中科创达孙力：不迷信 AI 算法，智能视觉如何转型升级？

作者 | 若名

出品 | AI科技大本营

近日，中科创达副总裁孙力在 Thunder World 2018 嵌入式 AI 人工智能技术大会上发表了主题演讲，主要分享了以下三方面内容：

视觉的传统技术和挑战

嵌入式视觉+AI=智能视觉
智能视觉赋能行业的智能化升级转型

视觉的传统技术和挑战

以手机相机为例，孙力讲述了其视觉系统的复杂性。无论是底层驱动、核心算法的曝光、对焦，到最后视频处理，相机的系统架构异常复杂。如果要做一个优秀的图像处理系统，面临摄像头模组的光学特性、图象处理的算法、芯片加速、画质调优等各方面的挑战。

另一大麻烦是硬件碎片化，不同的操作系统要对画质做一些复杂的调优流程（实验室和实际生活场景），此外需善用硬件加速，解决功耗和性能问题。

中科创达在画质调优方面的竞争力是调试整个图像的 Pipeline 和 3A ，包括亮度、白平衡、对比度要精准对焦，不断进行调试，做大量画质的调优，以产生最优图像采集。调试过程分成三个阶段：第一，先把基础的软件、驱动做好；第二，实验室 tuning，包含 LSC, AWB, AE, Gamma, 对比度增强, CCM, DPC 等等；第三，真实场景 tuning，与参考设备对比拍摄。

他以汽车 ADAS 芯片为例讲述了要满足高画质要求可能达到的技术趋势，首先是从外置的 ISP，到 Bayer sensor 的转变，目前主流的方案是用外置的 ISP，但在汽车里会经历类似于手机从功能机到智能机的演变。孙力称，在自动驾驶芯片的图像处理部分中科创达已有一定布局。

嵌入式 AI 算法应用的挑战

目前很多算法都基于 2D 技术，但3D 技术会越来越普及。孙力指出，这主要取决于以下四个问题的解决：BOM 的成本，由于规模化的问题，还没有降低到平民化；其次，多种的光学设计，碎片化（ToF、结构光、双目、主动双目等）；嵌入式的 SoC 的 depth map 的运算能力（pc 辅助到嵌入式 ARM based）；多套使用的完整建模问题；RGBD，基于 3D 的人工智能学术进展。中科创达要解决的是图像质量问题，比如宽动态/HDR、降噪，导入 AI 技术来解决图像质量问题。

嵌入式 AI 算法挑战主要在哪儿？孙力给出了三点：计算资源有限，终端处理平台碎片化；另外应用场景和需求多样化，准确率、速度等方面也需要做出取舍。

具体的优化策略是什么？在他看来，最重要的还是要做深度结合的系统化设计。硬件上，在满足功耗、发热等限制条件的前提下，实现 AI 运算加速引擎，其次是 DSP/GPU/NPU 等芯片的加速，同时要与芯片平台进行深度合作。

而软件方面，最核心的是降低算法模型的计算量，这需要设计适合的嵌入式平台的模型架构，裁剪模型，与场景的深度整合和适配优化以及共享深度学习模型中的超参数。

大会现场，中科创达展示了基于骁龙 845 芯片的终端智能分析盒子 AI Kit。

智能视觉赋能行业的智能化升级转型

从智能视觉赋能行业方面，他的感受有三点：第一，客户一定期望有一个整体解决方案，而不只是 AI。在整个过程中要帮客户考虑数据获取、数据隐私、训练、私有云部署、生产管理系统等等。

第二，客户衡量 AI 的价值不是多么高大上，而是根据生产力提升，运行效率优化，及经营业绩能承受的预算能力来进行反推，这和目前昂贵的 AI 投入成本是个矛盾。

第三，行业客户的工作流程，部门职能等还未能围绕先进生产力来进行部署和优化，客户期望一次性投入建设一个人工智能平台，可以一劳永逸否认自我训练，升级和部署，对比于现在需要定制化的算法，未来围绕需要解决的领域问题，少数的人力服务于算法的流程需要被建立。

最后，孙力再次强调，要给客户提供整体解决方案，要从 AI 模型的构建到整个生命周期管理起来，而不仅是提供算法。另外，他表示不能太迷信 AI 算法，有时还要用传统图象处理算法，最终的目的是帮客户解决问题。