边缘计算的人工智能芯片大放异彩

我们预测，2020年边缘人工智能芯片—执行或加速设备内，而非远程数据中心的机器学习任务的芯片或芯片部件——销量将超过7.5亿片，创造26亿美元的收入。这一数据是德勤2017年预测3亿片边缘人工智能芯片销量的两倍以上，三年复合年均增长率高达36%。此外，我们还预测边缘人工智能芯片市场将继续加速发展，增长速度将超过芯片市场整体平均水平。至2024年，边缘人工智能芯片销量预计将超过——甚至可能远远超过——15亿片，年销量增长率将达到至少20%，是半导体行业整体长期预测9%的复合年均增长率的两倍以上。

这些边缘人工智能芯片很大可能将流向数量日益增长的消费级设备，如高端智能手机、平板电脑、智能音箱及可穿戴设备等，同时亦将应用于多个企业市场——机器人、摄像头、传感器及其他物联网设备。两者均是十分重要的市场。消费级边缘人工智能芯片市场规模远大于企业市场，但其增长速度可能相对较慢，2020至2024年的复合年均增长率预计将为18%。

企业级边缘人工智能芯片市场发展时间虽然较短，直到2017年才出现首个商用企业级边缘人工智能芯片，但增长速度更快，同一时段的复合年均增长率预测将高达50%。

至2024年，边缘人工智能芯片销量预计将超过15亿片，甚至可能远远超过这一数据，年销量增长率将达到至少20%，是半导体行业整体长期预测9%的复合年均增长率的两倍以上。

一、无所不在：人工智能计算的广泛覆盖

直至最近，人工智能计算几乎都只能通过数据中心、企业核心设备或电信边缘处理器远程完成，而非设备本身。原因在于，人工智能计算极度占用处理器资源，需要成百上千个不同类型的（传统）芯片来执行运算。而硬件的体积、成本及耗用功率决定了人工智能计算阵列不可能被放置于任何比手提箱还小的容器中。

如今，边缘人工智能芯片彻底改变了这种局面。边缘人工智能芯片体积更小，成本更低，耗用功率更少，产生的热量更少，能够集成于智能手机等手持设备以及机器人等非消费级设备，使这些设备自身能够执行处理器密集型人工智能计算，从而减少或消除了将大量数据发送至远程位置的需要，极大提升了设备的可用性和速度，以及数据的安全性和保密性。

当然，并非所有的人工智能计算都必须通过设备完成。对部分应用程序而言，将数据发送至远程人工智能计算阵列进行处理可能合乎需要，甚至是更优选择——比如当数据量远远超出设备边缘人工智能芯片的处理能力的时候。实际上，大多数时候人工智能计算均将采用混合方式：一部分由设备自身执行，另一部分通过云完成。任何情况下的优先组合方式均将取决于需要完成的人工智能计算类型。

在这里解释一下“电信边缘”的含义。电信边缘计算——图2所描述的“远边缘网络”——指由微型数据中心执行的计算，这些微型数据中心位置尽可能与客户相近，位于电信公司的土地上，由电信公司所有和运营。它们目前采用与数据中心相似的人工智能芯片（体积大、成本高、功耗大），但随着时间的推移可能会开始装备本章所讨论的部分同类型边缘人工智能芯片（消费级或企业级）。但是与边缘设备计算不同，电信边缘计算所使用的芯片位于电信公司网络而非实际终端设备的边缘。此外，并非所有电信边缘计算都属于人工智能智能计算。

据行业分析，2020年电信边缘计算市场（包括人工智能的所有类型计算）的收入将达到210亿美元，相比2019年的增长率将超过100%，同时2021年该市场预计还将以超过50%的增速继续增长。这一市场各类别的精确细分并未向公众公开，但分析认为，2020年其人工智能部分预计依然处于刚刚起步的阶段，收入规模不会超过10亿美元，在电信边缘计算支出总额中的占比亦不会超过5%。

二、消费级边缘人工智能、价格亦可亲民
2020年，无论在销售数量和销售额方面，消费级设备市场均将占整个边缘人工智能芯片市场超过九成的份额。这些边缘人工智能芯片绝大部分将流向高端智能手机，当前在用的所有消费级边缘人工智能芯片中超过70%均用于智能手机。这意味着在2020年及未来数年，人工智能芯片的发展将主要由智能手机推动——智能手机的销量以及采用边缘人工智能芯片的比例均会影响人工智能芯片的增长。销量方面的趋势较为乐观。在经历了2019年的低迷增长后（销量同比下降了2.5%），2020年智能手机销量有望达到15.6亿部，与2018年销量基本持平，增长2.8%。我们认为，2020年智能手机市场将有超过三分之一的手机配备边缘人工智能芯片。

采用边缘人工智能芯片的设备并非只有智能手机，其他设备如平板电脑、可穿戴设备及智能音箱等亦将配备这种芯片（图3）。短期内，这些非智能手机设备对边缘人工智能芯片销量的影响远不及智能手机，原因是设备的市场没有增长（如平板电脑），或是市场规模过小，难以产生实质性影响（如2020年智能音箱和可穿戴设备的整体销量预计仅达到1.25亿台）。然而，许多可穿戴设备和智能音箱均依赖边缘人工智能芯片，因此其渗透率已经是较高水平。

边缘人工智能芯片绝大部分将流向高端智能手机，当前在用的所有消费级边缘人工智能芯片中超过70%均用于智能手机。

三、智能手机边缘人工智能芯片的经济分析

目前，仅价格最高的智能手机——即价格分布中排名前三分之一的手机——才可能配备边缘人工智能芯片。尽管如此，部分价格低于1,000美元的手机亦配备了人工智能。一些由中国企业制造、配备人工智能的手机，如小米9等，在西方国家的售价甚至低于500美元。此外，如下文所述，智能手机配备人工智能芯片并不意味着其价格会令消费者望而却步。

智能手机边缘人工智能芯片的成本计算虽然是一个间接的过程，但也可能得出较为可靠的预测。不能直接计算成本原因在于，智能手机的“人工智能芯片”并不仅仅只是将一片单独的芯片安装在手机里。如今的智能手机，厚度仅有七八毫米，内部并没有空间放置多个独立的芯片。许多各类不同的必备功能（处理、图形、内存、联网及现在的人工智能）均集成在同一被称为系统级芯片应用程序处理器的硅芯片膜上。“人工智能芯片”（若手机配备）指整片硅芯片膜中用于执行或加速机器学习计算的部分，其制造材料与芯片的其他部分完全相同，亦采用相同的制造工序和工具。

它由数以亿计的标准晶体管组成，但与芯片的常规处理或图形部分的排列方式不同，即具有不同的架构。该人工智能部分通常（并未总是）被称为神经处理单元。

四、边缘人工智能芯片在中国

中国5G商用推进，人工智能应用场景较为丰富且受政府支持，前期优秀的人工智能厂商及初创公司发展至一定规模，加速了产业链的成熟并催生了更多机会，人工智能边缘计算将会是未来最重要的市场之一。国内的人工智能公司正研发推出边缘计算芯片，并与韩国等芯片制造强国的公司合作，提高高性能芯片的制造能力。相较于云计算，边缘计算高效、安全的边缘侧数据处理能力吸引越来越多的老牌芯片企业、科技巨头和初创企业成为市场参与者。

目前在中国，边缘计算芯片最主要的市场仍为智慧安防领域，且落地应用布局较为成熟。未来，随着技术进步及5G的全面铺开，无人驾驶、智慧家居、智能交通、智能制造等领域可能迎来更大的增长空间。但边缘计算芯片市场仍面临挑战，终端设备的电池容量有限，要求AI芯片的能效较低需具备更卓越的算力性能，才能更好的服务端的人工智能计算需求。而中国的基础芯片制造存在短板，在制造和封装、高速接口和集成电路IP核方面还需要技术积累和时间沉淀。

迄今为止，三星、Apple及华为三家公司已制作了其手机处理器的图像，用于展示其硅芯片膜的所有功能，使分析人员能够清楚看到芯片上用于不同功能的部分。如三星的Exynos9820芯片照片便显示，整个芯片内约5%的区域被用于人工智能处理器。三星整个系统级芯片应用程序处理器的成本预估为70.50美元，是整个手机中成本第二高的部件（仅次于显示屏），占设备材料总成本17%。假设人工智能部分的成本与芯片上的其他部件相同，Exynos芯片的边缘人工智能神经网络处理器约占芯片总成本的5%，单片成本约为3.50美元。

同样，Apple公司的A12仿生芯片将约7%的区域用于机器学习。整个芯片的成本预估为72美元，因此其边缘人工智能部分的成本为5.10美元。华为麒麟970芯片成本预估为52.50美元，其用于神经网络处理器的部分占2.1%，因而成本则为1.10美元。（芯片膜区域并非衡量芯片总成本中人工智能成本占比的唯一方法，但据华为所称，麒麟970的神经网络处理器含有1.5亿个晶体管，占整个芯片全部55亿个晶体管的2.7%。如此计算，其神经网络处理器的成本稍高，为1.42美元。）

虽然成本区间差异较大，但我们亦可合理地将神经网络处理器的平均成本假定为每片芯片3.50美元。尽管价格较低，这一数据乘以5亿部智能手机的销量（还未算上平板电脑、音箱及可穿戴设备），便是一个规模巨大的市场。更重要的，面对3.50美元的平均制造成本——最低甚至仅为1美元，是否在智能手机处理芯片中增加专用的边缘人工智能神经网络处理器便成为一个无需考虑的问题。假设价格会上涨，制造成本增加1美元，但转至终端客户后的价格也仅增加不过2美元。这意味着即使是价格低至250美元的智能手机，亦可配备神经网络处理器及其附带的功能——更优化的摄像头、离线语音助理等，而价格仅会上涨不到1%。

智能手机及其他设备制造商可采用不同方法获取边缘人工智能芯片，其决定主要受到手机机型和地域（有时候）等因素的影响。部分制造商从专门制造和销售应用程序处理器/调制解调器但不制造手机的第三方公司购买应用程序处理器/调制解调器。高通和联发科便是两个著名的例子——2018年，这两家公司在智能手机系统级芯片市场中的份额共达到了约60%。高通和联发科均提供一系列价格不一的系统级芯片；虽然并非所有芯片均含有边缘人工智能芯片，其高端产品通常都有配备，包括高通的骁龙845和855，以及联发科的Helio P60。

另一方面，Apple公司却并不使用外部应用程序处理器芯片，而是使用自己设计的系统级芯片处理器，如A11、A12和A13仿生芯片，这些处理器均配备了边缘人工智能。三星、华为等其他设备制造商则采用了混合策略，从外购市场硅芯片供应商采购系统级芯片的同时使用自身设计制造的芯片（如三星的Exynos 9820、华为的麒麟970/980）。

五、边缘人工智能芯片能做什么？

也许把问题改成“有什么是边缘人工智能芯片做不到的？”会更贴切。如今，机器学习使各种技术能力成为现实，包括但不限于生物测定测定、面部检测与识别、增强及虚拟现实相关的各类技术、趣图过滤、语音识别、语言翻译、语音协助……以及照片、照片、照片！从隐去皱纹到添加3D特效到实现超弱光摄影，边缘人工智能硬件和软件——而非镜头或感光元件的像素大小——已成为高端智能手机摄像头实现差异化竞争的决定性因素。

虽然所有这些功能亦可通过未配备边缘人工智能芯片的处理器甚至云技术实现，利用边缘人工智能芯片执行这些功能能够显著提升效率和速度，并减少功耗（从而提升电池寿命）。在设备内执行这些处理过程亦能够保障隐私性和安全性——个人信息不离开手机便无法被拦截或滥用。同时配备边缘人工智能芯片的手机，即使在未连接网络的情况下亦能够实现所有这些功能。

六、企业级边缘人工智能、机遇诞生的沃土

如果智能手机和其他设备使用的边缘人工智能处理器如此强大，为何不将他们用于企业级应用程序呢？事实上，这早已出现在一些用例之中，如某些自动飞行无人机。配备智能手机系统级芯片应用程序处理器的无人机，能够实时完全在设备内部执行导航避障功能，而无需连接至任何网络。

然而，针对智能手机或平板电脑进行优化的芯片并非许多企业级或工业级应用程序的最佳选择。这种情况与芯片制造商在上世纪80年代面临的中央处理器状况类似。当时的中央处理器具有强大的计算能力和高度的灵活性，性能出色，是个人电脑这一多用途工具的绝佳选择。

但是，将同样的中央处理器用于诸如自动调温器等设备中，只为增加一点点智能，却根本毫无意义。那时，中央处理器体积太大，无法装入自动调温器狭小的空间中，同时功耗远远高于现在的水平，成本更是达到每个约200美元，对于总成本仅需20美元以下的设备而言太过高昂。为解决这此不足，一个完整的产业应运而生，生产出具备电脑中央处理器部分功能，但体积更小、成本更低、功耗更少的芯片。

且慢。如前所述，智能手机系统级芯片的边缘人工智能部分仅占总芯片区域约5%，在总成本中仅占据3.50美元，同时功耗较整个系统级芯片低约95%。那能否仅制造具备内存等少量其他必要功能的边缘人工智能部分，从而使成本更低、耗电更少且体积更小呢？

一些企业已经这样做了，还有更多企业会参与进来。例如，英特尔和谷歌目前正在向开发者销售内部开发的独立边缘人工智能芯片。英伟达是领先的图形处理器制造商，生产通常用于数据中心人工智能加速的图形处理器——体积大，耗电达数百瓦，成本亦高达数千美元。如今，该公司销售的是定制化人工智能专用芯片（非图形处理器），适用于体积更小、成本更低、功耗更少的边缘设备。高通——领先的智能手机及其他消费级设备外购市场内置边缘人工智能处理核心的系统级芯片制造商——也已发布两款独立的边缘人工智能芯片，性能较其制造的系统级芯片更为强大，但成本更低、体积更小、耗电更少。华为亦是如此。

总体上，共有50家不同公司据称正在研发各种类型的人工智能加速器。除27家从事专用集成电路芯片的企业外，现场可编程门阵列制造商亦提供边缘人工智能芯片版本，用于数据中心以外的领域。2019年市场上的独立边缘人工智能芯片均面向开发者，他们基本是一次购买一片，每片价格约为80美元。购买数量达到数千或数百万片时，设备制造商的采购成本会远低于此——有些低至1美元（甚至更低），有些为数十美元。现在，以智能手机边缘人工智能芯片为例，我们假设平均成本约3.50美元。

上世纪80年代，中央处理器具有强大的计算能力和高度的灵活性，性能出色，是个人电脑这一多用途工具的绝佳选择。

除价格相对较贵外，独立的边缘人工智能处理器具有体积小的优势。部分处理器甚至小到可以装入U盘之中，最大的亦可安装于信用卡大小的主板上。这些处理器功耗相对较低，仅为1-10瓦。相比之下，一个性能十分强大、拥有16个图形处理器和两个中央处理器的数据中心组件成本高达40万美元，重达350磅（约160公斤），功耗达到10,000瓦。

随着这些芯片的应用，边缘人工智能可为企业开创更多新的机遇，尤其在物联网应用程序领域。利用边缘人工智能芯片，企业可极大增强自身能力，能够深入分析（而不仅仅是收集）来自联网设备的数据，并将分析结果转换为行动，同时避免将大量数据发送至云端产生的高昂成本、复杂问题和安全挑战。

七、人工智能芯片能够助力解决的问题包括：

数据安全和隐私。数据的收集、储存和向云端转移会不可避免地使企业面临网络安全和隐私方面的威胁，即使在企业十分重视数据保护的情况下亦是如此。随着时间的推移，这种极为重要的风险愈发需要企业高度重视予以解决。各国政府正不断推出个人身份信息的相关法规，消费者对企业收集的信息亦愈加警惕——有80%的消费者表示并不认为企业正在尽力采取措施保护消费者的隐私。部分设备（如智能音箱）正逐步应用于病人隐私监管更为严格的医院等环境之中。

通过在内部实现大量数据的处理，边缘人工智能芯片可有效减少个人或企业数据被拦截或滥用的风险。例如，具备机器学习处理功能的安全摄像头可进行视频分析，确定具有相关意义的视频片段，并仅将这些片段发送至云端，从而降低隐私风险。机器学习芯片亦能够识别更为广泛的语音指令，从而减少需要在云端进行分析的音频量。准确度更高的语音识别还能带来额外的助益，使智能音箱能够更准确地检测到“唤醒词”，从而避免听取不相关的对话内容。

低联网要求。要将数据发送至云端处理，设备必须联网。而在某些情况下，设备联网并不现实。以无人机为例。基于无人机的运行环境，设备可能会难以保持联网状态，同时联网及将数据上传至云端还会降低电池寿命。在澳大利亚新南威尔士，人们利用内置人工智能的无人机在沙滩上巡逻，以确保游泳者的安全。这些无人机能够识别被卷入激流的游泳者，或在他们受到鲨鱼及鳄鱼攻击前向其发出危险警告——这均在未联网的情况下完成。

（超）大数据。物联网设备能够产生大量的数据。例如，空客A-350喷气式飞机配备了超过6,000个感应器，每飞行一天便能产生2.5太字节的数据。33全球范围内的摄像头每天产生的数据高达2,500拍字节。若将这些数据全部发送至云端进行存储和分析，不仅成本高昂，操作也极为复杂。将机器学习处理器装在端点（感应器抑或摄像头）便能解决这一问题。例如，摄像头可配备视觉处理器——这是一种低功率系统级芯片处理器，专用于对数字图像进行分析或预处理。内置边缘人工智能芯片的设备能够实时分析数据，并仅向云端传输具有相关性的数据作进一步分析，同时忽略其他数据，从而降低存储和带宽成本。

功率限制。低功率机器学习芯片甚至能使电池容量小的设备在不过度消耗功率的情况下执行人工智能计算。例如，ARM芯片正逐渐应用于呼吸器中以进行数据分析，如吸气肺容量和药物进入肺部的流动等。呼吸器自身便能完成这种人工智能分析，并将结果发送至智能手机应用，帮助医疗保健专业人员为哮喘病患者制定定制化的护理方案。除当前可用的低功率边缘人工智能神经网络处理器外，科技公司亦在开发“微型化机器学习”——设备上的深度学习，大小形同微控制器单元（类似于前述的系统级芯片，但体积更小，结构较为简单，功耗更低，仅消耗数毫瓦甚至微瓦电量）。例如，谷歌正在为TensorFlow Lite开发另一版本，以使微控制器能够进行数据分析，将需要发送至芯片外的数据压缩至数个字节。

低延迟要求。无论通过有线还是无线网络，利用远程数据中心执行人工智能计算意味着将会出现至少1-2毫秒的来回延迟，这是最好的情况；最差情况下的延迟可达数十甚至数百毫秒。采用边缘人工智能芯片在设备上执行人工智能计算，可将这种延迟降低至纳秒级——这在要求设备必须瞬时完成数据收集、处理并据此采取行动的应用情境下具有极其重要的意义。例如，自动驾驶汽车必须通过计算机视觉系统收集和处理巨量的数据以识别周围物体，并利用汽车内置的不同感应器控制汽车的各项功能。

自动驾驶汽车必须立即将这些数据转变为不同的决定——如何时转变、刹车或加速——以确保汽车行驶的安全。（今天的自动驾驶汽车采用各种不同的芯片实现这些功能，包括标准的图形处理器以及边缘人工智能芯片。）低延迟对机器人而言亦十分重要，且随着机器人逐渐走出工厂与人类并肩工作，低延迟的重要性会愈加凸显。

八、训练与推理的区别，以及对以数据中心为基础的人工智能的意义

边缘人工智能芯片所实现的人工智能更准确的名称是深度机器学习。它由两个部分构成。第一部分是训练。训练需要重复不断地分析大量历史数据，从这些数据中检测不同的模式，并针对这种类型的模式检测生成算法。第二部分是推理。在推理中，经过训练过程产生的算法（常通过进一步的训练不断更新和调整）被用于分析新的数据，挖掘有价值的结果。

直到最近，机器学习软件的所有训练和推理还使用同一标准的芯片——中央处理器、图形处理器、现场可编程门阵列以及专用集成电路的混合。这些芯片体积大，成本高，功耗大，还会释放大量热量；因此，基于这些芯片打造的硬件均安放在数据中心之中。相比之下，本章所讨论的边缘人工智能芯片主要或只执行推理任务，所采用的算法则通过数据中心的训练产生。虽然一些边缘人工智能芯片亦执行训练任务，但大部分训练仍旧主要在数据中心完成。

有趣的是，虽然过去数据中心芯片同时被用于训练和推理，我们如今看到，数据中心芯片的发展正呈现出不同的特点，部分芯片的优化侧重于训练，而部分则侧重于推理。38这种相对较新的发展将会产生何种影响尚未明确。但一个可能的趋势是，随着边缘人工智能芯片的崛起，当前数据中心训练和推理处理组合将逐步向重训练、轻推理转变。若真如此，这种专用的数据中心芯片尤其有助于提升灵活性，使正在经历训练和推理重心转变的数据中心相应地调整自身硬件组合。

九、小 结

谁将从边缘人工智能芯片市场的增长中受益呢？很明显，这对边缘人工智能芯片的制造企业而言是十分有利的。从几年前的基本为零，到2020年将实现超过25亿美元的新增收入，这些企业未来数年还将取得每年20%的增长，利润水平有望与行业平均水平相当。但是这一数据应置于具体的环境之中。2020年全球半导体行业收入预计为4,250亿美元，39边缘人工智能芯片仅占其中很小的一部分，无法对整个行业的格局产生影响，甚至难以改善制造企业的业绩。

事实上，那些对设备人工智能有需求的人受益更大。边缘人工智能芯片不仅能大幅提升现有设备的能力，亦将催生具备新功能和市场的全新设备。长远来看，后者很可能将推动边缘人工智能芯片产生更具变革性的影响。

部分处理功能（早期主要为推理）从核心转至边缘是否会对人工智能芯片制造企业产生不利影响？我们无法确定。所有人工智能芯片制造企业亦在制造边缘人工智能芯片，因此处理功能从核心向边缘的转变也许只会产生很小的影响，甚至没有影响。同时，人工智能处理需求迅速增长，有可能会推动整个行业的增长：人工智能芯片行业（包括边缘及数据中心领域）预计将从2018年的60亿美元规模增长至2025年超过900亿美元，复合年均增长率达到45%。40潜在的负面因素在于，成本更低、体积更小及功耗更少的边缘人工智能芯片的兴起，可能会迫使数据中心人工智能芯片的定价甚至销量出现下行。这在过去已有发生：在半导体行业历史上，边缘处理芯片的普及频繁导致主机/核心处理硬件价格以仅基于根据摩尔定律的增长预测更快的速度下降。

也有人认为将人工智能处理从核心转至边缘会对云人工智能企业造成损害。这是不太可能的。近期预测显示，2024年云人工智能或“人工智能即服务”市场的收入将从2018年的20亿美元增长至近120亿美元，复合年均增长率达到34%。41若没有边缘人工智能芯片，这一增长也许可能会更加强劲，但仍表明云人工智能的增长速度将近于整体云市场的两倍——至2023年云市场的复合年均增长率预测为18%。

同样，也有人担心如果边缘设备能够直接执行人工智能推理，那么这些设备便不再需要联网了。这也是不太可能发生的。边缘人工智能设备将依然需要与网络核心进行通信——发送数据用于人工智能训练、接收最新人工智能算法进行推理，以及许多其他原因。正因如此，我们预计所有或基本所有边缘智能设备将会具备联网功能。

但是这种联网的性质可能与两三年前的预测有所不同。当时，人工智能推理仅限于大型数据中心，而智能物联网设备必须联网才能获取这些人工智能推理能力——不仅是旧的网络，还有具有超高网速、服务质量保障、高联网密度以及最低延迟的网络。这些特性过去——如今依然——只有5G无线网络才具备。因此，当时人们自然认定所有采用人工智能的物联网设备亦需要——也只能——使用5G。

如今，这种认定不再成立。设备本身能够执行一大部分人工智能处理并不能消除联网的需要，但是这种联网并不一定需要通过5G网络。当然，5G在某些情况下仍是必要的，同时5G市场预计将会迅猛增长，至2025年的复合年均增长率将高达55%，每年增长超过60亿美元。43但由于边缘人工智能芯片的出现，5G物联网领域的市场机会可能会稍稍小于较数年前的预测。

边缘人工智能芯片的普及很可能将推动消费者和企业发生显著改变。对于消费者，边缘人工智能芯片能够实现众多功能——从手机解锁，到与语音助手对话，再到在极端环境下拍摄震撼人心的照片等等——这些功能此前只有连接互联网才能实现。但长期来看，边缘人工智能芯片只有应用于企业之中，使企业能够将自身物联网应用推升至一个全新的高度，才能产生更大的影响。在人工智能芯片的助力下，智能机器能帮助制造、建筑、物流、农业及能源行业企业拓展现有市场，与行业巨头竞争，转变利润分配的格局。收集和解读大量数据、并据此采取行动的能力，对许多正在日益普及的数据密集型应用至关重要：视频监控、虚拟现实、自动飞行无人机和自动驾驶汽车等等。这种未来很大程度上取决于边缘人工智能芯片所能带来的改变：将智能融入设备之中。

本文首发于德勤《2020科技、传媒和电信行业预测》报告。