AIoT爆发在即，聆思科技“芯片+算法”深度耦合路线有何价值?

在日趋成熟的AI技术助力下，物联网（IoT）领域已开始显现爆发势能。

具体而言，IoT的经典架构包含了感知层、传输层、应用层等，涉及到对物理世界大量信息的收集和处理，过去受制于算法算力问题，难以对收集到的数据进行高效处理，现在借助于AI算法，才终于实现了从数据感知到数据认知的飞跃。

在AI加持之下，IoT也升级跃迁为AIoT，相关市场规模逐步打开。IDC数据显示，2021年全球AIoT市场规模超5万亿元，同比增长11%，预计2026年将超过10万亿元，2021-2026年复合增长率达13%。

不过，现阶段AIoT行业碎片化痛点仍然突出，渗透率还有待提升，根据Euromoniter、CIC、BCG等研究机构数据，当前全球物联网行业整体渗透率平均仅为4%-5%。

这一背景下，“芯片+算法”深度耦合路线引起市场关注，一些初创企业也借此崛起。比如聆思科技，天眼查显示，该公司成立于2020年，坚持基于人工智能算法与自主芯片设计强耦合，来输出垂类场景解决方案，截至目前已完成四轮融资。

而结合AIoT行业现状来看，聆思科技走到台前究竟反映了怎样的市场需求？大模型时代，这类企业又将如何发挥其价值？

AIoT产业链视角下，软硬强耦合模式有何价值？

就行业特质而言，AIoT注重万物智联，这决定了其要面对的市场需求纷繁复杂、应用场景碎片化特征显著，而这种碎片化反映在产品品类、技术平台多样化，连接协议、安全协议不统一，芯片与操作系统高度分散化等方面，相应要求产业链上下游加强协同。

不过，由于产业链较长，面对特定场景需求，当前AIoT行业中的芯片厂商、算法提供商、方案提供商等主体一定程度上存在不协同。

具体而言，芯片是AIoT产业的核心，可保证终端产品的高性能、高能效比，尤其是SoC（系统级）芯片集成了CPU、GPU、NPU、存储器、基带、ISP、DSP、WIFI、蓝牙等模块，是实现设备智能化的关键；算法有应用领域广、种类多样化、演进速度快等特点，对芯片架构设计提出较高要求。

而两者的不协同就主要体现在市面上流行的更多是通用型芯片，但由于物联网应用场景、设备、功能的多样性，通用型芯片很难满足算法公司的个性化需求，这种情况下，鉴于采购的芯片已然固化，一些算法公司会对算法模型进行裁剪来适应硬件条件。

这一方案下，算法公司或将产生较大的时间和资金投入，而且难免造成算力浪费、模型裁剪过多、芯片成本偏高等问题，进而也影响了AIoT设备智能化发展。

当然，目前也有不少算法公司开始自研芯片，不过考虑到算法和芯片研发的规律截然不同，相关企业若此前并未经验积累，而是从零出发招兵买马，一定程度上也面临风险。

这一背景下，为了响应市场需求，软硬强耦合方案应运而生。所谓软硬强耦合，即独立芯片设计公司基于算法与场景需求，打造具备定制化属性的人工智能端侧芯片，为行业提供更优、更快、更具性价比的解决方案。

对此，聆思科技曾做过相关解释：“从AI芯片到loT芯片到解决方案再到研测产制平台，一揽子打包交付给客户，才能把一个设备从不智能升级为智能。”

据聆思科技相关负责人介绍，在同等面积下，公司研发的定制化芯片，算力大约比传统通用芯片高5-10倍，可支持多个AI算法的并发运行。同时，聆思科技提供与芯片配套的全流程工具链，覆盖产品研发设计到落地的全周期。

值得一提的是，考虑到技术门槛，同时推进AIoT的两大主线——芯片和算法，并非易事。而聆思科技能够实现软硬强耦合，与其对行业的深度洞察及研发积淀密切相关。

据悉，由于认识到企业客户落地AIoT之艰难——需要与AI公司、芯片公司、方案提供商多方交涉，其中不仅沟通成本极高，而且种种不兼容、不匹配难以避免，聆思科技创业之初即搭建了完整的芯片团队和算法团队，这在业内较为少见。

而依托人才优势，其也逐步构建起面向AIoT全领域的芯片矩阵；在算法方面，已经具备数百种端云结合的丰富算法（从语音、视觉、OCR、降噪，到离线自由说、分布式唤醒、Smart TTS、方言、声纹等）。

凭借解决方案的易用性及性价比优势，聆思科技的业绩规模也持续扩大。数据显示，截至2023年，聆思科技的年销售额已经破亿。

这也更进一步印证了AIoT产业中芯片与算法强耦合路径的必要性和正确性。而在云端大模型已获得革命性突破的当下，AIoT行业有望迎来一轮新的面貌革新，聆思科技等企业仍是重要的推进力量。

大模型驱动，AIoT万物智联的时代真正到来？

据了解，AIoT时代，90%信息输入依靠语言，80%信息输出依靠视觉。如今，在语言、视觉、交互等方面实现重大突破的大模型赋能AIoT的想象空间，既宽广又诱人。

具体而言，以ChatGPT为代表的AI大模型展现出了非常优秀的自然语言交互能力，聆思科技此前就做过相关总结：ChatGPT的智能涌现表现在海量信息参数化全量记忆、任意任务的对话式理解、复杂逻辑思维链推理、多角色多风格长文本生成、即时交互修正能力支持进化、程序代码自动生成、输入图像的语义层理解这七个方面。

而近段时间OpenAI发布的首个文生视频模型Sora，在语言理解能力等方面再上台阶，并不断往物理世界模拟进化，可以说这场AI技术主导的科技盛宴“全程高能”。

再试想如果能够将大模型的能力融入AIoT产品打造中，无疑将带来终端使用体验质的提升，比如在智能家居场景中，设备不再仅针对固定的有限口令进行反应，而是具备与人类对话互动等高度智能化能力，这种情况下，专业智慧管家等角色或能真正具象化。

而物联网领域海量的数据，也可以为大模型的应用提供充足的“养料”。根据机构预测，到2025年，全球每分钟将有超过15万台物联网设备连接入网，预计物联网设备生成的数据量将达到73.1ZB，占到全球数据总量的44%。

基于此，目前也已经有厂商正在推进相关愿景实现。比如，智能安防领域，宇视科技推出具备CV（计算机视觉）、NLP（自然语言处理）、MM（多模态）等多项能力的“梧桐”大模型。

聚焦智能家居场景，聆思科技也已经开发新一代多模态人机交互方案，基于大模型，结合虚拟人、Smart TTS技术，打造生成式虚拟AI管家，以实现智慧家庭人机交互。

不过，相关企业在推进大模型应用的过程中也面临不小的挑战。一方面，大模型的应用门槛较高，动辄百亿甚至千亿参数规模，需要AIoT芯片具备更强大的算力支持。

另一方面，考虑到物联网数据具备多模态、异构性等特征，要想使大模型落地AIoT场景并充分发挥作用（如对现实中瞬息万变的状况第一时间完成信息采集并做出反应），还需将其与系统深度耦合，以实现对物联网感知数据的使用以及对相关设备的控制、调度。

正如特斯联CTO华先胜曾指出的，大模型本身是AIoT的扩充，类似具有强大理解能力的“大脑”，若通过系统连接AIoT设备来给它配上“眼睛”“鼻子”“耳朵”“手”“脚”，其将具备多元的感知、分析、决策和控制能力，从而实现更强的智能。

因此，可以看到，去年10月，聆思科技推出了“芯云战略计划”，该计划融合了芯片层、算法层以及云端平台层，其中，芯片层解决算力问题，算法层解决AI效果问题，云端平台层解决大模型的接入问题。

考虑到当前AI技术大幅提升等因素，有专家预测，2024年将是AloT产业发展的分水岭。这一形势下，随着聆思科技等厂商不断促进产业上下游协同、加强系统化运作，万物智联时代有望真正到来。