芯片作為產(chǎn)業(yè)鏈技術(shù)要求最高的環(huán)節(jié)之一，往往是最難攻克的陣地。2016年，我們談中國集成電路在芯片環(huán)節(jié)還比較薄弱；2017上半年，我們說我國與美國的差距主要在硬件方面，尤其是芯片環(huán)節(jié)；2017下半年及2018年，我們看到一批本土AI芯發(fā)布，很多還帶有“首款”的榮譽(yù)稱號，首款嵌入式AI芯、首款人臉識別AI芯、首款A(yù)I移動芯片等等。

似乎，集成電路最難攻克的環(huán)節(jié)——芯片，在AI大環(huán)境下，一切都變得那么EASY。這是真的嗎？

以上是一位與非網(wǎng)友向小編表達(dá)出的疑惑。近期，小編收到很多網(wǎng)友關(guān)于AI芯的疑惑。那么，在近期的《AI發(fā)現(xiàn)》中，我們將結(jié)合與非網(wǎng)友的疑惑，講一講AI芯那些事。

AI芯定義

廣義上講，可以運(yùn)行AI算法的都可以稱為AI芯片，只不過效率有高有低；狹義上說，針對AI算法專門做了特殊加速設(shè)計(jì)的芯片才是AI芯片。

AI芯的硬件核心

AI芯的核心就是神經(jīng)網(wǎng)絡(luò)加速器，或者叫深度學(xué)習(xí)加速器。

AI芯分類

芯片架構(gòu)，四大類芯片

通用類芯片，代表如CPU、GPU、FPGA；

基于FPGA的半定制化芯片，代表如深鑒科技DPU、百度XPU等；

全定制化ASIC芯片，代表如TPU、寒武紀(jì) Cambricon-1A等；

類腦計(jì)算芯片，代表如IBM TrueNorth、westwell、高通Zeroth等。

功能，訓(xùn)練（ Training）與推理（Inference）

訓(xùn)練（Training）：通常需要通過大量的數(shù)據(jù)輸入，或采取增強(qiáng)學(xué)習(xí)等非監(jiān)督學(xué)習(xí)方法，訓(xùn)練出一個復(fù)雜的深度神經(jīng)網(wǎng)絡(luò)模型。

該過程對處理器的計(jì)算能力、精度、可擴(kuò)展性等性能要求很高，能勝任此環(huán)節(jié)工作的芯片有英偉達(dá)的GPU集群與Google  TPU2.0。

推理（Inference）：利用訓(xùn)練好的模型，使用新的數(shù)據(jù)去“推理”出各種結(jié)論。

相比訓(xùn)練過程，推理的計(jì)算量像是個“小兒科”，盡管如此，但此過程也涉及大量的矩陣運(yùn)算。GPU、FPGA和ASIC在此過程發(fā)揮作用。

應(yīng)用場景，云端（Cloud/DataCenter）與設(shè)備端（Device/Embedded）

目前，訓(xùn)練環(huán)節(jié)只能在云端實(shí)現(xiàn)。GPU、FPGA、ASIC(Google TPU1.0/2.0)等都已應(yīng)用于云端訓(xùn)練環(huán)境。

設(shè)備端對AI芯的需求差異大、數(shù)量龐大，低功耗、低延遲、低成本是該領(lǐng)域需求趨勢，如今的xPU與ASIC熱更多集中于該領(lǐng)域。

搞清楚各類芯在AI格局中所在的位置后，我們就集中精力解答如下的問題：

AI芯與AI通用芯的趨勢是什么？

AI通用芯的玩法有哪些？ 誰才是王道？

與非觀點(diǎn)：

AI芯的趨勢：從通用到專用。

該趨勢包含兩個層次的含義：某些應(yīng)用場景，AI專用芯取代AI通用芯；AI通用芯，從通用到為AI定制。

AI通用芯玩法：CPU、GPU、FPGA和DSP共存。

市場首批AI芯片，幾乎都是以現(xiàn)成的CPU、GPU、FPGA和DSP加以組合而成，是和平共處的局面；如今，他們卻被視作互撕的幾股勢力?；蛟S情況并不是這樣，各種AI芯玩法都有存在的意義。

AI通用芯之間的競爭，是一場舊勢力新套路的競爭。

與非論據(jù)：

AI芯的趨勢

曾經(jīng)提及AI通用芯的較量，主要是CPU與GPU兩股勢力；后來CPU漸漸淡出大眾視線，GPU成為AI界寵兒。2016~2017年，英特爾與英偉在AI市場的地位及發(fā)展也能說明這一點(diǎn)。

黃仁勛曾在演講中表示，CPU的時代結(jié)束了。

英特爾懟回去說：不單CPU不行了，GPU也不行了。

這說明，英特爾肯定了通用CPU在AI領(lǐng)域無力的事實(shí)，同時對通用GPU也提出了質(zhì)疑。

那么，短板在哪？是“通用”還是“處理器類型”？

小編認(rèn)為是“通用”，而不同處理器類型是面向不同應(yīng)用場景總有自身可發(fā)揮的優(yōu)勢。

GPU贏過CPU就是因?yàn)镚PU比CPU專用。GPU借助在深度學(xué)習(xí)方面的優(yōu)勢，成為最有競爭力的AI芯片；CPU通用性強(qiáng)，適用于串行計(jì)算，對于AI算力而言，較緩慢。當(dāng)然，CPU與GPU都不是發(fā)展AI最專用的芯片。

2017年12月，IBM推出首個為AI而生的服務(wù)器CPU POWER9，旨在為數(shù)據(jù)密集型人工智能工作負(fù)載管理自由流動數(shù)據(jù)、流傳感器及算法。該處理器采用14納米技術(shù)，嵌入80億個晶體管。

POWER9試圖通過最新的技術(shù)和聯(lián)盟來解決系統(tǒng)短板——異構(gòu)處理器是否有足夠的帶寬與系統(tǒng)的其它部分進(jìn)行通信。

從通用CPU到AI定制CPU，POWER9代表了CPU行業(yè)在AI領(lǐng)域的發(fā)展趨勢。

對于云端AI芯片市場，小公司只能覬覦，這是一場屬于寥寥可數(shù)大公司的權(quán)利游戲，云端發(fā)展不只需要有高運(yùn)算力的芯片，還得營造出生態(tài)系，基本上供應(yīng)商就是這幾家巨頭。但對于終端市場，能實(shí)現(xiàn)更小功耗、更低成本的xPU與ASIC將成為主流。這就注定通用AI芯向?qū)Ｓ肁I芯發(fā)展的趨勢。

AI通用芯玩法

CPU & GPU

黃仁勛曾表示：GPU不會替代CPU，它是攜手和CPU共同工作的，這也是我們?yōu)槭裁窗阉Q之為加速器，CPU是通用型的，什么場景都可以適用。但是GPU在一些專門的問題上是能量非常大的。它的性能要比CPU超過10倍，50倍甚至百倍。最完美的架構(gòu)就是“萬事皆能的CPU”+“勝任重大計(jì)算挑戰(zhàn)的GPU”。

我們先來看看CPU與GPU的對比情況：

英特爾CPU與英偉達(dá)GPU性能對比圖

CPU功能模塊很多，能適應(yīng)復(fù)雜運(yùn)算環(huán)境；GPU構(gòu)成相對簡單，對Cache需求小，大部分晶體管可以組成各類專用電路、多條流水線，使得GPU的計(jì)算速度有了突破性的飛躍，擁有了更強(qiáng)大的處理浮點(diǎn)運(yùn)算的能力。

CPU與GPU結(jié)構(gòu)對比示意圖

GPU未來的主攻方向是高級復(fù)雜算法和通用性人工智能平臺。但GPU無法單獨(dú)工作，必須由CPU進(jìn)行控制調(diào)用才能工作。這也就是黃仁勛為何強(qiáng)調(diào)“CPU+GPU”的模式了。

CPU向AI發(fā)力的重要一大方向就是加速了CPU和GPU、FPGA甚至TPU之間的通信。POWER9也印證了這一觀點(diǎn)，POWER9將加速POWER和GPU、FPGA、TPU之間的合作。比如支持最新的英偉達(dá)Nvida NVLINK技術(shù)，可大幅提升GPU與CPU之間的數(shù)據(jù)交換速度。

GPU未來的主攻方向是高級復(fù)雜算法和通用性人工智能平臺。

FPGA

FPGA兼顧了低功耗和高運(yùn)算能力的優(yōu)勢，F(xiàn)PGA在AI領(lǐng)域的優(yōu)勢是加速和異構(gòu)計(jì)算，比如騰訊云的FPGA加速可以實(shí)現(xiàn)比通用CPU型服務(wù)器快30倍的性能。

FPGA和GPU未來在超級數(shù)據(jù)中心將成主流應(yīng)用，尤其是在深度學(xué)習(xí)方面，在這方面GPU強(qiáng)在訓(xùn)練，而FPGA強(qiáng)在推斷。

賽靈思曾表示：伙伴廠商利用FPGA芯片進(jìn)行基因體定序與優(yōu)化語音識別所需的深度學(xué)習(xí)，察覺FPGA的耗能低于GPU且處理速度較快。相較于GPU只能處理運(yùn)算，F(xiàn)PGA能以更快速的速度一次處理所有與AI相關(guān)的信息。

DSP

DSP是AI通用芯里面最低調(diào)的，或者說最受重視的。

我們先來看看驍龍845如何發(fā)揮AI實(shí)力吧。

與華為、蘋果采用ASIC方式來不同，高通驍龍845利用基于分布式架構(gòu)的神經(jīng)網(wǎng)路處理引擎(SNPE)，運(yùn)行在驍龍異構(gòu)平臺的CPU、GPU、DSP等每一個單元上。

Hexagon 685 DSP不僅只是一塊用于處理語音和音頻的解碼器，由于采用了異步計(jì)算架構(gòu)，支持矢量計(jì)算，因此可用于AI以及神經(jīng)運(yùn)算，在虛擬現(xiàn)實(shí)、增強(qiáng)現(xiàn)實(shí)、圖像處理、視頻處理、計(jì)算視覺等功能中發(fā)揮作用。

DSP核心主要供貨商CEVA認(rèn)為，若要在嵌入式系統(tǒng)中實(shí)現(xiàn)CNN（卷積神經(jīng)網(wǎng)絡(luò)），DSP將能取代GPU和CPU，因CNN在本質(zhì)上，就十分適合運(yùn)用DSP。

DSP能夠?qū)崿F(xiàn)平行處理，核心利用率高。據(jù)悉，相較GPU只能達(dá)到40～50%的使用率，DSP甚至達(dá)到90%以上的核心使用率。業(yè)內(nèi)專家表示，對于一些應(yīng)用場景，以DSP架構(gòu)驅(qū)動的CNN引擎，在成本與功耗上皆具優(yōu)勢。

關(guān)于AI通用芯的情況就講完了。

回顧2017，我們發(fā)現(xiàn)我國的AI芯熱主要集中于半定制化芯片與全定制化ASIC芯片領(lǐng)域。與非網(wǎng)友關(guān)于“集成電路最難攻克的環(huán)節(jié)（芯片），在AI大環(huán)境下，一切都變得那么EASY？”的問題，我們將在下期《AI發(fā)現(xiàn)》中找出答案。