DIGITIMES Research：AI影像辨識應用陸續落地 軟硬體整合方案為切入市場關鍵能力

研究機構DIGITIMES Research表示，隨著AI影像辨識應用發展漸趨成熟，近年已逐步落地至商用市場，例如亞馬遜(Amazon)的Amazon Go無人商店、美國沃爾瑪(Walmart)近期開張的未來商店等，都大量運用到AI影像辨識技術來創造智慧零售的新體驗。

DIGITIMES Research分析師吳伯軒表示，在應用場景更複雜、辨識物件更多元的物聯網大趨勢下，AI晶片將降低過去高度依賴硬體堆疊運算力的方式，而朝多元的異構平台及強化AI演算法的方向發展。

吳伯軒表示，2019年4月底於美國紐約近郊開張的Walmart智慧零售商店，裝置上千支AI影像監視器，能即時監控3萬多種類別的商品，一旦某項商品在貨架上無存貨，則會立即通知相關人員進行補貨。此外，AI監視器也兼負降低商品失竊率及減少人為疏失(如商品條碼未被掃描)功能。換言之，Walmart應用AI影像辨識動機是著眼提高營運效率，而非如Amazon Go創造的無人商店體驗。

吳伯軒表示，值得注意的是，過去數十年半導體製程工藝持續演進，以撐起應用端不斷倍增的運算力需求，然基於物理性方式提升電晶體數量的摩爾定律終究會面臨發展瓶頸，再者，先進製程需要龐大的研發資金支撐，新興應用如AI影像辨識在變現能力尚未穩定之際，導入先進製程並不實際。

吳伯軒表示，要降低實際應用可能面臨運算力與經濟效益之間的落差，可能的方法之一是針對應用場景的不同，採取如GPU、FPGA、ASIC等不同的晶片架構。從短期發展觀察，GPU在AI深度學習與推理上較具有規模化商用優勢，然從長期演進而論，多種架構並存才是趨勢所在，這也是部分晶片大廠近年透過購併方式擴大產品線布局的主因之一。

吳伯軒表示，另外，利用AI演算法如CNN (Convolutional Neural Network)先截取卷積層內的圖像特徵，以加快圖像辨識的運算效能，或是利用精簡指數運算來壓縮卷積，以降低對硬體的依賴，都是另一種「跨越摩爾定律障礙」的方式。再者，在智慧城市影像監控場景中，辨識的物件相對多且雜，利用堆疊AI演算法(利用OTA更新)要遠比堆疊硬體(架設更多監視器)的方式，更具經濟效率。