然而，當前安防AI芯片發展看似火熱，實際上尚處于“嬰兒期”，企業要想保持未來發展勢頭，仍需找準突破點。

　　如何衡量AI芯片?不唯有算力

　　如果要給出一個衡量AI芯片的有力指標，大部分人也許會認為是“算力”、“能耗比”等這些直觀數據，畢竟算力是人工智能發展的關鍵因素之一，市場對具有海量數據并行計算能力、能夠加速計算處理的AI芯片有很大需求。

　　但在實際使用時，有些場景下計算核的利用率非常低，甚至有很多計算種類不支持。由此看來，算力不能作為衡量AI芯片性能的指標。

　　同時，如今安防邊界逐漸擴大，各類場景下的智能應用也隨之豐富，多業務同時運行成為常態，所以計算核在多業務切換情況下的性能表現也是一項重要的衡量標準，尤其是在衡量節點端芯片和云端芯片性能方面。

　　此外，AI加速硬件十分依賴存儲器帶寬，因此在相同算法及計算量情況下，計算核對帶寬的使用效率往往也決定整體系統性能。

　　掘金安防行業AI芯片需要適配場景

　　傳統芯片企業更關注通用化芯片，但在做到通用化的同時也犧牲了對具體領域的契合性，這在落地應用時會遇到不少問題。

　　例如，安防端側關注點在于降低AI芯片的單位功耗，但芯片企業對功耗要求可能不是首要優先級，這就給提供解決方案和算法的企業帶來了難題：算法是統一的，但在不同場景中需要適配不同的芯片模組。

　　因此，要想打開安防領域的市場，就要在功耗和成本的嚴格約束下，不斷提升算力，適配場景，提升芯片的專用性。

　　安防行業需要怎樣的芯片

　　AI芯片應用位置不同，需求也不同。在端側，以往采用主芯片加AI協處理器的方式，而目前合二為一的方案已成為主流，且需要易用、穩定、支持主流深度學習框架的軟件開發工具，此外，端側設備對功耗和價格也非常敏感。

　　與端側相比，云側對AI芯片的解碼能力要求更高，起碼不低于AI處理能力，在此基礎上，大數據并發效率決定了AI算力實際能發揮的程度。在價格與功耗方面，云側并沒有端側那么敏感，不過降低花費始終是用戶的訴求。

　　目前致力于研發安防領域AI芯片的公司非常多，這意味著安防AI芯片擁有十分廣闊的市場，但誰能更好地滿足行業需求、實現大批量出貨還有待時間驗證。