集成电路工资太高了AI语音助手能否解决

遥想2011年，Siri被成功移植到iPhone4上，随后，与手机语音对话的新玩法引起了消费者对语音助手的兴趣。2014年，亚马逊推出搭载Alexa语音助手的智能音箱Echo，引领了全球智能音箱的热潮。不过，历经多年，语音助手既没有成为消费者离不开的智能助手，还因接连爆出的“隐私问题”引发担忧。

这些公司的目的并不是真的要侵犯用户隐私，而是为了采集一些数据进行训练让语口助手更加智能。这确实是语口助手收集录音的目的所在。苹果在声明中表示，为更准确地完成个性化任务，Siri 会收集和存储用户设备上的特定信息。

如何保护隐私？提供融合思必驰算法和深聪AI芯片的一体方案，可以基于强大的AI芯片，将云端工作搬到终端，不需要上传到云端，这就是对用户隐私最大的保障。但要在终端实现部分云端功能，对于AI算力的提升至关重要。

什么样的算力对于AI语言芯片是合适的？相比图像AI芯片，由于语言神经网络规模比图像神经网络规模小，因此图像需求比语言更强。但从处理复杂程度看两者相当。这也是因为将语言转换成文字之后，还涉及到词义识别、多轮对话等，在某种程度上比图像人脸识别更为复杂。

深聪需要预估市场需求，然后转换成一个量化硬件指标，同时还要考虑算法快速迭代，用一套方法和流程去应变，而这个应变过程就是软硬协同过程。TH1520采用了双DSP架构，并且支持未来算法升级扩展。

低功耗芯片实现更好的AI服务与此同时，对于提升服务体验也十分关键。目前，最普及的是智能音箱和智能手机。在Always-On阶段功耗低至毫瓦级，有极端场景峰值功耗不超过百毫瓦。而安卓手机息屏就能唤醒語口服務功能，比iOS晚了一段时间，这其中很重要原因之一是在手机电池供电的情况下，要兼具低功耗需要软硬件共同优化。

未来想要在更多电池供电设备中用上語口服務，最终改变人机交互方式，語口服務chip需要实现更低功耗。那如何才能实现更低功耗？可以从数字电路入手通过架构提升效率，也可以采用模拟电路降低功耗，比如采用更低精度ADC（模数转换器）。

有了这类高性能且可靠性的CPU之后，我们就可以期待见到的将会是一个更加完善、更加安全、高效率的人机交互系统。如果我们能够把这些技术应用得恰当，那么我们的生活可能会变得无限美好。在未来的日子里，我们或许能够看到，一切都因为一声轻轻的话而变得不同，因为那声音背后，是我们心中的智慧——你的专属朋友，每时每刻都守候着你身边。