展望2018 AI芯片领域：众多厂商追随深度学习

首先是努力实现软件融合

在早期的疯狂和分裂之中，即使是软件融合方面所做的事情也是很分散的。百度人工智能研究团队进行了一项调查，发现11项措施来弥补那些争着管理神经网络的各种软件框架之间存在的差距。

最有希望的是Open Neural Network Exchange（ONNX），这是一个由Facebook和微软发起的开源项目，最近Amazon也加入其中。该项目小组在12月份发布了ONNX格式的第一个版本，旨在将用把十几个有竞争关系的软件框架所创建的神经网络模型转译为图形化呈现。

芯片制造商可以将他们的硬件瞄准这些图形。对于那些负担不起为支持这些不同模型框架——例如Amazon的MxNet、Google的TensorFlow、Facebook的Caffe2以及微软的CNTK——单独编写软件的初创公司来说，这是一个好消息。

30多家主流芯片提供商组队在12月20日发布了他们的首选项——Neural Network Exchange Format（NNEF），目标是为芯片制造商提供一种替代方案，来创建自己的内部格式，就像英特尔在Nervana Graph和Nvidia TensorRT那样。
百度在各种各样的格式中发现了ISAAC、NNVM、Poplar和XLA。百度硅谷人工智能实验室高级研究员Greg Diamos表示：“现在去预测是否会出现一个成功的实施，可能还为时尚早，但我们正在走上一条更好的道路，其中一条最终取得胜利。”

在这些人工智能框架中，Amazon宣称自己的MxNet框架和新出现的Gluon  API提供了最高的效率。（来源：Amazon）

此外，谷歌已经开始致力于开发软件来自动化精简深度神经网络模型，这样这些模型就可以运行在从智能手机物联网（IoT）节点的方方面面。如果成功的话，可以将50Mb的模型降低到500Kb。

谷歌也已经在探索在手持设备上做有限的模型训练，调整模型的顶层，或者基于白天收集的数据在夜间进行处理。像SqueezeNet和MobileNet等，也展示了更简单的成像模型路径，且同样精确。

负责Google TensorFlow Lite工作的Pete Warden表示：“我们看到有很多人在各种各样的产品中使用机器学习，每次操作降低1皮焦，这是我每天熬夜在做的事情。”