[AI工具宝典]AI芯片简识.pdfVIP

本篇重点讲述何为AI芯片，AI芯片的分类，不同AI芯片的对比，AI芯片的主流技术路

线，AI芯片产业概况，国外国内AI芯片和企业发展情况，最后小结AI芯片发展的预期。

世间事分为可以计算和不可以计算，例如你给你女朋友买的礼物是可以计算的，但是您对

你女朋友的爱是不可以计算的。类似在科技网络领域更狠的事是，即使不可以计算也需要

算力来告诉不可以计算，所以现在几乎所有工作的背后都会涉及到算力：AI芯片。

所以对于对科技网络感兴趣的人懂不懂芯片，芯片都无时无刻的存在着，并支撑着我们的

PC、手机、汽车、轮船、交通、工业制造等等生活工作的方方面面。

且随着深度学习（DNN）算法需要海量数据的训练，而传统计算架构无法支撑深度学习

算法的大规模计算需求，因此AI技术的发展对计算芯片提出了新的需求，

本篇重点讲述何为AI芯片，AI芯片的分类，不同AI芯片的对比，AI芯片的主流技术路

线，AI芯片产业概况，国外国内AI芯片和企业发展情况，最后小结AI芯片发展的预期。

什么是AI芯片？

以下3种情况都属于AI芯片：

第一种是能处理AI通用任务且具有核心知识产权（IP）的处理器；第二种是融合运营AI

算法的普通处理器；第三种是较高效提升了语音、图像一项或者多项效率和迭代能力的

处理器。

AI芯片的分类

AI芯片按使用场景分为云端、终端两类。

云端有CPU、GPU、FPGA；终端有ASIC、DSP。

其中云端主要以训练为主，终端以推理任务为主。

AI芯片的对比

不同AI芯片的对比图：

从上图可见，不同架构的芯片在通用/专用性、性能、功耗方面有各自的优点和缺点。

CPU通用性最强，但时延严重、散热高、效率最低；GPU相比其他芯片，通用性稍强、

速度快、效率高，但是在神经网络的执行阶段效率低；DSP速度快、能耗低，但是任务

单一，目前成熟商品仅作为处理器IP核使用；FPGA具有低能耗、高性能以及可编程等

特性，相对于CPU与GPU有明显的性能与能耗优势；ASIC可以更有针对性地进行硬件

层次的优化，从而获得更好的性能。

当然，ASIC芯片的设计和制造需要大量的资金、较长的时间周期和工程周期，而且深度

学习算法也在快速迭代。ASIC类芯片一旦定制无法再次进行写操作，FPGA具有硬件可

升级、可迭代的优势。所以当前阶段，GPU配合CPU将是人工智能芯片的主流，而后随

着视觉、语音、深度学习的算法在FPGA上的不断优化，之后会固化到ASIC上以降低

成本。

AI芯片的主流技术路线

时下AI芯片的2条技术路线：

像处理器（GPU）到数字信号处理器（DSP），再到半定制电路（FPGA）和全定制电路

（ASIC），这5种类型的芯片通用性依次递减，为升级方向；另一条路径是遵循非冯诺

依曼计算架构，以类脑芯片为代表，采用人脑神经元的结构来提升计算能力，但是从落地

情况来看，若实现真正产业化还需要搭建生态系统，包括建立起一整套编程环境、编译器

等工具。

技术路线的趋势是，从通用到专用，然后再由专用到另一个域的通用。

AI芯片的产业分析

从产业的角度来看，不同技术路线的企业有不同的特点。

细节如下图：

AI芯片的国外国内情况比对

从上图可见，国际科技网络巨头公司谷歌、脸书，亚马逊等等在AI芯片领域从云端训练

到终端产品应用，在开源框架赋能产业行业上有一定的领先优势。

但是国内的AI芯片在业务场景上有后发优势，例如：阿里巴巴根据业务场景定制化AI芯

片的平头哥半导体公司，及其刚刚从脸书挖掘的AI框架人才贾杨青等来看，国内的企业

也在打造从AI芯片注重云端训练+AI芯片终端响应+AI算法框架开源的生态体系。

AI发展预

未来面对垂直细分领域的AI芯片市场前景广阔，随着人工智能应用场景的细分市场越来

越多，专门为某些应用场景定制的芯片性能优于通用芯片，终端芯片呈现碎片化、多样化

的特点，并且目前尚未形成市场垄断，机会较多。

一个既知的事实是摩尔定律已经接近物理的极限，而AI的任务之一是深度学习，深度学

习对数据的读写操作很多时候是高于计算功耗。所以未来是一方面提升AI芯片的架构性

能，另外一方面提升芯片的存取单元，例如：未来需要更好的容器架构师。

AI内核有数据+算法+算力三个部分构成，本篇讲的就是内核之一的AI芯片。

期待更多分享详情见笔者的新书《AI赋能：AI重新定义产品经理》和

http://996.pm/7b