AI芯片的過去和未來，看這篇文章就夠了

　　相信你一定還記得擊敗了李世石和柯潔的谷歌“阿爾法狗”(Alpha Go)，那你知道驅動Alpha Go的是什么嗎?

　　如果你覺得Alpha Go和人相似，只不過是把人腦換成了芯片，那么你就大錯特錯了。擊敗李世石的Alpha Go裝有48個谷歌的AI芯片，而這48個芯片不是安裝在Alpha Go身體里，而是在云端。所以，真正驅動Alpha Go的裝置，看上去是這樣的...

　　因此李世石和柯潔不是輸給了“機器人”，而是輸給了裝有AI芯片的云工作站。

　　然而近幾年，AI技術的應用場景開始向移動設備轉移，比如汽車上的自動駕駛、手機上的人臉識別等。產業的需求促成了技術的進步，而AI芯片作為產業的根基，必須達到更強的性能、更高的效率、更小的體積，才能完成AI技術從云端到終端的轉移。

　　目前，AI芯片的研發方向主要分兩種：一是基于傳統馮·諾依曼架構的FPGA(現場可編程門陣列)和ASIC(專用集成電路)芯片，二是模仿人腦神經元結構設計的類腦芯片。其中FPGA和ASIC芯片不管是研發還是應用，都已經形成一定規模;而類腦芯片雖然還處于研發初期，但具備很大潛力，可能在未來成為行業內的主流。

　　這兩條發展路線的主要區別在于，前者沿用馮·諾依曼架構，后者采用類腦架構。你看到的每一臺電腦，采用的都是馮·諾依曼架構。它的核心思路就是處理器和存儲器要分開，所以才有了CPU(中央處理器)和內存。而類腦架構，顧名思義，模仿人腦神經元結構，因此CPU、內存和通信部件都集成在一起。

　　接下來小探將為讀者分別介紹兩種架構的簡要發展史、技術特點和代表性產品。

從GPU到FPGA和ASIC芯片

　　2007年以前，受限于當時算法和數據等因素，AI對芯片還沒有特別強烈的需求，通用的CPU芯片即可提供足夠的計算能力。比如現在在讀這篇文章的你，手機或電腦里就有CPU芯片。

　　之后由于高清視頻和游戲產業的快速發展，GPU(圖形處理器)芯片取得迅速的發展。因為GPU有更多的邏輯運算單元用于處理數據，屬于高并行結構，在處理圖形數據和復雜算法方面比CPU更有優勢，又因為AI深度學習的模型參數多、數據規模大、計算量大，此后一段時間內GPU代替了CPU，成為當時AI芯片的主流。

　　GPU比CPU有更多的邏輯運算單元(ALU) 圖片來自網絡，版權屬于作者

　　然而GPU畢竟只是圖形處理器，不是專門用于AI深度學習的芯片，自然存在不足，比如在執行AI應用時，其并行結構的性能無法充分發揮，導致能耗高。

　　與此同時，AI技術的應用日益增長，在教育、醫療、無人駕駛等領域都能看到AI的身影。然而GPU芯片過高的能耗無法滿足產業的需求，因此取而代之的是FPGA芯片，和ASIC芯片。

　　那么這兩種芯片的技術特點分別是什么呢?又有什么代表性的產品呢?

“萬能芯片”FPGA

　　FPGA(FIELD-PROGRAMMABLEGATEARRAY)，即“現場可編程門陣列”，是在PAL、GAL、CPLD等可編程器件的基礎上進一步發展的產物。

　　FPGA可以被理解為“萬能芯片”。用戶通過燒入FPGA配置文件，來定義這些門電路以及存儲器之間的連線，用硬件描述語言(HDL)對FPGA的硬件電路進行設計。每完成一次燒錄，FPGA內部的硬件電路就有了確定的連接方式，具有了一定的功能，輸入的數據只需要依次經過各個門電路，就可以得到輸出結果。

　　用大白話說，“萬能芯片”就是你需要它有哪些功能、它就能有哪些功能的芯片。

　　盡管叫“萬能芯片”，FPGA也不是沒有缺陷。正因為FPGA的結構具有較高靈活性，量產中單塊芯片的成本也比ASIC芯片高，并且在性能上，FPGA芯片的速度和能耗相比ASIC芯片也做出了妥協。

　　也就是說，“萬能芯片”雖然是個“多面手”，但它的性能比不上ASIC芯片，價格也比ASIC芯片更高。

　　但是在芯片需求還未成規模、深度學習算法需要不斷迭代改進的情況下，具備可重構特性的FPGA芯片適應性更強。因此用FPGA來實現半定制人工智能芯片，毫無疑問是保險的選擇。

　　目前，FPGA芯片市場被美國廠商Xilinx和Altera瓜分。據國外媒體Marketwatch的統計，前者占全球市場份額50%、后者占35%左右，兩家廠商霸占了85%的市場份額，專利達到6000多項，毫無疑問是行業里的兩座大山。

　　Xilinx的FPGA芯片從低端到高端，分為四個系列，分別是Spartan、Artix、Kintex、Vertex，芯片工藝也從45到16納米不等。芯片工藝水平越高，芯片越小。其中Spartan和Artix主要針對民用市場，應用包括無人駕駛、智能家居等;Kintex和Vertex主要針對軍用市場，應用包括國防、航空航天等。

　　Xilinx的Spartan系列FPGA芯片 圖片來自網絡，版權屬于作者

　　我們再說說Xilinx的老對手Altera。Altera的主流FPGA芯片分為兩大類，一種側重低成本應用，容量中等，性能可以滿足一般的應用需求，如Cyclone和MAX系列;還有一種側重于高性能應用，容量大，性能能滿足各類高端應用，如Startix和Arria系列。Altera的FPGA芯片主要應用在消費電子、無線通信、軍事航空等領域。

　　專用集成電路ASIC

　　在AI產業應用大規模興起之前，使用FPGA這類適合并行計算的通用芯片來實現加速，可以避免研發ASIC這種定制芯片的高投入和風險。

　　但就像我們剛才說到的，由于通用芯片的設計初衷并非專門針對深度學習，因此FPGA難免存在性能、功耗等方面的瓶頸。隨著人工智能應用規模的擴大，這類問題將日益突出。換句話說，我們對人工智能所有的美好設想，都需要芯片追上人工智能迅速發展的步伐。如果芯片跟不上，就會成為人工智能發展的瓶頸。

　　所以，隨著近幾年人工智能算法和應用領域的快速發展，以及研發上的成果和工藝上的逐漸成熟，ASIC芯片正在成為人工智能計算芯片發展的主流。

　　ASIC芯片是針對特定需求而定制的專用芯片。雖然犧牲了通用性，但ASIC無論是在性能、功耗還是體積上，都比FPGA和GPU芯片有優勢，特別是在需要芯片同時具備高性能、低功耗、小體積的移動端設備上，比如我們手上的手機。

　　但是，因為其通用性低，ASIC芯片的高研發成本也可能會帶來高風險。然而如果考慮市場因素，ASIC芯片其實是行業的發展大趨勢。

　　為什么這么說呢?因為從服務器、計算機到無人駕駛汽車、無人機，再到智能家居的各類家電，海量的設備需要引入人工智能計算能力和感知交互能力。出于對實時性的要求，以及訓練數據隱私等考慮，這些能力不可能完全依賴云端，必須要有本地的軟硬件基礎平臺支撐。而ASIC芯片高性能、低功耗、小體積的特點恰好能滿足這些需求。

　ASIC芯片市場百家爭鳴

　　2016年，英偉達發布了專門用于加速AI計算的TeslaP100芯片，并且在2017年升級為TeslaV100。在訓練超大型神經網絡模型時，TeslaV100可以為深度學習相關的模型訓練和推斷應用提供高達125萬億次每秒的張量計算(張量計算是AI深度學習中最經常用到的計算)。然而在最高性能模式下，TeslaV100的功耗達到了300W，雖然性能強勁，但也毫無疑問是顆“核彈”，因為太費電了。

　　英偉達TeslaV100芯片 圖片來自網絡，版權屬于作者