另一项比较得意的技术是光线追踪技术（ray tracing）。如果说CPU GPU是处理器设计的皇冠的话，那么ray tracing这个技术就是皇冠上最大的那颗宝石。我们知道，光栅化是传统的GPU图形处理技术，它的好处在于计算量相对较小，但对于有反射折射的地方，它模拟出来的图片效果就没有那么的真实。而ray tracing技术是模拟真实世界里面一个光源发出了数百万个光线照射到不同的材质上面，经过数次反射折射，最终呈现出照片级的真实的效果。但它对计算量要求非常大。Imagination在2017年的时候推出了一项专用于移动设备的ray tracing技术，能够满足对性能、功耗、实时性的要求，可用于手持设备上。而传统的场景则依然使用光栅化方式来做。
为什么我们会同时推出GPU和NNA这样两个技术？因为在做处理器很多情况下需要进行折中。如果要达到最好的普适性就用CPU来做，所有的算法都可以在CPU上跑，但缺点就是多算法效率比较差。另外一个极端就是把所有的算法全部硬化，把软件的东西全部用硬件来实现，那它的效率一定是最高的。但是这里的问题就是算法不能有一点改变，没有任何普适性，算法有一丁点调整整个处理器就用不了。
而在这两个极端中间其实是有很多的过渡空间，比方说可以用DSP来做AI。但这也要面对一些难题，DSP的编程是很困难的，同时DSP更多专注于做定点运算，对浮点运算是不太擅长的。而将GPU用于AI运算为AI产业带来很大突破，虽然GPU拥有很好的普适性和编程效果，但它的计算效率还有更多的空间。所以在这个基础上，我们投入在专门做神经网络处理的NNA，它介于GPU和完全硬化的设备之间，既有一定的普适性，又能保证一定的效率。所以我们的两个产品GPU和NNA结合在一起，通过一种异构的方法，能够既满足普适性，同时又能够提供很高的计算效率。
目前很多初创公司都号称做了一个专用的AI芯片，在benchmark理论上计算分能够达到多少？但AI不仅仅是需要硬件，它还需要软件，是一个整体的系统。我们的NNA，包括我们的GPU有一个最大的好处，不仅仅在于我们的性能最好，benchmark跑分第一，还在于我们对软件方面的支持是最丰富的，所有主流的框架我们都支持。我们还有很多现成的已经做好的网络，包括常见的inception，mobilenet，resnet，SSD等。也就是说我们的用户可以非常方便的去实现他们自己的网络，同时也能够非常容易的在我们的芯片上跑起来。
除了AI应用之外，我们讲边缘计算还有一点就是汽车电子。这两年我们可以看到汽车上使用屏的地方越来越多了，可能后视镜以后不再是一面镜子而是一个显示屏。汽车电子有它自己的独特性，和消费电子不同。从设计流程上来说的话，汽车电子芯片需要一个特定的认证流程，不符合设计流程的芯片不能进入汽车系统。此外它的生命周期也比一般的消费电子要长很多，一般的消费电子可能几年产品就消失了，不再继续支持，但汽车电子的产品推出之后还要能够保持长达10年左右的技术支持。
目前非常火的自动驾驶也需要更多的计算能力。要在有限的空间里面放下这么多的计算能力，同时又不能导致过分的消耗电力，也不会带来太多散热问题，就需要用到我们刚才讲的异构计算的技术。我们可以通过不同的处理器架构来满足不同的任务。比方说我们在做全场景、全视野图像拼接的时候，可以用GPU来做图像的变形和拼接；做路径规划的时候，我们可以用神经网络加速器单元来完成；包括语音识别、人机接口这种娱乐系统，我们可以使用GPU来处理；对于一些目标检测，我们可以使用神经网络处理器来加速。通过这种异构的方式，我们可以帮助我们的客户在一辆车的空间内实现非常强的计算能力。
接下来再简单说一下，我们第3产品线就是我们的Ensigma。我们Ensigma的专家都是当年WIFI和蓝牙标准制定组的专家，在这方面已经推出5代的产品，同时累积的出货量也已经到几千万。也就是说，因为我们有了GPU NNA IP，再加上我们的数据连接IP，我们可以帮助客户直接设计出一个系统级的SoC芯片出来。
说起SoC，除了外围的GPU、NNA和WIFI蓝牙之外，还有非常核心的一点，就是CPU。CPU是所有的电子系统里面必不可少的中央处理单元，在CPU方面我们也有很多布局，和主流的CPU都能配合使用，同时我们也与最近很火的RISC－V的IP与芯片公司有着密切合作。
最后总结一下，Imagination是一家做GPU和AI，包括数据连接的一个IP公司。在GPU方面，我们是世界上唯一的一家具有基础专利，同时又跟美国没有任何关联的公司。在AI方面，虽然目前国内做AI芯片的公司多如牛毛，但我们相信整个AI产业刚刚起步，整个AI产业的发展包括应用的发展，其实是一场非常艰苦的马拉松运动，而不是一个100米的赛跑。这项运动才刚刚开始，能够坚持到最后也只有少量的玩家。我们希望能够帮助我们的客户一起坚持到终点。
谢谢大家。
