近年来，人脸识别产业高速发展，但却面临无芯可用的困境，其中GPU、ASIC、DSP以及万能芯片FPGA是最为活跃的4大类型。只是它们各有优劣，谁将是人脸识别的最佳伴侣呢？
据科技部火炬中心发布的《2017年中国独角兽企业发展报告》显示，2017年我国164家独角兽企业中，人工智能企业数量有6家，占比3.66%，独角兽企业数量排名第10位；据报告分析，这6家企业总估值120亿美元，在整个独角兽企业估值中占比1.91%，位居全行业第11位。
AI顺风车，人脸识别市场规模持续扩大
在这一波AI扩张浪潮中，人脸识别作为爆发点，是目前成长最为迅速的AI应用。权威数据显示，我国人脸识别市场规模近几年年均复合增长率达27%。2016年，我国人脸识别行业市场规模约为17.25亿元；2017年其市场规模已超过20亿元，预计未来5年增速仍将保持年均25%的高度，至2022年达到65亿元以上。
芯片：人脸识别发展的最大绊脚石
神经网络卷积深度学习技术令人脸识别瞬间提升到3D多维算法领域，人类这才终于从算法层面解决了人脸识别不精准、实战难的问题，让人脸识别技术从此走向应用。
然而，经过几年的实践检验后发现，影响人脸识别推广应用的关键不是算法、也不是大数据，而是主观认为早已解决的算力问题——运行人脸识别深度学习算法的处理芯片。
由于目前没有专门用于人脸识别的处理芯片，只能采用通用芯片代为处理。因深度学习算法对算力资源需求高，一般采取核心处理器，如CPU、ARM芯片进行视频采集，把视频中的人脸图像抠取下来，然后把该人脸图像发送给下一处理单元进行结构化处理。
结构化处理是人脸识别的关键。最初方案是在CPU上做处理，但由于CPU负责逻辑算数的部分并不多，在多任务处理时效率低下。CPU在图像处理方面的劣势决定了其在人脸识别应用上被弃用的结局。
核心数据处理芯片无法执行人脸识别结构化运算，只能将图像处理的工作交给更合适的专门处理芯片，目前常见的有GPU显示核心、FPGA现场可编程门阵列、ASIC专用集成电路、DSP数字信号处理。
GPU：当前人脸识别算力的绝对主力
GPU的优势在于解决浮点运算、数据并行计算问题，在大量数据元素并行程序方面具有极高的计算密度。其应用现已不再局限于3D图形处理了，而是具备强大计算能力的处理器，其在人工智能、深度学习高速并行运算的优势凸显。无形中，GPU成为了当下人脸识别算力的绝对主力。
虽然GPU优势凸显，却也存在两个致命硬伤，一是功耗大，需依托X86架构服务器运行，不适用于更为广泛的人脸识别产品方案开发；尤其是人脸识别民用化趋势日渐增强的当下，GPU不适于在小型化项目的采用。二是成本高昂，采用GPU方案，折算单路人脸识别成本在万元以上，相较其他千元级，甚至是百元级的方案，毫无成本优势可言，不利于商业平民化推广。
这两个致命短板，令众人脸识别创业公司不得不寻求新的方案；目前在一些中小型项目中，GPU早已被弃选，如道闸、过道等前景同样广阔的领域。
FPGA：可编程性提供多行业解决方案
现场可编程门阵列FPGA运用硬件语言描述电路，根据所需要的逻辑功能对电路进行快速烧录。一个出厂后的成品FPGA的逻辑块和连接可以按照设计者的需要而改变。这一特性让软件与终端应用公司能够提供与其竞争对手不同的解决方案，并且能够灵活地针对自己所用的算法修改电路。
相对而言，FPGA首先设计资源受到很大的限制，例如GPU如果想多加几个核心只要增加芯片面积就行，但FPGA一旦型号选定了，其逻辑资源上限就确定了。
而且，FPGA里面的逻辑单元是基于SRAM查找表，其性能会比GPU里面的标准逻辑单元差很多。
最后，FPGA的布线资源也受限制，因为有些线必须要绕很远，不像GPU这样走ASIC flow可以随意布线，因此，在峰值性能方面，FPGA要远逊于GPU。
ASIC、DSP：小型项目高性价比选配方案
ASIC芯片的优势是运算能力强、规模量产成本低，但开发周期长、单次流片成本高，主要适用于量大、对运算能力要求较高、开发周期较长的领域，比如大部分消费电子芯片和实验。
DSP它不仅具有可编程性，而且其实时运行速度可达每秒数以千万条复杂指令程序，远远超过通用微处理器，是数字化电子世界中日益重要的电脑芯片。它的强大数据处理能力和高运行速度，是最值得称道的两大特色。由于它运算能力很强、速度很快、体积很小，而且采用软件编程具有高度的灵活性，因此为从事各种复杂的应用提供了一条有效途径。当然，与通用微处理器相比，DSP芯片的其他通用功能相对弱些。
FPGA、ASIC、DSP优缺点比较、应用领域
相较ASIC、DSP来说，FPGA的功耗仍比较大，成本优势也不足以支撑高性价比的人脸识别方案设计，因此，目前针对边缘云计算的最新应用方案，ASIC、DSP的选用性更强。
而当下人脸识别算法基本都得到了充分的大数据训练，算法成熟度已经较高，其应用也不再一味追求极限，对一些准确率不是极度变态的场合，ASIC、DSP成为了首选，比如监控的AI赋能。
结语
为满足当下人脸识别等人工智能的发展需求，行业也推出了各种针对深度学习芯片，如TPU、NPU、DPU、BPU等。此外，算法企业也在积极与芯片企业合作，加速推出符合需求的人脸识别芯片产品。
万维识别：工地人员智能管理系统 为工地安全保驾护航
人脸识别：健身房整体智能解决方案
智慧校园：公告栏的命运将何去何从？
添加新手交流群：币种分析、每日早晚盘分析
添加助理微信，一对一亲自指导：YoYo8abc
