從智能家居到智能交通，從醫(yī)療診斷到工業(yè)自動化，AI 的應用場景不斷拓展，其對算力的需求也日益攀升。然而，在資源受限的嵌入式設備上實現(xiàn)高效的 AI 推理，一直是困擾業(yè)界的難題。

7月18日，在第五屆RISC-V中國峰會的AI分論壇上，芯來科技嵌入式軟件工程師舒卓發(fā)表演講時介紹了芯來科技是如何通過 RISC-V V擴展技術，為這一難題提供了一套創(chuàng)新且高效的解決方案，為嵌入式 AI 的發(fā)展注入了強勁動力。

背景：嵌入式 AI 的挑戰(zhàn)與機遇

隨著 AI 技術的飛速發(fā)展，其應用范圍逐漸從云端服務器向邊緣設備和嵌入式系統(tǒng)延伸。嵌入式設備以其低功耗、高性能、高集成度等特性，在物聯(lián)網(wǎng)、智能穿戴、工業(yè)控制等領域展現(xiàn)出巨大的應用潛力。然而，嵌入式設備的硬件資源相對有限，其算力難以滿足復雜 AI 模型的直接運行需求。因此，嵌入式 AI 通常采用“訓練 - 推理分離”的模式，即在服務器上完成模型的訓練，然后將訓練好的模型部署到嵌入式設備上進行推理運算。

舒卓指出，在硬件架構方面，嵌入式 AI 系統(tǒng)多采用“通用 + 專用”的架構組合。專用架構如專用的 DSA（Domain - Specific Architecture）或 NPU（Neural Processing Unit），它們針對特定的 AI 算法進行了優(yōu)化，能夠提供強大的算力支持，但靈活性較差，難以適應算法的快速迭代。而通用架構則以 RISC-V V 擴展為代表，它能夠隨著算子的演進而不斷升級，為嵌入式設備提供了更為靈活的 AI 加速方案。

Nuclei AI Library：為 VPU 加速賦能

在這樣的行業(yè)背景下，芯來科技推出了 Nuclei AI Library，旨在為開發(fā)者提供一套基于 RISC-V V 擴展的高效 AI 算子優(yōu)化庫。Nuclei AI Library 的出現(xiàn)，正是為了填補 NPU 在某些場景下無法滿足需求的空白，為嵌入式設備上的 AI 推理提供更強大的支持。

Nuclei AI Library 對常見的 AI 算子進行了深度優(yōu)化，覆蓋了 int8、int16、fp16、bf16、fp32 等多種數(shù)據(jù)格式，能夠滿足不同精度要求的 AI 應用場景。無論是矩陣運算、卷積操作，還是激活函數(shù)等，這些經(jīng)過優(yōu)化的算子都能在 RISC-V VPU（Vector Processing Unit）上實現(xiàn)高效的運行。而且，該庫還提供了對不同運行環(huán)境的支持，包括裸機、RTOS（Real - Time Operating System）以及 Linux 環(huán)境，極大地增強了其在實際應用中的適用性。

在實際的性能測試中，Nuclei AI Library 的表現(xiàn)令人矚目。以 GEMM（General Matrix Multiply，通用矩陣乘）算子為例，這是 AI 模型中算力占比極高的一個算子。通過采用一系列優(yōu)化策略，如避免使用效率較低的 Reduction 指令、充分“榨取”已加載的數(shù)據(jù)以減少 Load 操作、盡量用滿 V 數(shù)據(jù)寄存器等，Nuclei AI Library 在 Nuclei nx900fdv 上對 GEMM 算子進行了優(yōu)化，實測結果顯示其性能提升倍數(shù)顯著，為嵌入式設備上的矩陣運算帶來了質(zhì)的飛躍。

對于 CNN（Convolutional Neural Network，卷積神經(jīng)網(wǎng)絡）中占比極高的 CON2D（二維卷積）算子，Nuclei AI Library 同樣提供了高效的優(yōu)化方案。目前常用的優(yōu)化方法有兩種：一種是使用 Im2col + GEMM，另一種是使用 Winograd + GEMM 加速小尺寸卷積核。這兩種方法的核心都是將復雜的卷積運算轉(zhuǎn)化為矩陣乘法運算，從而充分利用矩陣運算的高效性。在 Nuclei nx900fdv 上的測試數(shù)據(jù)表明，經(jīng)過 V 擴展優(yōu)化后的 CON2D 算子性能得到了大幅提升，為嵌入式設備上 CNN 網(wǎng)絡的推理運算提供了有力支持。

Nuclei BF16 擴展：提升 AI 計算效率的利器

除了對常見 AI 算子的優(yōu)化，芯來科技還針對當前 AI 領域?qū)τ嬎阈屎途鹊碾p重需求，推出了 Nuclei BF16 擴展。BF16（Brain Floating - Point 16）是由 Google 提出的一種數(shù)值格式，它保留了與 FP32（32 位浮點數(shù)）相同的 8 位指數(shù)寬度，從而具有與 FP32 相同的動態(tài)范圍，但在精度上略低于 FP32。然而，在許多深度學習應用場景中，這種精度的降低對最終結果的影響微乎其微，而 BF16 的位寬減半?yún)s能顯著提高內(nèi)存帶寬利用率，若再配合 SIMD（Single Instruction Multiple Data，單指令多數(shù)據(jù)）指令優(yōu)化，計算效率可成倍提升。

RISC-V 官方目前定義了基本的 BF16 轉(zhuǎn)換指令和向量乘加指令（zvfbfmin 擴展），但這種方式存在一定的局限性，即需要將 BF16 轉(zhuǎn)換為 FP32 后才能進行其他計算，這無疑降低了計算效率和帶寬利用率。針對這一問題，芯來科技通過硬件與工具鏈的協(xié)同優(yōu)化，提出了 Nuclei BF16 擴展。該擴展兼容官方 BF16 指令，自定義了 BF16 rvv intrinsic function，生成與 FP16 相同的指令，并通過設置不同的寄存器值來切換硬件行為，從而避免了不必要的轉(zhuǎn)換，充分發(fā)揮了 BF16 的算力優(yōu)勢。

Nuclei BF16 擴展具有諸多顯著特點。首先，它生成的 BF16 指令與 F16 保持一致，通過 CSR（Control and Status Register，控制狀態(tài)寄存器）寄存器配置來動態(tài)決定硬件處理行為，這種靈活的配置方式使得硬件能夠根據(jù)不同的應用場景靈活切換運算模式。其次，Nuclei BF16 擴展提供了專用 intrinsic API，完整支持 BF16 標量和向量運算，為開發(fā)者提供了強大的工具，使其能夠充分利用 BF16 的高效計算能力。實際測試結果表明，采用 Nuclei BF16 擴展的方案相比官方 zvfbfmin 擴展，性能提升可達 1 倍以上，這一顯著的性能提升無疑為 AI 應用在嵌入式設備上的高效運行提供了有力保障。

Nuclei 矩陣擴展：定制化指令助力性能飛躍

在 AI 應用中，矩陣運算是最為基礎且頻繁的操作之一，其性能的優(yōu)劣直接關系到整個 AI 系統(tǒng)的運行效率。舒卓表示，為了進一步提升矩陣計算性能，芯來科技在 Nuclei GCC（GNU Compiler Collection）工具鏈中引入了定制化的 VPU 擴展 Xxlvqmacc。該擴展遵循 IME（Instruction - set Meta - Architecture，指令集元架構）group 規(guī)范設計，實現(xiàn)了高效的整數(shù)矩陣乘加指令，并提供了相應的 intrinsic functions，以方便開發(fā)者在實際編程中使用。

Xxlvqmacc 擴展支持 8 位整數(shù)輸入值擴展至 32 位精度，這對于需要高精度計算的 AI 應用場景具有重要意義。通過這種擴展，開發(fā)者可以在保持較低存儲和傳輸帶寬需求的同時，獲得更高的計算精度，從而在嵌入式設備上實現(xiàn)更為復雜的 AI 算法。例如，在進行矩陣乘法運算時，傳統(tǒng)的實現(xiàn)方式需要多層循環(huán)嵌套，逐個元素進行計算，這種方式在嵌入式設備上效率較低。而借助 Xxlvqmacc 擴展，開發(fā)者可以利用向量化的指令，一次性處理多個數(shù)據(jù)，大大減少了循環(huán)迭代次數(shù)，顯著提高了運算速度。

結語：引領嵌入式 AI 發(fā)展潮流

芯來科技通過 RISC-V V 擴展技術在 AI 推理領域的創(chuàng)新應用，成功地為嵌入式設備上的 AI 運算帶來了前所未有的性能提升。Nuclei AI Library 為開發(fā)者提供了豐富的優(yōu)化算子，涵蓋了多種數(shù)據(jù)格式和運行環(huán)境，極大地簡化了開發(fā)流程，降低了開發(fā)門檻；Nuclei BF16 擴展則針對 AI 領域?qū)τ嬎阈屎途鹊奶厥庑枨螅岢隽烁咝У慕鉀Q方案，顯著提高了 BF16 格式的計算性能；而 Nuclei 矩陣擴展更是從底層硬件指令層面出發(fā)，為矩陣運算這一 AI 核心操作提供了強大的支持。

在未來的智能時代，隨著 AI 技術的不斷深化和應用場景的持續(xù)拓展，嵌入式設備上的 AI 推理將扮演越來越重要的角色。芯來科技憑借其在 RISC-V V 擴展領域的深厚技術積累和持續(xù)創(chuàng)新能力，將繼續(xù)引領嵌入式 AI 的發(fā)展潮流，助力各行業(yè)實現(xiàn)智能化升級，為人們的生活和工作帶來更多的便利和可能性。