无芯可用，谁将是人脸识别的最佳伴侣？

高速增长的人脸识别仍面临无芯可用窘境，其中GPU、ASIC、DSP以及万能芯片FPGA是最为活跃的4大类型；只是互有优劣势的它们，谁终将是人脸识别的最佳伴侣？请看机器人文明给您带来的解读。

在过去的几十年间，人工智能一直在默默地发展，期间出现过数次“指日可待”的破发期，但最终都因为算法不成熟而反复沉沦。直到2013-2014年，随着旷视、商汤（这两家企业同根同源）的横空出世，以人脸识别技术为代表的人工智能瞬间引爆资本市场，随之而来的就是捷报频传的AI应用创新。

发展强劲，牵引AI一路狂奔

据科技部火炬中心发布的《2017年中国独角兽企业发展报告》显示，2017年我国164家独角兽企业中，人工智能企业数量有6家，占比3.66%，独角兽企业数量排名第10位；据报告分析，这6家企业总估值120亿美元，在整个独角兽企业估值中占比1.91%，位居全行业第11位。

图表1：2017年人工智能独角兽企业情况（数据来源：前瞻产业研究院）

在这一波AI浪潮中，人脸识别作为爆发点，是目前成长最为迅速的AI应用，据前瞻产业研究院发布的《人脸识别行业市场前瞻与投资战略规划分析报告》数据显示，2017年全球人脸识别市场规模约为31.8亿美元，预计未来一段时间人脸识别市场规模将保持20%左右的增速，预测到2022年，全球人脸识别市场规模将达75.95亿美元。

本土人脸识别企业也随着这一波浪潮成为了中国“万众创新”的一张名片，商汤、旷视、云从、云天励飞、依图这5家企业，放眼全球，它们的技术水平均处于行业领先地位。

前瞻数据库公布的数据显示，我国人脸识别市场规模近几年年均复合增长率达27%。2016年，我国人脸识别行业市场规模约为17.25亿元；2017年其市场规模已超过20亿元，预计未来5年增速仍将保持年均25%的高度，至2022年达到65亿元以上。

当然，其背后与资本的推助离不开，去年11月，旷视科技(Face++)完成了4.6亿美元的C轮融资，本轮融资一举打破了国际范围内人工智能领域融资记录；而不久后，该记录即被商汤打破，今年4月9日，商汤获得6亿美元C轮融资；紧接着5月31日，再次获得6.2亿美元C+轮融资，从2014年创立至今，商汤科技的融资总额可能已超过17亿美元。

芯片：竟是人脸识别发展的最大绊脚石

神经网络卷积深度学习技术令人脸识别瞬间提升到3D多维算法领域，人类这才终于从算法层面解决了人脸识别不精准、实战难的问题，让人脸识别技术从此走向应用。

不过，问题也随之而来：即便融资号令全球，但没有落地，人脸识别就只能飘在天空，落地才是硬道理。于是行业玩家在继续追逐算法极致的同时，开始了一轮又一轮的产品硬件化。

经过几年的实践检验后发现，当下AI三大要素中影响人脸识别推广应用的关键不是算法、也不是大数据，而是主观认为早已解决的算力问题——运行人脸识别深度学习算法的最佳处理器。

人脸识别运算流程主要有4个：视频采集→特征提取→数据比对→识别。

由于目前没有专门用于人脸识别的处理芯片，只能采用通用芯片代为处理。因深度学习算法对算力资源需求高，一般采取核心处理器，如CPU、ARM芯片进行视频采集，把视频中的人脸图像抠取下来，然后把该人脸图像发送给下一处理单元进行结构化处理。

结构化处理是人脸识别的关键。最初方案是在CPU上做处理，但由于CPU负责逻辑算数的部分并不多，在多任务处理时效率低下，有分析认为，12颗NVIDIA GPU可以提供相当于2000颗CPU的深度学习性能；在图像处理，CPU的先天劣势决定了其在人脸识别应用上被弃用的结局，该结论同样适用于应用于Linux系统的ARM处理器。

图表2：CPU与GPU结构对比（图片来源：NVIDIA）

核心数据处理芯片无法执行人脸识别结构化运算，只能将图像处理的工作交给更合适的专门处理芯片，目前常见的有GPU显示核心、FPGA现场可编程门阵列、ASIC专用集成电路、DSP数字信号处理。

GPU：当下AI的主导者

GPU的优势在于解决浮点运算、数据并行计算问题，在大量数据元素并行程序方面具有极高的计算密度。

GPU的应用现已不再局限于3D图形处理了，而是具备强大计算能力的处理器，其在人工智能、深度学习高速并行运算的优势凸显。

GPU在云计算、AR/VR、AI中的重要性不断被产业界和资本市场验证和认可，其中，全球龙头NVIDIA是GPU领域的绝对领导者，过去几年实现了股票的数倍增长；业绩方面也是处于高速增长态势，在整个2018财年，英伟达营收为97.14亿美元，与2017财年的69.10亿美元相比增长41%；净利润为30.47亿美元，与2017财年的16.66亿美元相比增长83%。

目前全球超级计算机TOP 500上榜的所有超级计算机有96%都使用了配备英伟达GPU的核心加速器，它所占份额为60%。紧随其后的是Xeon Phi，所占份额为21%。

图表3：英伟达近两年股票涨势（数据来源：东方财富网）

无形中，GPU成为了当下人脸识别算力资源的绝对主力，从行业采用情况看，但凡是采用中心集中处理组网架构的人脸识别项目，清一色采用GPU作为人像数据结构化的处理单元，特别是在X86服务器集群中，GPU更是成为唯一选择。

虽然GPU优势凸显，却也存在两个致命硬伤，一是功耗大，需依托X86架构服务器运行，不适用于更为广泛的人脸识别产品方案开发；尤其是人脸识别民用化趋势日渐增强的当下，GPU不适于在小型化项目的采用。二是成本高昂，采用GPU方案，折算单路人脸识别成本在万元以上，相较其他千元级，甚至是百元级的方案，毫无成本优势可言，不利于商业平民化推广。

这两个致命短板，令众人脸识别创业公司不得不寻求新的方案；目前在一些中小型项目中，GPU早已被弃选，如道闸、过道等前景同样广阔的领域。

FPGA：被赋予厚望的替代品

场效可编程逻辑闸阵列FPGA运用硬件语言描述电路，根据所需要的逻辑功能对电路进行快速烧录。一个出厂后的成品FPGA的逻辑块和连接可以按照设计者的需要而改变。

FPGA和GPU内都有大量的计算单元，因此它们的计算能力都很强。不过FPGA的可编程性，让软件与终端应用公司能够提供与其竞争对手不同的解决方案，并且能够灵活地针对自己所用的算法修改电路。其中峰值性能、平均性能与功耗能效比就是决定FPGA与GPU谁能在服务器端占领高地的重要因素。

同样是擅长并行计算的FPGA和GPU，两者性能都较CPU强许多，其中GPU能同时运行成千上万个核心同时跑在GHz的频率上，最新的GPU峰值性能甚至可以达到10TFlops以上。

相对而言，FPGA首先设计资源受到很大的限制，例如GPU如果想多加几个核心只要增加芯片面积就行，但FPGA一旦型号选定了，其逻辑资源上限就确定了。

而且，FPGA里面的逻辑单元是基于SRAM查找表，其性能会比GPU里面的标准逻辑单元差很多。

最后，FPGA的布线资源也受限制，因为有些线必须要绕很远，不像GPU这样走ASIC flow可以随意布线，因此，在峰值性能方面，FPGA要远逊于GPU。

平均性能方面，目前机器学习大多使用SIMD架构，即只需一条指令可以平行处理大量数据，因此用GPU很适合。但是有些应用是MISD，即单一数据需要用许多条指令平行处理，这种情况下用FPGA做一个MISD的架构就会比GPU有优势。对于平均性能，看的就是FPGA加速器架构上的优势是否能弥补运行速度上的劣势。如果FPGA上的架构优化可以带来相比GPU架构两到三个数量级的优势，那么FPGA在平均性能上会好于GPU。

功耗方面，GPU的功耗远大于FPGA的功耗，单一比对中，FPGA无疑是分布式部署人脸识别网络的最佳选择。但如果要比较功耗的同时再比较同等执行效率的功耗，FPGA则没有优势。不过在GPU无法改变的当下，FPGA给予了行业无限的希望，如果FPGA的架构优化能做到很好以致于一块FPGA的平均性能能够接近一块GPU，那么FPGA方案的总功耗远小于GPU，那么FPGA取代GPU将成为人脸图像结构化的不二选择。

FPGA器件的行业集中度同样很高，全球前四大产商均来自美国，分别为：Xilinx（赛灵思）、Altera（阿尔特拉）、Lattice（莱迪思）和Microsemi（美高森美）， 总共占据了98%以上的市场份额。其中第一的Xilinx占49%，第二的Altera占39%，二者合计占比达88%市场份额，形成了双寡头的竞争格局。

ASIC、DSP：小型项目高性价比选配方案

ASIC、DSP都属于串行计算。ASIC芯片的优势是运算能力强、规模量产成本低，但开发周期长、单次流片成本高，主要适用于量大、对运算能力要求较高、开发周期较长的领域，比如大部分消费电子芯片和实验。

DSP内包括有控制单元、运算单元、各种寄存器以及一定数量的存储单元等等，在其外围还可以连接若干存储器，并可以与一定数量的外部设备互相通信，有软、硬件的全面功能，本身就是一个微型计算机。它不仅具有可编程性，而且其实时运行速度可达每秒数以千万条复杂指令程序，远远超过通用微处理器，是数字化电子世界中日益重要的电脑芯片。它的强大数据处理能力和高运行速度，是最值得称道的两大特色。

由于它运算能力很强、速度很快、体积很小，而且采用软件编程具有高度的灵活性，因此为从事各种复杂的应用提供了一条有效途径。当然，与通用微处理器相比，DSP芯片的其他通用功能相对弱些。但到目前为止，DSP 并没能真正提供任何有用的性能或是可以与 GPU 相匹敌的器件，其主要原因就是核数量，导致不少 DSP 被FPGA取代。

图表4：FPGA、ASIC、DSP优缺点比较、应用领域（数据来源：华创证券）

图表5：FPGA  VS  ASIC（数据来源：机器之心）

相较ASIC、DSP来说，FPGA的功耗仍比较大，成本优势也不足以支撑高性价比的人脸识别方案设计，因此，目前针对边缘云计算的最新应用方案，ASIC、DSP的选用性更强。

而当下人脸识别算法基本都得到了充分的大数据训练，算法成熟度已经较高，其应用也不再一味追求极限，对一些准确率不是极度变态的场合，ASIC、DSP成为了首选，比如监控的AI赋能。

其中，又因DSP更具开发周期优势，我们已经看到，ARM+DSP的处理方案已经成为人脸识别超低性价比首选，目前的百元级、千元级人脸识别产品正是基于该方案实现；当然，受限于DSP的大量数据处理性能，可在小型化服务器中同时采用多颗DSP共同组建方案，如一部分资源负责人像分析，另一部分DSP资源用于特征提取。

目前TI和海思的方案采用最为广泛。

TI的达芬奇解决方案中，DM644X系统内嵌DSP，可将人脸检测置于其中便能达到实时处理，适用于DVS解决方案设计，当然，因为该方案系统架构较为复杂，软件设计困难度要相对高些。

而海思的351X系统为ARM+ASIC结构，编码算法运行于ASIC中，其他功能则运行于内嵌的ARM中。这两个方案中，TI的解决方案处理能力最好，但价格也略高；海思则在系统简洁化、开发成本上有优势。

为满足当下人脸识别等人工智能的发展需求，行业也推出了各种针对深度学习芯片，如TPU、NPU、DPU、BPU等。

相比GPU，TPU更加类似于DSP，尽管计算能力略有逊色，可其功耗大大降低，当然，TPU的应用还是要受到CPU的控制；

深鉴科技基于Xilinx可重构特性FPGA芯片开发的DPU属于半定制化的FPGA，作为专用的深度学习处理单元使用；

NPU相比于CPU中采取的存储与计算相分离的冯诺伊曼结构，NPU通过突触权重实现存储和计算一体化，从而大大提高运行效率，其典型代表有国内的寒武纪芯片和IBM的TrueNorth，另外，中星微电子的“星光智能一号”虽说对外号称是NPU，但其实只是DSP，仅支持网络正向运算，无法支持神经网络训练；

BPU主要是用来支撑深度神经网络，比如图像、语音、文字、控制等方面的任务，而不是去做所有的事情，用BPU来实现会比在CPU上用软件实现要高效，一般来说会提高2-3个数量级，然而，BPU一旦生产，不可再编程，且必须在CPU控制下使用。

此外，算法企业也在积极与芯片企业合作，加速推出符合需求的人脸识别芯片产品。

如近日商汤就与中国芯片研发企业Rockchip瑞芯微展开了深度合作，瑞芯微将在旗下芯片平台全线预装商汤人脸识别SDK软件包，首批芯片包括瑞芯微RK3399Pro、RK3399、RK3288三大主力平台。其中RK3399ProAI芯片首次采用了CPU+GPU+NPU硬件结构设计。

而英特尔作为一代芯片巨头，也在发力GPU以期稳固其龙头地位，接连收购了Altera、Mobileye等企业，欲在搭载强大CPU核心的多核异构处理器方面大展宏图，虽然目前该梦想还没有得到很好实现，不过也被认为是未来解决人工智能算力瓶颈的有效方案之一。

小结

目前人脸识别的最佳芯片方案仍是GPU，实际落地的小型项目则可以采用DSP等能耗低的高性价比方案；而FPGA的优势，也让它具备取代GPU的可能，只是受制于专利墙及技术，更多的希望只能寄托于FPGA四大家族发展进度。

当然，人脸识别的应用万万千，场景应用创新也还在持续开发中，概括起来主要有三种场景方案需求。

一是终端一体化集成图像采集、人脸采集、特征提取、数据比对、识别全流程，如手机解锁、移动支付等，该场景主要是1:1识别方式，其对安全性要求最为严苛，一般都会通过红外技术辅助建立3D人像模型以确保真人识别；

二是云边应用，此时图像采集与人脸识别AI应用独立，对分析处理模块性能要求较高，一般有1:N、N:N两种识别方式，而需要红外辅助建模还是平台虚拟建模，根据场景安全等级抉择，如人脸道闸以支持真人识别为佳；

三是中心处理，该模式基本不用做图像采集，主要是识别认证和大数据碰撞研判，动辄百亿、千亿量级，对处理芯片要求非常高，目前基本可以说只有GPU才是最佳选择。

三种场景，需求不一样，方案也将不一样，以目前的芯片技术水平，还很难下结论说谁是最好的芯片，只有最适合、最容易落地的方案才是王道，人脸识别作为AI创新的引领者，活下去，才能推助性能更优芯片面世。