【導讀】聲音是人與人交戶的重要手段，在AI興起的現今，也是人與機器相互溝通的手段之一。從模擬階段的留聲機開始到現在，人類對于高清化、高保真的追求一刻沒有停歇過，也逐漸擺脫了線束的約束。對音頻來說，芯片至關重要，它既要擁有足夠的算力，也要擁有足夠低的功耗。
著名作家海倫·凱勒曾說過這樣一句話，“盲隔絕了人與物，聾隔絕了人與人。”可見聽力的重要性，由此可以看出，人的一生耳朵是最忙的感知系統(tǒng)之一。
聲音是人與人交戶的重要手段，在AI興起的現今，也是人與機器相互溝通的手段之一。從模擬階段的留聲機開始到現在，人類對于高清化、高保真的追求一刻沒有停歇過，也逐漸擺脫了線束的約束。對音頻來說，芯片至關重要，它既要擁有足夠的算力，也要擁有足夠低的功耗。
據SIG預測，到2027年藍牙音頻傳輸設備年出貨量將達18.4億臺，2023年～2027年的年復合增長率為6%，藍牙數據傳輸設備年度出貨量將達到18.7億臺，2023年～2027年的復合年增長率為11%。
ICCAD 2023上，炬芯科技股份有限公司董事長兼CEO周正宇博士博士分享了炬芯在AI大背景下，如何為音頻芯片提供更多創(chuàng)新。
20多年專注音頻領域
“炬芯的前身就是原來的炬力集成，我們在行業(yè)中做了20多年音頻，2005年炬力集成基于便攜式音頻在美國上市，2021年炬芯基于藍牙音頻在科創(chuàng)板上市。”周正宇博士這樣介紹道。
炬芯2023年半年報和官網顯示，其核心產品包括藍牙音頻SoC芯片、端側AI處理器芯片、便攜式音視頻SoC芯片三類。
藍牙音頻 SoC 芯片系列主要應用于藍牙音箱（含TWS音箱、智能藍牙音箱）、Soundbar、智能手表、藍牙耳機（含TWS耳機、開放式OWS耳機）、無線電競耳機等。
端側AI處理器芯片系列是基于端側的帶有人工智能加速器的 系統(tǒng)級音頻處理器，致力于提供智能物聯(lián)網AIoT端側低功耗算力的芯片平臺，也是炬芯主營的音頻產品和人工智能技術的重要結合點，可滿足市場未來日新月異的低功耗端側設備的人工智能應用需求。
便攜式音視頻SoC芯片系列是炬芯最早耕耘的、最成熟的產品線，全球市場占有率長期較高，搭載了公司長期積累的、較先進的低功耗音視頻處理技術。該系列芯片主要針對便攜式高品質音視頻編解碼類產品的應用。
具體從市場來看，炬芯在中高端品牌藍牙音箱市場份額明顯增長，下一步會通過產品持續(xù)迭代升級和優(yōu)化產品組合繼續(xù)提升在中高端品牌的滲透率；低延遲高音質市場從有線連接向無線連接轉換的趨勢，帶來了存量市場轉化和新增需求兩個機會，炬芯正在持續(xù)加大研發(fā)投入保持技術領先優(yōu)勢并與各大品牌廠商繼續(xù)保持緊密合作以把握這一波市場轉型機會；此外，在智能手表市場，炬芯對中國、歐美和印度市場做了均衡的布局和節(jié)奏把握，智能手表作為貼合人體重要的健康數據監(jiān)測產品，將持續(xù)深耕。
用存內計算創(chuàng)造更大算力和更低功耗
周正宇博士表示，過去以來，炬芯的芯片架構一般都是“CPU+DSP”的雙核架構，未來，AI時代，炬芯會在CPU和DSP的基礎上，從高端音頻芯片入手，整合低功耗 AI 加速引擎，逐步全面升級為 CPU+DSP+NPU（based MMSCIM）三核異構的AI SoC架構，為便攜式產品提供更大的算力。，最新一代基于MMSCIM的高端AI音頻芯片ATS286X，將會在明年將會Sample。
“算力和功耗是一對矛盾統(tǒng)一體?！敝苷畈┦空J為，如何在同樣的制程、同樣的架構、同樣的設計下，創(chuàng)造更大算力和更低功耗是AI時代的關鍵。
比如說，TWS耳機電池容量通常在35m～40mAh，典型平均工作電流約在5mA左右，也就是說，留給芯片的功耗預算只有20mA左右。再比如，智能手表典型電池容量在280～300mAh，典型工作電流在3mA上下，也就是說在4.3V鋰電池中，只有15mA左右的功耗，還包括ADC、DAC等器件，也就是說留給藍牙音頻芯片功耗只有10mW。
與之相悖的是，AI驅動下，未來算力需求越來越大，也就是說，對藍牙音頻芯片商來說，要在10mW的功耗預算下，打造200～500GOPS算力是很大難題。
AI主要以復雜矩陣運算來形成，而復雜的矩陣運算最主要的算力功耗都來自于乘累加運算，過去芯片普遍采用DSP處理音頻，突破的關鍵就在于突破馮諾范式的存儲墻和功耗墻，即存內計算，通俗解釋就是把計算和存儲放在一個房間里去，讓它們零距離溝通。
存內計算擁有許多不同介質，到底哪一種介質適合做存內計算？周正宇博士認為各個介質均有其特點，不論哪種路徑，最主要的問題就是寫入次數，假若AI需要做自適應或模型不斷更新，那么它在寫入多次之后就會報廢，所以這種介質不適合做自適應應用，類似于Transformer這一類擁有自學能力的模型。
對比來看，SRAM讀寫速度快，擁有無限次讀寫能力，不僅采用標準工藝制造，還可以集成在SoC內，但它的弱點是存儲密度低。不過，雖然如此，SRAM依舊是低功耗AI算力的首選。一方面，音頻只需要200～500GOPS的算力，而非幾十TOPS，密度低的缺陷因此而被規(guī)避，另一方面，標準的CMOS工藝不僅可以現在就能大規(guī)模量產，還可以集成在單芯片上跟隨制程工藝演進到2nm。加之無限次寫入，可以支持自適應計算，長遠來看，RL（強化學習）和ML（機器學習）可能也會為它帶來更多驚喜。
存內計算也擁有模擬和數?；旌蟽蓚€技術路徑，它們最大的差異主要在于運算用ADC+模擬電路實現的，還是基于數字電路實現。
炬芯科技選擇的是模數混合的存內計算，暫時命名為“Mixed-Mode SRAM based CIM”，簡稱MMSCIM，其優(yōu)勢是精度無限，可靠性和量產的一致性非常高，容易在制程上升級，容易提升速度或PPA。
目前，該芯片雖然還沒有進入量產階段，但進展非?？?。它在全矩陣運算情況下，未來22nm就有望達到每瓦7.8TOPS的能效比。值得一提的是，在12nm情況下，它就已經接近50TOPS，足以挑戰(zhàn)在10mW范圍內釋放200～500GOPS算力。
邊緣與AI融合，挑戰(zhàn)與機遇并存
在周正宇博士看來，未來端側也會實現像ChatGPT、Tranformoer或類似的功能，或許是手機，或者是手表，未來這些能力都能被人所觸及。就比如說，早年軟盤只有1.44MB的存儲空間，而現在TWS耳機中的存儲空間都超過了幾十兆。
端側是AI非常好的載體，以手表為例，它是唯一一個長時間佩戴且緊貼皮膚的裝置，因此，非常方便成為健康監(jiān)測裝置，隨著傳感器發(fā)展，心率、血壓信息都成為了可測量的數據。而最終，它會成為一個能夠隨時監(jiān)測健康狀態(tài)的能手。
把幾億人的信息全部送到云端處理顯然不現實，而當邊緣端擁有AI，把專業(yè)的醫(yī)學知識灌注給它，它就會像一個移動醫(yī)生一樣，隨時判斷心率、血氧變化是否健康。這就是邊緣AI的重要意義，這樣的例子在邊緣AI中不勝枚舉。
當然，挑戰(zhàn)與機遇并存。對國產來說，在端側做AI挑戰(zhàn)有兩方面，一方面如何以更好的能效比、PPA來實現人工智能，另一方面則是在于芯片制造，如何利用主流制程做到先進制程的產品性能，這是國產芯片設計公司必須面對的挑戰(zhàn)。
自從ChatGPT問世，最大的變化是自學習和自適應，而在其中隱私是很大問題，未來端側也必然也要面對這樣的挑戰(zhàn)。
”我認為現在AI最缺乏的是生態(tài)?！笔聦嵣?，芯片行業(yè)大多情況都會把重點放在硬件設計，但實際上，一個行業(yè)必須擁有自己的生態(tài)，國內更需要自己的生態(tài)。就比如說，TensorFlow與算力之前其實中間還間隔了很多層，或者說工具，如果能做好這一層，就能建設好更好的國產生態(tài)。炬芯也會持續(xù)深耕，為國產芯片與生態(tài)建設添磚加瓦。
免責聲明：本文為轉載文章，轉載此文目的在于傳遞更多信息，版權歸原作者所有。本文所用視頻、圖片、文字如涉及作品版權問題，請聯(lián)系小編進行處理。
推薦閱讀：
以工藝窗口建模探索路徑：使用虛擬制造評估先進DRAM電容器圖形化的工藝窗口
如何為ADAS 域控制器構建多攝像頭視覺感知系統(tǒng)？
