人工智能时代加速芯片发展迎来新契机-中国联通研究院.PDF

人工智能时代，加速芯片发展迎来新契机 [摘要] 海量数据资源满足深度学习算法对于训练数据量的要求，但是算法的实现还 需要相应处理器极高的运算能力作为支撑。GPU、FPGA、TPU 等针对人工智能、 深度学习领域的芯片处理器随着人工智能强劲发展势头，也进入了快速发展的阶 段。本文针对各类加速芯片的性能特点，以及在人工智能硬件市场的地位进行着 重分析。 人工智能加速芯片GPU、FPGA、ASIC 新发展 根据美银林估计，2020 年全球机器人和人工智能市场规模将达到 1530 亿美 元，其中在硬件市场方面，将会有30%的市场份额。除英伟达和英特尔两家芯 片巨头在人工智能方向不断高调动作，谷歌、微软和IBM 也在积极进行着各自 的人工智能硬件产业布局。 传统的 CPU 处理器因先天的局限性难以满足深度学习的大规模并行计算需 求,为能够最大程度适应大吞吐量运算的计算架构，目前，代表性芯片主要有： 适合并行计算加速的GPU、基于FPGA 的半定制化芯片、以及针对专门计算框 架的ASIC 芯片（如Google 的基于Tesorflow 专门定制的TPU(Tensor Process Unit)）。 1．GPU 占据人工智能硬件市场主导地位 GPU 最初是作为应对图像处理需求而出现的芯片，因GPU 中大部分晶体管 用于计算单元，更擅长大规模、高强度的并行计算，可以平行处理大量信息。在 人工智能技术发展早期，因其优异的大规模数据处理能力，GPU 被使用在多个 项目中。谷歌的图像识别项目、AlphaGo 项目、特斯拉/沃尔沃等诸多汽车厂 商的辅助驾驶系统和无人驾驶实验中，均使用了GPU 作为加速芯片。 CPU （左图）与GPU （右图）的微架构示意图 目前，GPU 的设计和生产均已经非常成熟，在集成度和制造工艺上具有优 势，因而从成本和性能的平衡来讲，是当下人工智能运算的很好选择。GPU 全 球行业龙头英伟达，目前占据全球GPU 行业的市场份额有超过70% ，而应用在 人工智能领域的可进行通用计算的GPU 市场则基本其垄断。主营产品包括游戏 显卡GeForce GPU,用于深度学习计算的Tesla GPU, 以及为智能汽车处理设计 Tegra GPU 等。主要客户涉及Baidu、Facebook、Google、IBM 等企业已经 Oxford、NYU 等知名教育机构。 2 ．FPGA 后发力，加入AI 硬件市场争夺战 FPGA 全称可编辑门阵列，是一种通用性的芯片，设计更接近于硬件底层的 架构，其最大的特点是可编程。基于可编程的特点，用户可以通过烧入 FPGA 配置文件来实现应用场景的高度定制，进而实现高性能，低功耗。 FPGA 内部结构图 根据Xilinx 报告，目前的 FPGA 市场由Xilinx 和Altera 主导，两者共同占 有85%的市场份额，其中Altera 在2015 年被 Intel 以 167 亿美元收购。Intel 企图通过FPGA 切入AI 硬件市场，技术路线表现为，从现在分立的CPU 芯片+ 分立的 FPGA 加速芯片，过渡到统一封装内的CPU 晶片+FPGA 晶片，到最终 的集成CPU+FPGA 芯片，以拥有更高的单位功耗性能、更低时延和更快加速性 能，冲击CPU+GPU 的主导地位。此外，Intel 与浪潮联合研发的FPGA 加速卡 F10A,具有更高的能耗性，且支持 OpenCL 高级语言开发，使其具备更好的易 编程特性。另一家 FPGA 制造厂商Xilinx 则选择与 IBM 进行深度合作，背后都 体现了 FPGA 在人工智能时代的重要地位。虽 FPGA 的潜力是非常明显的，但 最需要克服的问题是生态体系不健全，普及程度不足。 3 ．ASIC 为后起之秀，AI 定制芯片必成趋势 ASIC 全称专用集成电路，是对应特定应用场景，针对特定用户需求而设计 的专用类芯片。毫无疑问，作为全定制设计的ASIC 芯片，针对应用场景，ASIC 的性能和能耗都要优于市场上的现有芯片，包括FPGA 和 GPU。然而，目前人 工智能类ASIC 的发展仍处于早期。根本原因是，ASIC 一旦设计制造完成后电 路就固定了，只能微调，无法大改，成本较高。且能设计出使用于人工智能芯片 的公司必然要既具备人工智能算法又擅长芯片研发的公司，进入门槛较高。 近期，最引人瞩目的