隨著大數(shù)據(jù)的發(fā)展，計(jì)算能力的提升，人工智能近兩年迎來了新一輪的爆發(fā)。而人工智能的實(shí)現(xiàn)依賴三個(gè)要素：算法是核心，硬件和數(shù)據(jù)是基礎(chǔ)，芯片就是硬件的最重要組成部分。它其實(shí)包括兩個(gè)計(jì)算過程：1、訓(xùn)練（Train）；2、應(yīng)用（Inference）。

為什么需要人工智能芯片？神經(jīng)網(wǎng)絡(luò)算法應(yīng)用的不斷發(fā)展，使得傳統(tǒng)的CPU已經(jīng)無法負(fù)擔(dān)幾何級增長的計(jì)算量。深度學(xué)習(xí)作為機(jī)器學(xué)習(xí)的分支，是當(dāng)前人工智能研究的主流方式。簡單說就是用數(shù)學(xué)方法模擬人腦神經(jīng)網(wǎng)絡(luò)，用大量數(shù)據(jù)訓(xùn)練機(jī)器來模擬人腦學(xué)習(xí)過程，其本質(zhì)是把傳統(tǒng)算法問題轉(zhuǎn)化為數(shù)據(jù)和計(jì)算問題。所以對底層基礎(chǔ)芯片的要求也發(fā)生了根本性改變：人工智能芯片的設(shè)計(jì)目的不是為了執(zhí)行指令，而是為了大量數(shù)據(jù)訓(xùn)練和應(yīng)用的計(jì)算。

AI芯片的誕生之路

資料來源：公開資料整理

目前適合深度學(xué)習(xí)的人工智能芯片主要有GPU、FPGA、ASIC三種技術(shù)路線。三類芯片代表分別有英偉達(dá)（NVIDIA）的Tesla系列GPU、賽靈思（Xilinx）的FPGA和Google的TPU。GPU最先被引入深度學(xué)習(xí)，技術(shù)最為成熟；FPGA具有硬件可編程特點(diǎn)，性能出眾但壁壘高。ASCI由于可定制、低成本是未來終端應(yīng)用的趨勢。

DPU

GPU使用SIMD（單指令多數(shù)據(jù)流）來讓多個(gè)執(zhí)行單元以同樣的步伐來處理不同的數(shù)據(jù)，原本用于處理圖像數(shù)據(jù)，但其離散化和分布式的特征，以及用矩陣運(yùn)算替代布爾運(yùn)算適合處理深度學(xué)習(xí)所需要的非線性離散數(shù)據(jù)。作為加速器的使用，可以實(shí)現(xiàn)深度學(xué)習(xí)算法。

GPU由并行計(jì)算單元和控制單元以及存儲(chǔ)單元構(gòu)成GPU擁有大量的核（多達(dá)幾千個(gè)核）和大量的高速內(nèi)存，擅長做類似圖像處理的并行計(jì)算，以矩陣的分布式形式來實(shí)現(xiàn)計(jì)算。同CPU不同的是，GPU的計(jì)算單元明顯增多，特別適合大規(guī)模并行計(jì)算。

GPU與CPU的比較

資料來源：中商產(chǎn)業(yè)研究院

FPGA

FPGA是用于解決專用集成電路的一種方案。專用集成電路是為特定用戶或特定電子系統(tǒng)制作的集成電路。人工智能算法所需要的復(fù)雜并行電路的設(shè)計(jì)思路適合用FPGA實(shí)現(xiàn)。FPGA計(jì)算芯片布滿“邏輯單元陣列”，內(nèi)部包括可配置邏輯模塊，輸入輸出模塊和內(nèi)部連線三個(gè)部分，相互之間既可實(shí)現(xiàn)組合邏輯功能又可實(shí)現(xiàn)時(shí)序邏輯功能的獨(dú)立基本邏輯單元。

FPGA相對于CPU與GPU有明顯的能耗優(yōu)勢，主要有兩個(gè)原因。首先，在FPGA中沒有取指令與指令譯碼操作，在Intel的CPU里面，由于使用的是CISC架構(gòu)，僅僅譯碼就占整個(gè)芯片能耗的50%；在GPU里面，取指令與譯碼也消耗了10%～20%的能耗。其次，F(xiàn)PGA的主頻比CPU與GPU低很多，通常CPU與GPU都在1GHz到3GHz之間，而FPGA的主頻一般在500MHz以下。如此大的頻率差使得FPGA消耗的能耗遠(yuǎn)低于CPU與GPU。

ASIC

ASIC（專用定制芯片）是為實(shí)現(xiàn)特定要求而定制的芯片，具有功耗低、可靠性高、性能高、體積小等優(yōu)點(diǎn)，但不可編程，可擴(kuò)展性不及FPGA，尤其適合高性能/低功耗的移動(dòng)端。

目前，VPU和TPU都是基于ASIC架構(gòu)的設(shè)計(jì)。針對圖像和語音這兩方面的人工智能定制芯片，目前主要有專用于圖像處理的VPU，以及針對語音識(shí)別的FAGA和TPU芯片。

圖像應(yīng)用和語音應(yīng)用人工智能定制芯片

資料來源：中商產(chǎn)業(yè)研究院