戴口罩的这一年，AI产业如何“重启、重塑、重构”？(24)

从2012年开始，深度学习，尤其是机器视觉开始一飞冲天，取得巨大的突破。
过去8年持续的提升，图像识别的精度不断的提升，同时它的计算效率越来越高。和8年前相比，我们今天只要用大约几百分之一的计算量就可以达到8年前做一个图象识别的精度，这是一个巨大的进步。
算法的进化速度甚至超过半导体的摩尔定律。每10到14个月，达到相同精度的计算量可以下降一半。
但很不幸这是以算法设计得越来越巧妙为代价的，而算法设计得巧妙会对计算架构提出巨大的挑战，尤其是传统通用的并行计算架构，比如说GPU架构，会使得整个计算效率相当的低下。
因此，在芯片设计领域，相关的处理器架构变得尤为重要，否则继续沿用通用计算架构会使更先进的算法无法高效运行。
所以地平线提出了一个新指标MAPS，即在精度有保障范围内的平均处理速度（Mean Accuracy-guaranteed Processing Speed），针对应用场景的特点，在精度有保障的前提下，包容所有与算法相关的选择，评估芯片对数据的平均处理速度。希望以此为业界同行提供一个评估芯片AI真实性能的全新视角。
MAPS评测方法，关注真实的用户价值，将每颗芯片在‘快’和‘准’这两个关键维度上的取舍变化直观地展现出来，并在合理的精度范围内，评估芯片的平均处理速度。这个方法具有可视化和可量化的特点。
通过MAPS这个指标，地平线设计芯片和一个通用设计芯片之间的差别，可以看到芯片功耗和他所能带来的性能方面是有巨大优势的。