芯片产业具有完整的生态链，上游半导体企业进行芯片材料、设备的研发和生产；中游的代加工企业则进行芯片设计、制造、封测等；类似华为、苹果这样的企业，是对芯片的实际应用。截至2020年初，芯片总产值达4000多亿美元，拥有数十个细分领域，每个细分领域都汇聚了众多企业。

　　在该项目中，Spectral Engines采用扫描仪和由其开发的NIR红外传感器，可用于纺织品分选机械的设计和制造中，以自动识别服装和纤维类型，并以更高的准确性和效率运行自动分选过程。此外，Spectral Engines的传感器可用于过程控制功能中的各种制造过程，并可集成到工业物联网解决方案中。 　

　　2019年10月24日，科大讯飞在1024开发者节上再次发布四款生态新品，其中就包括联合生态合作伙伴打造的家电行业专用语音芯片CSK400X系列。据了解。在算法方面，CSK400X系列芯片算力能达到128GOPS/s，通过深度神经网络算法解决家居中的噪音问题，支持200个唤醒词作为命令词。在语音识别方面，该芯片上植入了全栈语音能力，涵盖降噪、语音分离、回声消除、本地和云端语音识别、本地和云端语音合成，以及在线全双工交互能力。

 　　据了解，一旦进入垃圾填埋场，制造衣物所用的天然纤维可能需要数百年的分解时间，而再生纤维、合成纤维等化学纤维则需要数千年的分解时间。LSJH公司在一份声明中说，正在开发的光学识别技术将提高织物中纤维的识别可靠性，并将有助于确保生产更高质量的再生纺织品。 

　　在语音芯片领域，声智科技发挥其前端声学技术优势，推出了麦克风阵列系列芯片。CCBN2018展会期间，声智科技推出的国内首款低功耗麦克风阵列芯片SAI101C，集成了专属优化的低功耗唤醒、远场ASR技术，可以支持线形、环形、L形等多种阵型，在低成本和快速集成方面拥有较强优势。

　LSJH公司项目工程师Jaakko z表示，基于红外传感器的识别技术在塑料包装分类方面很常见，但在纺织品回收方面则是一项创新，目前，市场上对废弃纺织品的分类主要停留在手工操作。
为此，LSJH公司的目标是建立一个能够使用NIR近红外光谱技术的新型红外传感器，处理芬兰所有废弃纺织品，以及国外纺织品废料的设施。到目前为止，芬兰和欧洲其他地区的废弃纺织品都是手工分类的，这意味着环保工人要检查织物标签来识别不同种类的材料。然而，标签可能不准确，有时甚至会丢失。对于使用再生纤维生产新产品的行业来说，无法确定所使用的原材料成为棘手的问题。

　　众多算法公司大力推动语音识别技术的落地应用，形成了算法、终端应用方案一体化的产业格局，并逐步开始自研或与传统芯片设计公司合作推出研发芯片，形成了语音算法和芯片设计公司既互补又竞争的格局。

　　LSJH项目负责人、循环经济专家Sini Ilmonen说，只有将回收纤维更好地应用于新产品中，并推向市场，纺织品回收业务才能创造经济效益。因此，找到希望利用再生纤维开发新产品的企业是至关重要的。 

　　有研究人员认为，从语音芯片走过的路径来看，第三方通用芯片不可避免走向“衰落”是有深层原因的。通用芯片的不足在于：对麦克风阵列、回声消除技术的理解难以协同；算法要不断迭代，功耗要实现毫瓦级，算法和通用芯片架构难以深度融合；此外，数据安全也难以保障。

　采用NIR技术的红外传感器，是用近红外能量来直接检测被加工产品的特定组元或成分。这些传感器的运行原理是，这些组元会选择性吸收近红外能量的特定波长。具体来说，在实际应用中，来自光源的红外光被目标表面部分和选择性地吸收，反射光会产生每种纤维类型或共混物组合的特征光谱。然后将光谱与预定义的数据库进行比较，从而可以识别材料。该传感器检测技术可用于识别由纯棉、聚酯、丙烯酸、羊毛、聚酰胺、丝绸和人造纤维素及棉/聚酯混纺制成的服装。 

　　AI芯片的核心产品指标仅有两个：一是算力性价比，二是算法支持通用性。性能和成本是AI芯片进入大规模商用的重要考量因素。AI语音专用“芯”具备比通用“芯”更强的场景化应用和适应性。专用AI语音芯片由于需要对接特定的场景，在设计的初期阶段就要充分去考虑要应用的语音算法以及相匹配的芯片算力，需要保证在应用中软件算法与硬件芯片之间能够紧密适配、充分耦合，这一点非常重要。