电子发烧友App
相信你一定还记得击败了李世石和柯洁的谷歌“阿尔法狗”（AlphaGo），那你知道驱动AlphaGo的是什么吗？
如果你觉得AlphaGo和人相似，只不过是把人脑换成了芯片，那么你就大错特错了。击败李世石的AlphaGo装有48个谷歌的AI芯片，而这48个芯片不是安装在AlphaGo身体里，而是在云端。所以，真正驱动AlphaGo的装置，看上去是这样的...
图片来自网络，版权属于作者
因此李世石和柯洁不是输给了“机器人”，而是输给了装有AI芯片的云工作站。
然而近几年，AI技术的应用场景开始向移动设备转移，比如汽车上的自动驾驶、手机上的人脸识别等。产业的需求促成了技术的进步，而AI芯片作为产业的根基，必须达到更强的性能、更高的效率、更小的体积，才能完成AI技术从云端到终端的转移。
目前，AI芯片的研发方向主要分两种：一是基于传统冯·诺依曼架构的FPGA（现场可编程门阵列）和ASIC（专用集成电路）芯片，二是模仿人脑神经元结构设计的类脑芯片。其中FPGA和ASIC芯片不管是研发还是应用，都已经形成一定规模；而类脑芯片虽然还处于研发初期，但具备很大潜力，可能在未来成为行业内的主流。
这两条发展路线的主要区别在于，前者沿用冯·诺依曼架构，后者采用类脑架构。你看到的每一台电脑，采用的都是冯·诺依曼架构。它的核心思路就是处理器和存储器要分开，所以才有了CPU（中央处理器）和内存。而类脑架构，顾名思义，模仿人脑神经元结构，因此CPU、内存和通信部件都集成在一起。
接下来小探将为读者分别介绍两种架构的简要发展史、技术特点和代表性产品。
从GPU到FPGA和ASIC芯片
2007年以前，受限于当时算法和数据等因素，AI对芯片还没有特别强烈的需求，通用的CPU芯片即可提供足够的计算能力。比如现在在读这篇文章的你，手机或电脑里就有CPU芯片。
之后由于高清视频和游戏产业的快速发展，GPU（图形处理器）芯片取得迅速的发展。因为GPU有更多的逻辑运算单元用于处理数据，属于高并行结构，在处理图形数据和复杂算法方面比CPU更有优势，又因为AI深度学习的模型参数多、数据规模大、计算量大，此后一段时间内GPU代替了CPU，成为当时AI芯片的主流。
GPU比CPU有更多的逻辑运算单元（ALU）
图片来自网络，版权属于作者
然而GPU毕竟只是图形处理器，不是专门用于AI深度学习的芯片，自然存在不足，比如在执行AI应用时，其并行结构的性能无法充分发挥，导致能耗高。
与此同时，AI技术的应用日益增长，在教育、医疗、无人驾驶等领域都能看到AI的身影。然而GPU芯片过高的能耗无法满足产业的需求，因此取而代之的是FPGA芯片，和ASIC芯片。
那么这两种芯片的技术特点分别是什么呢？又有什么代表性的产品呢？
“万能芯片”FPGA
FPGA（FIELD-PROGRAMMABLEGATEARRAY），即“现场可编程门阵列”，是在PAL、GAL、CPLD等可编程器件的基础上进一步发展的产物。
FPGA可以被理解为“万能芯片”。用户通过烧入FPGA配置文件，来定义这些门电路以及存储器之间的连线，用硬件描述语言（HDL）对FPGA的硬件电路进行设计。每完成一次烧录，FPGA内部的硬件电路就有了确定的连接方式，具有了一定的功能，输入的数据只需要依次经过各个门电路，就可以得到输出结果。
用大白话说，“万能芯片”就是你需要它有哪些功能、它就能有哪些功能的芯片。
尽管叫“万能芯片”，FPGA也不是没有缺陷。正因为FPGA的结构具有较高灵活性，量产中单块芯片的成本也比ASIC芯片高，并且在性能上，FPGA芯片的速度和能耗相比ASIC芯片也做出了妥协。
也就是说，“万能芯片”虽然是个“多面手”，但它的性能比不上ASIC芯片，价格也比ASIC芯片更高。
但是在芯片需求还未成规模、深度学习算法需要不断迭代改进的情况下，具备可重构特性的FPGA芯片适应性更强。因此用FPGA来实现半定制人工智能芯片，毫无疑问是保险的选择。
目前，FPGA芯片市场被美国厂商Xilinx和Altera瓜分。据国外媒体Marketwatch的统计，前者占全球市场份额50%、后者占35%左右，两家厂商霸占了85%的市场份额，专利达到6000多项，毫无疑问是行业里的两座大山。
Xilinx的FPGA芯片从低端到高端，分为四个系列，分别是Spartan、Artix、Kintex、Vertex，芯片工艺也从45到16纳米不等。芯片工艺水平越高，芯片越小。其中Spartan和Artix主要针对民用市场，应用包括无人驾驶、智能家居等；Kintex和Vertex主要针对军用市场，应用包括国防、航空航天等。
Xilinx的Spartan系列FPGA芯片
图片来自网络，版权属于作者
我们再说说Xilinx的老对手Altera。Altera的主流FPGA芯片分为两大类，一种侧重低成本应用，容量中等，性能可以满足一般的应用需求，如Cyclone和MAX系列；还有一种侧重于高性能应用，容量大，性能能满足各类高端应用，如Startix和Arria系列。Altera的FPGA芯片主要应用在消费电子、无线通信、军事航空等领域。
专用集成电路ASIC
在AI产业应用大规模兴起之前，使用FPGA这类适合并行计算的通用芯片来实现加速，可以避免研发ASIC这种定制芯片的高投入和风险。
但就像我们刚才说到的，由于通用芯片的设计初衷并非专门针对深度学习，因此FPGA难免存在性能、功耗等方面的瓶颈。随着人工智能应用规模的扩大，这类问题将日益突出。换句话说，我们对人工智能所有的美好设想，都需要芯片追上人工智能迅速发展的步伐。如果芯片跟不上，就会成为人工智能发展的瓶颈。
所以，随着近几年人工智能算法和应用领域的快速发展，以及研发上的成果和工艺上的逐渐成熟，ASIC芯片正在成为人工智能计算芯片发展的主流。
ASIC芯片是针对特定需求而定制的专用芯片。虽然牺牲了通用性，但ASIC无论是在性能、功耗还是体积上，都比FPGA和GPU芯片有优势，特别是在需要芯片同时具备高性能、低功耗、小体积的移动端设备上，比如我们手上的手机。
但是，因为其通用性低，ASIC芯片的高研发成本也可能会带来高风险。然而如果考虑市场因素，ASIC芯片其实是行业的发展大趋势。
为什么这么说呢？因为从服务器、计算机到无人驾驶汽车、无人机，再到智能家居的各类家电，海量的设备需要引入人工智能计算能力和感知交互能力。出于对实时性的要求，以及训练数据隐私等考虑，这些能力不可能完全依赖云端，必须要有本地的软硬件基础平台支撑。而ASIC芯片高性能、低功耗、小体积的特点恰好能满足这些需求。
ASIC芯片市场百家争鸣
2016年，英伟达发布了专门用于加速AI计算的TeslaP100芯片，并且在2017年升级为TeslaV100。在训练超大型神经网络模型时，TeslaV100可以为深度学习相关的模型训练和推断应用提供高达125万亿次每秒的张量计算（张量计算是AI深度学习中最经常用到的计算）。然而在最高性能模式下，TeslaV100的功耗达到了300W，虽然性能强劲，但也毫无疑问是颗“核弹”，因为太费电了。
英伟达TeslaV100芯片
图片来自网络，版权属于作者
同样在2016年，谷歌发布了加速深度学习的TPU（TensorProcessingUnit）芯片，并且之后升级为TPU2.0和TPU3.0。与英伟达的芯片不同，谷歌的TPU芯片设置在云端，就像文章在AlphaGo的例子中说的一样，并且“只租不卖“，服务按小时收费。不过谷歌TPU的性能也十分强大，算力达到180万亿次每秒，并且功耗只有200w。
谷歌TPU芯片
图片来自网络，版权属于作者
关于各自AI芯片的性能，谷歌CEOSundarPichai和英伟达CEO黄仁勋之前还在网上产生过争论。别看两位大佬为自家产品撑腰，争得不可开交，实际上不少网友指出，这两款产品没必要“硬做比较”，因为一个是在云端，一个是在终端。
除了大公司，初创企业也在激烈竞争ASIC芯片市场。那么初创企业在行业中该如何生存呢？对此，AI芯片初创企业Novumind的中国区CEO周斌告诉小探：创新是初创企业的核心竞争力。
2017年，NovuMind推出了第一款自主设计的AI芯片：NovuTensor。这款芯片使用原生张量处理器（NativeTensorProcessor）作为内核构架，这种内核架构由NovuMind自主研发，并在短短一年内获得美国专利。除此之外，NovuTensor芯片采用不同的异构计算模式来应对不同AI应用领域的三维张量计算。2018年下半年，Novumind刚推出了新一代NovuTensor芯片，这款芯片在做到15万亿次计算每秒的同时，全芯片功耗控制在15W左右，效率极高。
Novumind的NovuTensor芯片
尽管NovuTensor芯片的纸面算力不如英伟达的芯片，但是其计算延迟和功耗却低得多，因此适合边缘端AI计算，也就是服务于物联网。虽然大家都在追求高算力，但实际上不是所有芯片都需要高算力的。比如用在手机、智能眼镜上的芯片，虽然也对算力有一定要求，但更需要的是低能耗，否则你的手机、智能眼镜等产品，用几下就没电了，也是很麻烦的一件事情。并且据EETimes的报道，在运行ResNet-18、ResNet-34、ResNet70、VGG16等业界标准神经网络推理时，NovuTensor芯片的吞吐量和延迟都要优于英伟达的另一款高端芯片Xavier。
结合Novumind现阶段的成功，我们不难看出：在云端市场目前被英伟达、谷歌等巨头公司霸占，终端应用芯片群雄逐鹿的情形下，专注技术创新，在关键指标上大幅领先所有竞争对手，或许是AI芯片初创企业的生存之道。
类脑芯片
如文章开头所说，目前所有电脑，包括以上谈到的所有芯片，都基于冯·诺依曼架构。
然而这种架构并非十全十美。将CPU与内存分开的设计，反而会导致所谓的冯·诺伊曼瓶颈（vonNeumannbottleneck）：CPU与内存之间的资料传输率，与内存的容量和CPU的工作效率相比都非常小，因此当CPU需要在巨大的资料上执行一些简单指令时，资料传输率就成了整体效率非常严重的限制。
既然要研制人工智能芯片，那么有的专家就回归问题本身，开始模仿人脑的结构。
人脑内有上千亿个神经元，而且每个神经元都通过成千上万个突触与其他神经元相连，形成超级庞大的神经元回路，以分布式和并发式的方式传导信号，相当于超大规模的并行计算，因此算力极强。人脑的另一个特点是，不是大脑的每个部分都一直在工作，从而整体能耗很低。
神经元结构
图片来源：维基百科
这种类脑芯片跟传统的冯·诺依曼架构不同，它的内存、CPU和通信部件是完全集成在一起，把数字处理器当作神经元，把内存作为突触。除此之外，在类脑芯片上，信息的处理完全在本地进行，而且由于本地处理的数据量并不大，传统计算机内存与CPU之间的瓶颈不复存在了。同时，神经元只要接收到其他神经元发过来的脉冲，这些神经元就会同时做动作，因此神经元之间可以方便快捷地相互沟通。
在类脑芯片的研发上，IBM是行业内的先行者。2014年IBM发布了TrueNorth类脑芯片，这款芯片在直径只有几厘米的方寸的空间里，集成了4096个内核、100万个“神经元”和2.56亿个“突触”，能耗只有不到70毫瓦，可谓是高集成、低功耗的完美演绎。
装有16个TrueNorth芯片的DARPASyNAPSE主板
图片来自网络，版权属于作者
那么这款芯片的实战表现如何呢？IBM研究小组曾经利用做过DARPA的NeoVision2Tower数据集做过演示。它能以30帧每秒速度，实时识别出街景视频中的人、自行车、公交车、卡车等，准确率达到了80%。相比之下，一台笔记本编程完成同样的任务用时要慢100倍，能耗却是IBM芯片的1万倍。
然而目前类脑芯片研制的挑战之一，是在硬件层面上模仿人脑中的神经突触，换而言之就是设计完美的人造突触。
在现有的类脑芯片中，通常用施加电压的方式来模拟神经元中的信息传输。但存在的问题是，由于大多数由非晶材料制成的人造突触中，离子通过的路径有无限种可能，难以预测离子究竟走哪一条路，造成不同神经元电流输出的差异。
针对这个问题，今年麻省理工的研究团队制造了一种类脑芯片，其中的人造突触由硅锗制成，每个突触约25纳米。对每个突触施加电压时，所有突触都表现出几乎相同的离子流，突触之间的差异约为4%。与无定形材料制成的突触相比，其性能更为一致。
即便如此，类脑芯片距离人脑也还有相当大的距离，毕竟人脑里的神经元个数有上千亿个，而现在最先进的类脑芯片中的神经元也只有几百万个，连人脑的万分之一都不到。因此这类芯片的研究，离成为市场上可以大规模广泛使用的成熟技术，还有很长的路要走，但是长期来看类脑芯片有可能会带来计算体系的革命。
说了这么多，相信读者们对AI芯片行业已经有了基本的认识。在未来，AI芯片是否会从云端向终端发展？行业中大小公司的激烈的竞争会催生出怎样的创新和转型？类脑芯片的研发又能取得哪些突破？关于这些问题，每个人都会有不同的见解，欢迎各位读者在下面留言。
本文来源：硅谷探秘
工商网监
评论