文/姜菁玲
编辑/石亚琼
，探境科技成立于2017年3月，是一个以语音、图像AI芯片为核心产品的AI芯片设计公司，提供软硬件一体化整体方案，产品采取的核心架构为SFA（Storage First Architecture，存储优先架构），主张以存储驱动计算。
对于SFA架构，，这是一种面对AI芯片里存储墙（AI计算资源丰富，但存储及数据搬运效率低下）的问题而设置的架构，从数据层和计算层中间，通过数据航线，进行节点间的数据搬移。控制器通过知道在动态运行过程中，哪些数据和哪些算子需要有一定的相关性，从而构建更加合理的网络路径。
探境科技表示，与比“类CPU架构”相比，在同等条件下， SFA架构数据访问可降低10~100倍；28nm工艺条件下，系统能效比达到4T OPS/W，计算资源利用率超过80%，DDR带宽占用率降低5倍。
探境科技CEO鲁勇表示，SFA架构具有通用性，可支持目前所有的深度学习神经网络，对神经网络参数以及数据类型没有限制，并且，提供零基础用户可使用的工具链，无需用户网络重训即可使用，能够降低算法移植带来的数据精度降低情况。
AI降噪算法+高计算强度的神经网络
探境科技副总裁李同治认为，以智能家居场景为例， 目前在语音研发领域遇到的挑战有：
- 非稳态的噪声影响 。日常生活中，可能会出现做饭的敲击声、音乐的突然节奏变化等，这些对于降噪处理而言，由于有突然性和不可预见性，具有一定难度。
- 多声源问题， 由于传统的信号处理算法的原理是增强波束内的信号强度，当干扰源方向比较接近的时候，传统的处理算法也无法解决。
在降噪方面，采用AI降噪算法，基于深度学习，可对稳态和非稳态的噪声进行处理。
李同治解释，与传统的DNN/TDNN算法相比，卷积操作更接近大脑的感知系统，增加了一个维度，每个处理单元变成了立体的。
探境科技表示，高强度神经网络所需参数量约为传统DNN算法的五分之一，所需算力则达到106M，高于DNN3.2M的算力约30倍，这带来的影响是，参数量少可以节省芯片的存储空间，降低成本，相当于用更少的储存空间，带来了更高的算力，提升了整体的性能。
基于FCSP的端到端AI双麦算法，可提高算力
另外，李同治还提到了一种情况，即信噪比为0dB和负dB，意味着噪声和信号强度一样，甚至噪声比语音信号还要强。
针对这种情况，传统的解决方案为利用麦克风阵列信号增强算法，不过，探境科技认为有这种算法有四个方面的问题：
- 首先在语音信号增强模块，波束成形依赖于声源定位（DOA），DOA依赖于单麦克唤醒词检测。远场环境唤醒词检测使用单麦信号不用增强后的信号，会影响最终的唤醒率。
- 另外，波束成形算法原理是增强特定方向波束内的信号强度，衰减波束外的信号幅度。当干扰声源和目标声源方向非常接近的时候，两者在同一个波束内，信号和噪声同时被增强，无法提升信噪比。
因此，传统的麦克风阵列处理算法效果并不理想。
2年实现商业化落地，量产已破百万
探境科技副总裁李同治告诉36氪，2018年初推出SFA架构以后，公司选择首先推出语音芯片主要出于研发难度和市场因素考虑。
从研发难度上来说，李同治称，在储存上语音芯片不超过200M，但图像芯片通常需要1G以上，这加大了芯片的设计复杂性。其次由于图像信息量较大，需要更多的接口，在集成度上要求更高。在算力需求方面，图像芯片的算力在4T Ops，而语音芯片在几十G，相差几十倍。综合考虑下来，语音芯片的研发难度比图像芯片要低，图像芯片的周期投入约是语音芯片的2-3倍。
另外，一个很重要的原因是，探境科技认为语音芯片的市场相较于图像更加明朗，可以清晰对标IOT市场，需求上会比主要走TO B路线的图像领域更加多，规模更大。
除此之外，在会上，探境科技提及了离在线一体化解决方案，以及公布了面向不同场景的产品矩阵。
目前，探境科技盈利规模在千万级，合作伙伴超过30家，有美的、海尔、世强科技、阿凡达智控等。另外， 据鲁勇透露，探境科技图像芯片已在2019年Q4流片成功，核心能效比达800 IPS/w,图像芯片也在某些领域开始产生营收。
鲁勇提到，未来探境科技将面向更多场景，推进端云一体化战略，推出更多离在线一体化方案。
延伸阅读
（文中图片来源：探境科技）
