師，今天我給你了兩個方案，一個是英偉達的 GPU，一個是其它廠商的 AI 芯片，你會選擇用誰呢？要知道，想要熟練使用這些芯片，其實都需要學習各自底層的語言與工具鏈，然而，如果你選擇其它廠商的 AI 芯片，花了一年時間學習相關工具的應用，最后學得很精了，但公司卻倒了，不就白學了嗎？這就是生態問題?！睏罟谖恼J為，經過 10 多年的積累，業內已經有了大量的懂 GPU 底層的開發者，GPU 生態已然形成。因此，在楊冠文看來，即使是 Intel、高通這樣的企業，他們的 AI 芯片也很難在短期內挑戰 GPU 的地位。

“大家的目的都一樣，即都是為了解決 AI 算力不足的問題，只是大家采用了各自不同的實現方式，他們采用的是專用芯片方案，專用意味著效率更高、功耗更低、成本更低，這是巨大的優勢，但也可能帶來通用度差、可移植性差等問題；而我們用的是通用的 GPU 芯片，通用型很好，可以跑各種算法，但相對于專用芯片，功耗可能會大一點，成本可能高一些。”

因此，究竟是使用專用的 AI 芯片還是 GPU 驅動的“米文大腦”，其實是如何平衡的問題?！艾F在很難說哪個方案好，哪個方案不好。”不過，楊冠文也強調，如果芯片的通用性不強，會給產品的商業落地造成更大的困難，而這也是米文動力一直堅持使用 GPU 的最重要原因。

關于競爭對手，楊冠文表示他們目前的競爭對手大概有兩類，一類是由傳統工控機（工業控制計算機）為起點的方案商，他們并不一定提供人工智能方案，因為對于客戶來說，只要能夠解決問題就可以了。另一類是攝像頭之類的零部件廠商，他們也可能在攝像頭的基礎上為客戶提供一些導航或者圖像識別等 AI 算法。

另外，硬件與算法都永遠不可能成為企業真正的壁壘，任何人都可以購買英偉達的 GPU，搭建出自己的大腦，并開發出相應的 AI 算法。