文/姜菁玲

編輯/石亞瓊

，探境科技成立于2017年3月，是一個以語音、圖像AI芯片為核心產品的AI芯片設計公司，提供軟硬件一體化整體方案，產品采取的核心架構為SFA（Storage First Architecture，存儲優先架構），主張以存儲驅動計算。

對于SFA架構，，這是一種面對AI芯片里存儲墻（AI計算資源豐富，但存儲及數據搬運效率低下）的問題而設置的架構，從數據層和計算層中間，通過數據航線，進行節點間的數據搬移。控制器通過知道在動態運行過程中，哪些數據和哪些算子需要有一定的相關性，從而構建更加合理的網絡路徑。

探境科技表示，與比“類CPU架構”相比，在同等條件下， SFA架構數據訪問可降低10~100倍；28nm工藝條件下，系統能效比達到4T OPS/W，計算資源利用率超過80%，DDR帶寬占用率降低5倍。

探境科技CEO魯勇表示，SFA架構具有通用性，可支持目前所有的深度學習神經網絡，對神經網絡參數以及數據類型沒有限制，并且，提供零基礎用戶可使用的工具鏈，無需用戶網絡重訓即可使用，能夠降低算法移植帶來的數據精度降低情況。

AI降噪算法+高計算強度的神經網絡

探境科技副總裁李同治認為，以智能家居場景為例， 目前在語音研發領域遇到的挑戰有：

• 非穩態的噪聲影響 。日常生活中，可能會出現做飯的敲擊聲、音樂的突然節奏變化等，這些對于降噪處理而言，由于有突然性和不可預見性，具有一定難度。
• 多聲源問題， 由于傳統的信號處理算法的原理是增強波束內的信號強度，當干擾源方向比較接近的時候，傳統的處理算法也無法解決。

在降噪方面，采用AI降噪算法，基于深度學習，可對穩態和非穩態的噪聲進行處理。

李同治解釋，與傳統的DNN/TDNN算法相比，卷積操作更接近大腦的感知系統，增加了一個維度，每個處理單元變成了立體的。

探境科技表示，高強度神經網絡所需參數量約為傳統DNN算法的五分之一，所需算力則達到106M，高于DNN3.2M的算力約30倍，這帶來的影響是，參數量少可以節省芯片的存儲空間，降低成本，相當于用更少的儲存空間，帶來了更高的算力，提升了整體的性能。

基于FCSP的端到端AI雙麥算法，可提高算力

另外，李同治還提到了一種情況，即信噪比為0dB和負dB，意味著噪聲和信號強度一樣，甚至噪聲比語音信號還要強。

針對這種情況，傳統的解決方案為利用麥克風陣列信號增強算法，不過，探境科技認為有這種算法有四個方面的問題：

• 首先在語音信號增強模塊，波束成形依賴于聲源定位（DOA），DOA依賴于單麥克喚醒詞檢測。遠場環境喚醒詞檢測使用單麥信號不用增強后的信號，會影響最終的喚醒率。
• 另外，波束成形算法原理是增強特定方向波束內的信號強度，衰減波束外的信號幅度。當干擾聲源和目標聲源方向非常接近的時候，兩者在同一個波束內，信號和噪聲同時被增強，無法提升信噪比。

因此，傳統的麥克風陣列處理算法效果并不理想。

2年實現商業化落地，量產已破百萬

探境科技副總裁李同治告訴36氪，2018年初推出SFA架構以后，公司選擇首先推出語音芯片主要出于研發難度和市場因素考慮。

從研發難度上來說，李同治稱，在儲存上語音芯片不超過200M，但圖像芯片通常需要1G以上，這加大了芯片的設計復雜性。其次由于圖像信息量較大，需要更多的接口，在集成度上要求更高。在算力需求方面，圖像芯片的算力在4T Ops，而語音芯片在幾十G，相差幾十倍。綜合考慮下來，語音芯片的研發難度比圖像芯片要低，圖像芯片的周期投入約是語音芯片的2-3倍。

另外，一個很重要的原因是，探境科技認為語音芯片的市場相較于圖像更加明朗，可以清晰對標IOT市場，需求上會比主要走TO B路線的圖像領域更加多，規模更大。

除此之外，在會上，探境科技提及了離在線一體化解決方案，以及公布了面向不同場景的產品矩陣。

目前，探境科技盈利規模在千萬級，合作伙伴超過30家，有美的、海爾、世強科技、阿凡達智控等。另外， 據魯勇透露，探境科技圖像芯片已在2019年Q4流片成功，核心能效比達800 IPS/w,圖像芯片也在某些領域開始產生營收。

魯勇提到，未來探境科技將面向更多場景，推進端云一體化戰略，推出更多離在線一體化方案。

延伸閱讀

（文中圖片來源：探境科技）