AI晶片簡識

本篇重點講述何為AI晶片，AI晶片的分類，不同AI晶片的對比，AI晶片的主流技術路線，AI晶片產業概況，國外國內AI晶片和企業發展情況，最後小結AI晶片發展的預期。

世間事分為可以計算和不可以計算，例如你給你馬子買的禮物是可以計算的，但是您對你馬子的愛是不可以計算的。類似在科技網路領域更狠的事是，即使不可以計算也需要算力來告訴不可以計算，所以現在幾乎所有工作的背後都會涉及到算力：AI晶片。

所以對於對科技網路感興趣的人懂不懂晶片，晶片都無時無刻的存在著，並支撐著我們的PC、手機、汽車、輪船、交通、工業製造等等生活工作的方方面面。

且隨著深度學習（DNN）算法需要海量數據的訓練，而傳統計算架構無法支撐深度學習算法的大規模計算需求，因此AI技術的發展對計算晶片提出了新的需求，

本篇重點講述何為AI晶片，AI晶片的分類，不同AI晶片的對比，AI晶片的主流技術路線，AI晶片產業概況，國外國內AI晶片和企業發展情況，最後小結AI晶片發展的預期。

什麼是AI晶片？

以下3種情況都屬於AI晶片：

• 第一種是能處理AI通用任務且具有核心知識產權（IP）的處理器；
• 第二種是融合經營AI算法的普通處理器；
• 第三種是較高效提升了語音、圖像一項或者多項效率和迭代能力的處理器。

AI晶片的分類

AI晶片按使用場景分為雲端、終端兩類。

• 雲端有CPU、GPU、FPGA；
• 終端有ASIC、DSP。

其中雲端主要以訓練為主，終端以推理任務為主。

AI晶片的對比

不同AI晶片的對比圖：

從上圖可見，不同架構的晶片在通用/專用性、性能、功耗方面有各自的優點和缺點。

• CPU 通用性最強，但時延嚴重、散熱高、效率最低；
• GPU 相比其他晶片，通用性稍強、速度快、效率高，但是在神經網路的執行階段效率低；
• DSP 速度快、能耗低，但是任務單一，目前成熟商品僅作為處理器 IP 核使用；
• FPGA 具有低能耗、高性能以及可編程等特性，相對於 CPU 與 GPU 有明顯的性能與能耗優勢；
• ASIC 可以更有針對性地進行硬件層次的優化，從而獲得更好的性能。

當然，ASIC 晶片的設計和製造需要大量的資金、較長的時間周期和工程周期，而且深度學習算法也在快速迭代。ASIC 類晶片一旦定制無法再次進行寫操作，FPGA 具有硬件可升級、可迭代的優勢。所以當前階段，GPU 配合 CPU 將是人工智能晶片的主流，而後隨著視覺、語音、深度學習的算法在 FPGA 上的不斷優化，之後會固化到 ASIC 上以降低成本。

AI晶片的主流技術路線

時下AI晶片的2條技術路線：

• 像處理器（GPU）到數字信號處理器（DSP），再到半定制電路（FPGA）和全定制電路（ASIC），這 5 種類型的晶片通用性依次遞減，為升級方向；
• 另一條路徑是遵循非馮諾依曼計算架構，以類腦晶片為代表，採用人腦神經元的結構來提升計算能力，但是從落地情況來看，若做到真正產業化還需要搭建生態系統，包括建立起一整套編程環境、編譯器等工具。

技術路線的趨勢是，從通用到專用，然後再由專用到另一個域的通用。

AI晶片的產業分析

從產業的角度來看，不同技術路線的企業有不同的特點。

細節如下圖：

AI晶片的國外國內情況比對

從上圖可見，國際科技網路巨頭公司Google、臉書，亞馬遜等等在AI晶片領域從雲端訓練到終端產品應用，在開源框架賦能產業行業上有一定的領先優勢。

但是國內的AI晶片在業務場景上有後發優勢，例如：阿里巴巴根據業務場景定制化AI晶片的平頭哥半導體公司，及其剛剛從臉書挖掘的AI框架人才賈楊青等來看，國內的企業也在打造從AI晶片注重雲端訓練+AI晶片終端響應+AI算法框架開源的生態體系。

AI發展預期

未來面對垂直細分領域的 AI 晶片市場前景廣闊，隨著人工智能應用場景的細分市場越來越多，專門為某些應用場景定制的晶片性能優於通用晶片，終端晶片呈現碎片化、多樣化的特點，並且目前尚未形成市場壟斷，機會較多。

一個既知的事實是摩爾定律已經接近物理的極限，而AI的任務之一是深度學習，深度學習對數據的讀寫操作很多時候是高於計算功耗。所以未來是一方面提升AI晶片的架構性能，另外一方面提升晶片的存取單元，例如：未來需要更好的容器架構師。

AI內核有數據+算法+算力三個部分構成，本篇講的就是內核之一的AI晶片。

期待更多分享詳情見筆者的新書《AI賦能：AI重新定義產品經理》和 http://996.pm/MeANw

#專欄作家#

連詩路，公眾號：LineLian。人人都是產品經理專欄作家，《產品進化論：AI+時代產品經理的思維方法》一書作者，前阿里產品專家，希望與創業者多多交流。

題圖來自Unsplash, 基於CC0協議