在當(dāng)前的人工智能領(lǐng)域，尤其是涉及到深度學(xué)習(xí)的推理階段，行業(yè)普遍認(rèn)為GPU是唯一的選擇。然而，GPU的成本相對較高，且對于某些特定的應(yīng)用場景，其高昂的價(jià)格和較高的能耗成為了一大負(fù)擔(dān)。

相比之下，CPU作為一種性價(jià)比極高的推理硬件，逐漸進(jìn)入了人們的視野，尤其是在對結(jié)果準(zhǔn)確度有較高要求且需要考慮成本效益的行業(yè)中，如制造業(yè)、圖像處理與分析等。經(jīng)過數(shù)年的內(nèi)部研究，阿丘科技的工業(yè)AI視覺算法平臺軟件AIDI已經(jīng)成功驗(yàn)證了CPU推理的可行性，為行業(yè)提供了新的解決方案。

具體應(yīng)用場景01

舊產(chǎn)線改造

許多制造企業(yè)的生產(chǎn)線啟動時(shí)間較早，初期采用的傳統(tǒng)算法并不過多依賴于GPU資源。隨著時(shí)間的發(fā)展，這些產(chǎn)線的主板可能無法支持新增的GPU、NPU、TPU等加速卡。

在這種情況下，如果企業(yè)希望在其生產(chǎn)線上添加AI檢測功能，全面更換工控機(jī)會導(dǎo)致成本激增，并延長上線周期。通過使用AIDI提供的CPU推理模式，企業(yè)可以迅速實(shí)現(xiàn)AI檢測功能的上線，同時(shí)避免了高昂的硬件升級費(fèi)用。

相關(guān)詞語解釋：

CPU（中央處理器，Central Processing Unit）

CPU是計(jì)算機(jī)的主要處理單元，負(fù)責(zé)執(zhí)行系統(tǒng)中的大部分基本指令集，包括算術(shù)邏輯運(yùn)算、控制單元的功能以及數(shù)據(jù)的移動等。它通常設(shè)計(jì)為能夠高效地處理廣泛的任務(wù)，從運(yùn)行操作系統(tǒng)到執(zhí)行應(yīng)用程序的各種任務(wù)。

GPU（圖形處理器，Graphics Processing Unit）

GPU最初是為加速計(jì)算機(jī)圖形渲染而設(shè)計(jì)的處理器，但現(xiàn)在其應(yīng)用范圍已經(jīng)遠(yuǎn)遠(yuǎn)超出了圖形處理領(lǐng)域。GPU擁有大量的核心，能夠并行處理大量數(shù)據(jù)，這使得它們在圖像和視頻處理、深度學(xué)習(xí)、科學(xué)計(jì)算等領(lǐng)域非常有用。

NPU（神經(jīng)網(wǎng)絡(luò)處理器，Neural Network Processing Unit）

NPU是一種專門為處理機(jī)器學(xué)習(xí)算法而設(shè)計(jì)的微處理器，尤其是針對深度學(xué)習(xí)任務(wù)。NPU優(yōu)化了對向量和矩陣運(yùn)算的支持，這些運(yùn)算是神經(jīng)網(wǎng)絡(luò)訓(xùn)練和推理過程中的基礎(chǔ)。

TPU（張量處理單元，Tensor Processing Unit）

TPU是由谷歌開發(fā)的一種定制ASIC（專用集成電路），專門用于加速機(jī)器學(xué)習(xí)工作負(fù)載，特別是針對使用TensorFlow框架的應(yīng)用程序。TPU能夠高效地執(zhí)行大規(guī)模的矩陣運(yùn)算，這對于訓(xùn)練和推斷階段的深度學(xué)習(xí)模型至關(guān)重要。

02

輕量型項(xiàng)目

對于一些新的項(xiàng)目，尤其是那些算力需求較小的場景（如圖像小于500萬像素，僅需進(jìn)行圖像分類或單圖推理，且可接受100毫秒的延遲），使用單個(gè)GPU卡往往無法達(dá)到滿負(fù)荷運(yùn)行的狀態(tài)，從而造成資源浪費(fèi)。

這類項(xiàng)目非常適合采用CPU進(jìn)行推理，訓(xùn)練階段則可以利用GPU工控機(jī)或云端資源。這種方法不僅能夠顯著降低硬件采購成本，還能確保項(xiàng)目的順利推進(jìn)。

03

舊產(chǎn)線改造的具體情形

如下圖所示，通過傳統(tǒng)算法進(jìn)行項(xiàng)目的測量與檢測，硬件配置主要為CPU+內(nèi)存+主板。

圖：舊產(chǎn)線

目前，舊產(chǎn)線改造通常有以下兩種情形。

情形一：硬件配置基本不變，即CPU+內(nèi)存+主板，通過傳統(tǒng)算法做測量，而利用AI算法做外觀檢測。

圖：情形一

情形二：硬件配置基本不變，即CPU+內(nèi)存+主板，通過傳統(tǒng)算法做測量與外觀檢測，而利用AI算法做缺陷復(fù)判。

圖：情形二AIDI-CPU推理的優(yōu)勢01

推理速度比肩GTX1060，500萬圖像像素級推理僅需50ms

AIDI的CPU推理在速度方面表現(xiàn)出色，其底層采用DefectNet網(wǎng)絡(luò)+Aqinfer推理引擎的創(chuàng)新模式。

DefectNet網(wǎng)絡(luò)專門針對工業(yè)數(shù)據(jù)的特性而設(shè)計(jì)，具備輕量且檢測能力強(qiáng)的特點(diǎn)。Aqinfer自研推理引擎則針對工業(yè)場景中圖像分辨率高、目標(biāo)小的特點(diǎn)，在原本就較高的推理速度基礎(chǔ)上，進(jìn)一步優(yōu)化計(jì)算速度。

02

節(jié)省硬件成本，降低耗能風(fēng)險(xiǎn)

CPU在市場上供應(yīng)充足，價(jià)格相對更為親民，相較于一些高性能GPU，CPU的獲取成本更低。對于企業(yè)來說，尤其是預(yù)算有限的中小企業(yè)，選擇CPU推理可以在不犧牲太多性能的前提下，大幅降低硬件采購成本。

以一家小型服裝加工廠為例，在引入AI檢測系統(tǒng)時(shí)，如果選擇GPU方案，高昂的硬件成本可能使其望而卻步；而采用CPU推理方案，僅需利用現(xiàn)有的工控機(jī)資源，就能實(shí)現(xiàn)基本的質(zhì)量檢測功能。

同時(shí)，GPU的高功耗不僅增加了企業(yè)的用電成本，還會導(dǎo)致設(shè)備硬件容易因過熱等問題而損壞。相比之下，CPU的功耗較低，運(yùn)行更加穩(wěn)定，能夠有效降低企業(yè)的能耗風(fēng)險(xiǎn)和設(shè)備維護(hù)成本。在長期運(yùn)行過程中，這一優(yōu)勢將為企業(yè)節(jié)省大量的資金和人力投入。

03

快速驗(yàn)證，減少額外投資

利用CPU進(jìn)行AI推理，企業(yè)可以充分挖掘既有平臺的空閑算力，避免了為新的算力需求而進(jìn)行大規(guī)模的額外投資。在項(xiàng)目的初期驗(yàn)證階段，CPU推理能夠快速搭建起一個(gè)低成本的測試環(huán)境，幫助企業(yè)快速驗(yàn)證AI算法的可行性和有效性。例如，視覺團(tuán)隊(duì)可以先在現(xiàn)有的服務(wù)器上利用CPU進(jìn)行算法驗(yàn)證，根據(jù)驗(yàn)證結(jié)果再決定是否需要進(jìn)一步投資更強(qiáng)大的GPU算力。

成功案例

在某膠體檢測項(xiàng)目中，產(chǎn)品的檢測項(xiàng)涵蓋少膠、溢膠、斷膠、漏膠等關(guān)鍵指標(biāo)。老設(shè)備方案中，膠水識別采用的是傳統(tǒng)算法，但在實(shí)際應(yīng)用中，偶爾會出現(xiàn)定位不準(zhǔn)的問題，這對產(chǎn)品質(zhì)量產(chǎn)生了一定的影響。為了提高檢測精度，降低過檢率，企業(yè)決定引入AI檢測方案。

由于新增GPU需要對工控機(jī)配置進(jìn)行復(fù)雜的修改，并且采購流程耗時(shí)較長，為了確保產(chǎn)線的正常運(yùn)行，不耽誤生產(chǎn)進(jìn)度，項(xiàng)目團(tuán)隊(duì)最終選擇了CPU推理方案。經(jīng)過實(shí)際測試和驗(yàn)證，該方案能夠直接上線，并且取得了令人滿意的效果。

在此次項(xiàng)目中，圖像分辨率為1000W，客戶要求的CT（Cycle Time，周期時(shí)間）為1000ms，而實(shí)際CT時(shí)間僅為500ms，單圖推理時(shí)間更是縮短至100ms，完全滿足了上線要求。這一案例充分證明了阿丘科技AIDI的CPU推理在實(shí)際工業(yè)場景中的可行性和有效性，為其他類似項(xiàng)目提供了寶貴的參考經(jīng)驗(yàn)。

綜上，CPU推理作為AI算力配置的新范式，在特定的應(yīng)用場景中展現(xiàn)出了獨(dú)特的優(yōu)勢。隨著技術(shù)的不斷發(fā)展和優(yōu)化，相信阿丘科技AIDI的CPU推理將在更多領(lǐng)域得到廣泛應(yīng)用，為企業(yè)的智能化轉(zhuǎn)型提供更加經(jīng)濟(jì)、高效的解決方案。