偶然的机会他们接触到了一个，船舶识别与跟踪的项目，船东设想通过人工技术来提高对海面目标的识别与发现概率，避免紧急状况的发生，在船舶航行中人为失误占80%,而导致故障的主要原因就是观察和判断失误,而失误的原因更多是疲劳和注意力分散,人长时间的注意力高度集中,往往会导致疲劳,而人工智能最大的优势就是用机器代替人对海情观察与信息收集处理,使得船舶驾驶者可以把有限的精力放到关键的场景,做到船舶能够顺利航行.对于船舶驾驶来说人工智能在复杂水域条件下是作为助航使用,一开始他就是当作一个项目做做，挣点钱，结果后来发现自己掉到了一个很大坑里。

通常的图形图形识别都是基于深度学习的神经网络的算法，包括CNN，YOLO3这些，而深度学习建立、模拟人脑进行分析学习的神经网络，对于视觉识别来说，CNN分层提取的特征与人的视觉机理（神经科学）类似，都是进行边缘->部分->全体的过程。它被引入使其更接近于最初的目标——人工智能(AI, A

tificial I

tellige

ce)。深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。 深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术。

简单点说就是算法处理数学公式，海量数据学习后建立数据集，还有计算的硬件，就是让系统能够识别一艘船，那么就让这个系统先录入1万张的照片，通过算法这些特征记录下来建立数据集，在实际使用的时候，系统捕捉到船舶通过算法后与数据集内的参数对比，然后判断，是不是船舶，那种类型船舶。如果让船舶能够学习10万张图片，那么识别准确率会更高！当然对硬件的要求就更高了，就出现了AI芯片！

AI芯片是算力属于硬件，算法是通过模拟人类脑部神经结构，进行对物体及态势的认知，判断，决策，而常用的神经网络算法就有30多种，还有很多变异结构

按照部署位置划分，AI 芯片可以分为云端芯片和边缘端芯片。云端芯片部署位置包括公有云、私有云或者混合云等基础设施，主要用于处理海量数据和大规模计算，而且还要能够支持语音、图片、视频等非结构化应用的计算和传输，一般情况下都是用多个处理器并行完成相关任务；边缘端 AI 芯片主要应用于嵌入式、移动终端等领域，如摄像头、智能手机、边缘服务器、工控设备等，此类芯片一般体积小、耗电低，性能要求略低，一般只需具备一两种 AI 能力。

按照承担的任务分，AI 芯片可以划分为训练芯片和推理芯片。训练是指通过大量标记过的数据在平台上进行“学习”，并形成具备特定功能的神经网络模型；推理则是利用已经训练好的模型输入新数据通过计算得到各种结论。训练芯片对算力、精度要求非常之高，而且还需要具备一定的通用性，以适应多种算法的训练；推理芯片更加注重综合能力，包括算力能耗、时延、成本等因素。