作为当前计算密度最大的单芯片，昇腾910芯片依照着华为公司“全栈全场景”的智能战略，仍旧采用了与去年发布的昇腾310一样的达芬奇架构。众所周知，在深度学习领域，从框架到模型，从API到库都是高度定制化的。这一自研架构在带来更强的算力与更好的能效比的同时，在逐步优化使用体验并建立用户生态的过程中，也遇到了不少困难和挑战。

本次分享将尝试回答下面几个问题：

1. 为什么人工智能专用芯片具有强大的算力和能效比？

2. 达芬奇架构的加速原理是什么样子的？

3. 如果想要针对某种特定架构优化我的算法，使其达到性能最优，我可以采取什么策略？

在过去一年逐步完善人工智能芯片解决方案的具体实践中，我们也总结出了一些经验。本次演讲结合理论与实践，以深度学习中最常用的卷积算子优化为例，希望能够为大家在网络优化的道路上带来一些启发和帮助。

演讲提纲：

一、商业价值=数据+算法+算力

二、计算芯片加速理论

      GPU

      TPU

三、典型智能计算芯片加速原理

      计算单元

      存储系统

      控制单元

      指令集设计

四、加速实战：卷积算子

      基于矩阵计算单元的矩阵运算

      卷积算子参数定义和数据排布方式

      输入特征图数据的格式转换

      分块矩阵相乘

      性能分析

五、总结

     深度学习性能提升小秘诀

     人工智能芯片的发展趋势

听众收益：

1. 技术上，结合硬件架构的发展趋势，通过对算法加速理论的讲解，帮助算法开发人员理解人工智能算法的加速原理，把握算法和硬件的发展趋势。

2. 业务上，将算法加速理论与硬件架构相结合，逐点解析卷积算子的实现，帮助听众掌握针对特定领域架构芯片的算法优化方法。