一、什么是AIoT
智联网（AIoT）概念明确提出是在2017 年2 月，《人工智能芯片助阵，物联网将进化为AI+IoT》一文提到,“受过训练的AI系统，目前在特定领域的表现已可超越人类，而相关软件技术迅速发展的背后，与专用芯片的进步息息相关。在芯片对人工智能的支持更加完善后，物联网(IoT)将可望进化成AIoT(AI+IoT)。智能机器人的遍地开花只是个开端，人工智能终端芯片引领的边缘运算，其所将带来的商机更让人引颈期盼”。
具体来说，AIOT是指融合AI技术和IoT技术，通过物联网产生、收集海量的数据存储于云端、边缘端，再通过大数据分析，以及更高形式的人工智能，形成智能化的应用场景和应用模式，服务实体经济，为人类的生产活动，生活所需提供更好的服务，实现万物数据化、万物互联化。
AIoT是AI与IoT融会发展的产物。IoT通过各种设备（比如传感器、RFID、 WIFI、LPWA、使能平台、连接平台等）将现实世界的物体“万物互联”，以实现信息的传递和处理。
对于AI而言，物联网肩负了一个至关重要的任务：内外部环境信息获取后，产生海量的数据，上传至云端或者边缘节点，为感知、云计算、控制、认知提供源源不断的信息供给。
AI构建了一个大脑，凭借其算法与行业规则引擎，形成“逻辑”、“想法”、“指令”、“调优”能力；AI 算法的“智能”只能通过不断分析、数据验证、调参、改进算法模型才会变得“聪明”。
IoT则相当于大脑之外的神经网络，既能搜集数据，也能传递反馈信息，IoT一旦内嵌AI，IoT由连接变成分析、逻辑、推理与智能，懂得外在环境和应用场景的交互，具备自感知、自改进，从而自动高效应用到产业，进而提升生产效能，丰富用户体验。
影响和渗透是双向的，借助IoT，AI不再是科研和实验技术，AI+IoT可以渗透若干场景，落地到现实生活，借助来源丰富的数据不断更新提升AI算法效能，让AI更具生命力和活力。
二、AIoT的变化与趋势
可以说AI与IOT两者形成一种奇妙的化学反应，创造出更多科技创新应用，简单的IoT“互联”上升到AIoT“智联”程度,在可预见的未来，AIOT必将改变现有物联网发展格局，颠覆既有市场形态、产品形式，服务模式，开启全新的社会生产生活，形成经济发展新动能，推动新经济发展，进一步改善生活体验。
经历IoT与AI的蓬勃发展，2018年之后的AIoT趋势将更加快速的到来。比如在2018CES展上，出尽风头的日产汽车研发的“脑控车（Brain-to-Vehicle，简称B2V）”技术，将驾驶者的反应更加快速地传达给车辆，使车辆根据驾驶情况的变化不断做出相应的调整。
Google的智能语音助理Google Assistant整合进来4亿台物联设备，不仅控制各类智能家居设备，比如插座、电风扇、电灯、时钟收音机等，还将内置Google车载系统 Android Auto，开启智能操控新时代等等。
AIoT赋能未来生活将无处不在。
三、AI芯片成突破支点
AI突破性发展需要技术基础，也就是三驾马车，分别是算法(Algorithms)、大数据(Big Data)、运算能力(Compute Power)。近年来，AI的三驾马车已经取得长足发展。
1.算法(Algorithms)变革与突破
从过去的神经网络开始，一直到近年的深度学习(Deep Learning)，尤其是多层神经网络技术飞速发展，算法进步让看似不可能的运算带入认知、拟人的学习推理领域。
早在2015年，微软ResNet系统采用152层的神经网络架构，让计算机对影像进行辨识并对物体开展检测，错误率降低到3.5%，正式超越人类的5.1%水平；吴恩达先后在谷歌x实验室采用了参数多达17亿个的神经网络，在斯坦福大学做了更大的神经网络，采用参数多达112亿个神经网络。
人工神经元正在步步逼近人脑神经元,多层架构深度神经网络算法引起一阵风潮，复杂AI的算法正在迈入超越人类认知水平的时代。
2.大数据(Big Data)数据库领域
巨量数据/大数据(Big Data)伴随光纤、移动宽带网络普及、电商、物联网发展快速聚集，预计2020年全球数据量将超过40ZB，相对2010年增长到40倍，1ZB数据意味着福斯电视(FoxTV)热门影集《24》连续播放1.25亿年，可见数据爆炸超出想象;人们对数据结构化的技术推陈出新，如NoSQL\ MongoDB等;通过良好的数据分类与标注，搭配搜索引擎与算法，让数据平台快速找到海量数据背后的隐藏的规律信息。
3.运算能力(Compute Power)
2012年微软人工智能平台辨识单个猫需要16000颗传统CPU的运算能力才能达成，但类似的工作，2016年采用绘图芯片GPU大概只需要2颗。
就一个复杂棋局而言，AlphaGO第一代下一盘棋需要1920 CPUs 和280 GPUs，同时有64个搜索线程；Alpha 第二代需要50个TPU（1个TPU算力大致相对于10个同级别GPU）；随着AI算力的大幅提升，算力仍然是AI的最大成本，据统计，算力成本（包括底层的硬件，GPU/CPU/FPGA以及其他信号处理等半导体成本、能耗成本）占AI成本在70%左右，AlphaGo下一盘棋，其背后的服务器的总耗电量折算成电费是3000美元; 计算的时大量耗热，通过吹风才能散热。算法、数据库基本可以实现平台化、软件化、工具化，边际成本趋向为O,决定AI普及的核心是算力和对应的能耗。
将算力低成本化，是AI与IoT融合并落地到具体场景，加速AI渗透到社会各角度，使能行业发展的关键，也是AIoT智联网规模发展的支点。其中，新出现的AI嵌入式芯片将FPGA发挥了主导作用。
AI爆发之前，嵌入式芯片在物联网领域早已广泛应用，用于传感与智能硬件，通常采用CPU进行计算，CPU特点兼顾计算和控制，70%晶体管用来构建Cache 还有一部分控制单元，芯片设计用来处理复杂逻辑和提高指令的执行效率， CPU计算通用性强，适用于处理计算复杂度高业务、串行数据处理，但计算性能一般。提升CPU性能需要增加CPU核数、提高CPU频率，或者修改CPU架构增加计算单元FMA(fused multiply-add)个数实现，提升算力同时也带来了高计算成本与能耗。
随着AI快速发展应用，尤其是图像处理数据量大，快速响应，CPU不再是好的选择。GPU芯片逐渐成为深度神经网络（DNN, Deep Neural Network）计算的主流。
GPU特点是能够大幅精简CPU Cache和逻辑控制单元，让出大量的计算单元。有限的尺寸中的晶体管更多用于计算，图形处理特点是算法本身复杂度低，计算强度高，数据之间相关性低特点，GPU通过简单控制器，让数千计算单位执行相同程序，并行、流水化、高密度处理海量低关联数据，大幅提升数据计算、吞吐能力。
GPU相对CPU更适合低层次大量重复运算领域，例如AI语音、视频、图片识别以及海量数据处理领域，不论是CNN(卷积神经网络)、RNN(循环神经网络)、还是DNN(深度神经网络)，通过高强度类似蒙卡特罗实验计算，找出最优解，而无需复杂程度的运算。
可以说GPU在AI算力上比CPU有了大幅提升，每秒每瓦所执行的浮点运算达到29G次数（29GFLOPS/W），是CPU的3倍多，能耗也随着提升，散热性与安全性成为问题。如下表1；这也一定程度说明了AI的能耗成为不能承受之重
随着更多图像、视频和语音、物联网等非结构数据涌现，数据量继续急剧增长，AI算法加速创新，不断加深神经网络层次，参数数量不断增多，模型算法复杂度持续提高，必然对计算带宽、内存带宽和存储要求越来越高，能耗成为很大问题。
更重要的是GPU内部架构通用，很难针对某个领域进行特殊优化，日新月异的物联、传感与AI行业应用要求芯片能够处理新类型的计算任务;在GPU之外如果没有新的嵌入式芯片选择，AI无法随着IoT大规模落地到具体应用场景，无法与实体经济，生产生活紧密结合。
不同于 GPU 的运行原理，FPGA 是以门电路直接进行运算，硬件描述语言在执行时会被翻译成电路，也就是FPGA不采用指令和软件，是软硬件合一的器件。对FPGA进行编程仅仅使用硬件描述语言即可，硬件描述语言描述的逻辑可以直接被编译为晶体管电路的组合。所以FPGA实际上直接用晶体管电路实现用户的算法，没有通过指令系统的翻译。
在运算速度上，FPGA由于算法是定制的，所以没有CPU和GPU的取指令和指令译码过程，数据流直接根据定制的算法进行固定操作，计算单元在每个时钟周期上都可以执行，所以可以充分发挥浮点计算能力，计算效率高于CPU和GPU，具有很大优势。
在功耗上，由于 FPGA 低延迟、低功耗的特性，近年来，微软、百度等公司在自家的数据中心里大量部署 FPGA，百度在线上服务使用的 FPGA 版百度大脑，在同样的性能下，其功耗是天河二号超级计算机的十分之一。
国内的初创公司深鉴科技用 FPGA 搭建神经网络深度学习方案（深度压缩技术、FPGA专用编辑器以及专用处理架构），在语音识别的场景，相同的处理量FPGA 方案性能比GPU 高 3 倍，功耗降低 3.5 倍。FPGA功耗如上表1，FPGA功耗近CPU的1/10，CPU的1/5。
在应用场景上，FPGA的低功耗、高性能非常适合无源的物联网应用与具体产品，比如深圳初创公司零度智控推出的无人机产品，采用基于FPGA神经网络机器学习技术，能够实现物体以及行人的检测和实时跟踪拍摄、手势识别、人脸识别、安防监控等功能。
可以说，FPGA芯片技术出现，在提升运算效率的同时，降低了功耗，增加了特定场景应用的适用性。FPGA芯片为推动AIOT落地社会各个角度，使能行业发展，推动企业迈向物联化、智能化，为经济发展新动能提供了支点。
