AI芯片技术及企业生态分析.pdf

AI芯片技术及企业生态分析 目录 AI芯片行业概述 1 AI企业生态分析 2 3 关于人工智能芯片 （AI芯片） AI芯片：基于矩阵运算、面向AI应用的芯片设计方案 1、定义：当前AI芯片设计方案繁多，包括但不限于GPU\ FPGA\ASIC\DSP等。目前市场上的对于AI芯片并无明确统一的 定义，广义上所有面向人工智能 （Artificial Intelligence，AI ）应用的芯片都可以被称为AI芯片。 2、当前AI运算指以 “深 度学习”为代表的神经网络算法，需要系统能够高效处理大量非结构化数据 （文本、视频、图 像、语音等）。这需要硬 件具有高效的线性代数运算能力，计算任务具有：单位计算任务简单，逻辑控制难度要求低，但 并行运算量大、参数多 的特点。对于芯片的多核并行运算、片上存储、带宽、低延时的访存等提出了较高的需求。 3、针对不同应用场景，AI芯片还应满足：对主流AI算法框架兼容、可编程、可拓展、低功耗、体积及造价等需求。 深度学习模型复杂度及规模对芯片算力需求激增 通过架构设计AI芯片跨越工艺限制，算力效能对 CPU实现大幅超越 ALU ALU Control ALU ALU ALU Cache DRAM DRAM • 芯片工艺制程逼近物理极限； • 工艺提升缓慢，面对大规模 • CPU芯片中大量晶体管用于 并行运算需求，需要对芯片 构建逻辑控制和存储单元，用 架构进行重新设计； 于构建计算单元的晶体管占比 • GPU ：开发即面向图像处理 极小； 等大规模运算需求； • 为了保证兼容性，CPU构架 • FPGA/ASIC ：对缓存、计算 演进发展受限。 单元、连接进行针对性优化 设计。 注释：DL ：Deep Learning，指深度学习。 来源：《Deep Learning》——Ian Goodfellow、Yoshua Bengio、Aaron Courville ；英伟达官网。 3 AI芯片实现算力提升 AI芯片满足AI应用所需的 “暴力计算”需求 早在上世纪80年代，学术界已经提出了相当完善的人工智能算法模型，但直到近些年，模型的内在价值也没有被真正的实 现过。这主要是受限于硬件技术发展水平，难以提供