28
?
芯片作為產(chǎn)業(yè)鏈技術(shù)要求最高的環(huán)節(jié)之一，往往是最難攻克的陣地。2016 年，我們談中國集成電路在芯片環(huán)節(jié)還比較薄弱；2017 上半年，我們說我國與美國的差距主要在硬件方面，尤其是芯片環(huán)節(jié)；2017 下半年及 2018 年，我們看到一批本土 AI 芯發(fā)布，很多還帶有“首款”的榮譽(yù)稱號，首款嵌入式 AI 芯、首款人臉識別 AI 芯、首款 AI 移動芯片等等。
似乎，集成電路最難攻克的環(huán)節(jié)——芯片，在 AI 大環(huán)境下，一切都變得那么 EASY。這是真的嗎？
以上是一位與非網(wǎng)友向小編表達(dá)出的疑惑。近期，小編收到很多網(wǎng)友關(guān)于 AI 芯的疑惑。那么，在近期的《AI 發(fā)現(xiàn)》中，我們將結(jié)合與非網(wǎng)友的疑惑，講一講 AI 芯那些事。
?
AI 芯定義
廣義上講，可以運(yùn)行 AI 算法的都可以稱為 AI 芯片，只不過效率有高有低；狹義上說，針對 AI 算法專門做了特殊加速設(shè)計的芯片才是 AI 芯片。
AI 芯的硬件核心
AI 芯的核心就是神經(jīng)網(wǎng)絡(luò)加速器，或者叫深度學(xué)習(xí)加速器。
AI 芯分類
芯片架構(gòu)，四大類芯片
基于 FPGA 的半定制化芯片，代表如深鑒科技 DPU、百度 XPU 等；
全定制化 ASIC 芯片，代表如 TPU、寒武紀(jì) Cambricon-1A 等；
類腦計算芯片，代表如 IBM TrueNorth、westwell、高通 Zeroth 等。
功能，訓(xùn)練（ Training）與推理（Inference）
訓(xùn)練（Training）：通常需要通過大量的數(shù)據(jù)輸入，或采取增強(qiáng)學(xué)習(xí)等非監(jiān)督學(xué)習(xí)方法，訓(xùn)練出一個復(fù)雜的深度神經(jīng)網(wǎng)絡(luò)模型。
?
該過程對處理器的計算能力、精度、可擴(kuò)展性等性能要求很高，能勝任此環(huán)節(jié)工作的芯片有英偉達(dá)的 GPU 集群與 Google? TPU2.0。
?
推理（Inference）：利用訓(xùn)練好的模型，使用新的數(shù)據(jù)去“推理”出各種結(jié)論。
?
相比訓(xùn)練過程，推理的計算量像是個“小兒科”，盡管如此，但此過程也涉及大量的矩陣運(yùn)算。GPU、FPGA 和 ASIC 在此過程發(fā)揮作用。
?
?
應(yīng)用場景，云端（Cloud/DataCenter）與設(shè)備端（Device/Embedded）
目前，訓(xùn)練環(huán)節(jié)只能在云端實現(xiàn)。GPU、FPGA、ASIC(Google TPU1.0/2.0)等都已應(yīng)用于云端訓(xùn)練環(huán)境。
設(shè)備端對 AI 芯的需求差異大、數(shù)量龐大，低功耗、低延遲、低成本是該領(lǐng)域需求趨勢，如今的 xPU 與 ASIC 熱更多集中于該領(lǐng)域。
搞清楚各類芯在 AI 格局中所在的位置后，我們就集中精力解答如下的問題：
AI 芯與 AI 通用芯的趨勢是什么？
AI 通用芯的玩法有哪些？ 誰才是王道？
?
與非觀點：
AI 芯的趨勢：從通用到專用。
該趨勢包含兩個層次的含義：某些應(yīng)用場景，AI 專用芯取代 AI 通用芯；AI 通用芯，從通用到為 AI 定制。
AI 通用芯玩法：CPU、GPU、FPGA 和 DSP 共存。
市場首批 AI 芯片，幾乎都是以現(xiàn)成的 CPU、GPU、FPGA 和 DSP 加以組合而成，是和平共處的局面；如今，他們卻被視作互撕的幾股勢力?；蛟S情況并不是這樣，各種 AI 芯玩法都有存在的意義。
AI 通用芯之間的競爭，是一場舊勢力新套路的競爭。
?
與非論據(jù)：
AI 芯的趨勢
曾經(jīng)提及 AI 通用芯的較量，主要是 CPU 與 GPU 兩股勢力；后來 CPU 漸漸淡出大眾視線，GPU 成為 AI 界寵兒。2016~2017 年，英特爾與英偉在 AI 市場的地位及發(fā)展也能說明這一點。
黃仁勛曾在演講中表示，CPU 的時代結(jié)束了。
英特爾懟回去說：不單 CPU 不行了，GPU 也不行了。
?
這說明，英特爾肯定了通用 CPU 在 AI 領(lǐng)域無力的事實，同時對通用 GPU 也提出了質(zhì)疑。
那么，短板在哪？是“通用”還是“處理器類型”？
?
小編認(rèn)為是“通用”，而不同處理器類型是面向不同應(yīng)用場景總有自身可發(fā)揮的優(yōu)勢。
GPU 贏過 CPU 就是因為 GPU 比 CPU 專用。GPU 借助在深度學(xué)習(xí)方面的優(yōu)勢，成為最有競爭力的 AI 芯片；CPU 通用性強(qiáng)，適用于串行計算，對于 AI 算力而言，較緩慢。當(dāng)然，CPU 與 GPU 都不是發(fā)展 AI 最專用的芯片。
2017 年 12 月，IBM 推出首個為 AI 而生的服務(wù)器 CPU POWER9，旨在為數(shù)據(jù)密集型人工智能工作負(fù)載管理自由流動數(shù)據(jù)、流傳感器及算法。該處理器采用 14 納米技術(shù)，嵌入 80 億個晶體管。
?
POWER9 試圖通過最新的技術(shù)和聯(lián)盟來解決系統(tǒng)短板——異構(gòu)處理器是否有足夠的帶寬與系統(tǒng)的其它部分進(jìn)行通信。
?
從通用 CPU 到 AI 定制 CPU，POWER9 代表了 CPU 行業(yè)在 AI 領(lǐng)域的發(fā)展趨勢。
?
對于云端 AI 芯片市場，小公司只能覬覦，這是一場屬于寥寥可數(shù)大公司的權(quán)利游戲，云端發(fā)展不只需要有高運(yùn)算力的芯片，還得營造出生態(tài)系，基本上供應(yīng)商就是這幾家巨頭。但對于終端市場，能實現(xiàn)更小功耗、更低成本的 xPU 與 ASIC 將成為主流。這就注定通用 AI 芯向?qū)Ｓ?AI 芯發(fā)展的趨勢。
?
AI 通用芯玩法
CPU & GPU
黃仁勛曾表示：GPU 不會替代 CPU，它是攜手和 CPU 共同工作的，這也是我們?yōu)槭裁窗阉Q之為加速器，CPU 是通用型的，什么場景都可以適用。但是 GPU 在一些專門的問題上是能量非常大的。它的性能要比 CPU 超過 10 倍，50 倍甚至百倍。最完美的架構(gòu)就是“萬事皆能的 CPU”+“勝任重大計算挑戰(zhàn)的 GPU”。
我們先來看看 CPU 與 GPU 的對比情況：
英特爾 CPU 與英偉達(dá) GPU 性能對比圖
?
CPU 功能模塊很多，能適應(yīng)復(fù)雜運(yùn)算環(huán)境；GPU 構(gòu)成相對簡單，對 Cache 需求小，大部分晶體管可以組成各類專用電路、多條流水線，使得 GPU 的計算速度有了突破性的飛躍，擁有了更強(qiáng)大的處理浮點運(yùn)算的能力。
?
CPU 與 GPU 結(jié)構(gòu)對比示意圖
?
GPU 未來的主攻方向是高級復(fù)雜算法和通用性人工智能平臺。但 GPU 無法單獨(dú)工作，必須由 CPU 進(jìn)行控制調(diào)用才能工作。這也就是黃仁勛為何強(qiáng)調(diào)“CPU+GPU”的模式了。
?
CPU 向 AI 發(fā)力的重要一大方向就是加速了 CPU 和 GPU、FPGA 甚至 TPU 之間的通信。POWER9 也印證了這一觀點，POWER9 將加速 POWER 和 GPU、FPGA、TPU 之間的合作。比如支持最新的英偉達(dá) Nvida NVLINK 技術(shù)，可大幅提升 GPU 與 CPU 之間的數(shù)據(jù)交換速度。
?
GPU 未來的主攻方向是高級復(fù)雜算法和通用性人工智能平臺。
FPGA
FPGA 兼顧了低功耗和高運(yùn)算能力的優(yōu)勢，F(xiàn)PGA 在 AI 領(lǐng)域的優(yōu)勢是加速和異構(gòu)計算，比如騰訊云的 FPGA 加速可以實現(xiàn)比通用 CPU 型服務(wù)器快 30 倍的性能。
FPGA 和 GPU 未來在超級數(shù)據(jù)中心將成主流應(yīng)用，尤其是在深度學(xué)習(xí)方面，在這方面 GPU 強(qiáng)在訓(xùn)練，而 FPGA 強(qiáng)在推斷。
賽靈思曾表示：伙伴廠商利用 FPGA 芯片進(jìn)行基因體定序與優(yōu)化語音識別所需的深度學(xué)習(xí)，察覺 FPGA 的耗能低于 GPU 且處理速度較快。相較于 GPU 只能處理運(yùn)算，F(xiàn)PGA 能以更快速的速度一次處理所有與 AI 相關(guān)的信息。
?
DSP
DSP 是 AI 通用芯里面最低調(diào)的，或者說最受重視的。
我們先來看看驍龍 845 如何發(fā)揮 AI 實力吧。
?
與華為、蘋果采用 ASIC 方式來不同，高通驍龍 845 利用基于分布式架構(gòu)的神經(jīng)網(wǎng)路處理引擎(SNPE)，運(yùn)行在驍龍異構(gòu)平臺的 CPU、GPU、DSP 等每一個單元上。
?
Hexagon 685 DSP 不僅只是一塊用于處理語音和音頻的解碼器，由于采用了異步計算架構(gòu)，支持矢量計算，因此可用于 AI 以及神經(jīng)運(yùn)算，在虛擬現(xiàn)實、增強(qiáng)現(xiàn)實、圖像處理、視頻處理、計算視覺等功能中發(fā)揮作用。
DSP 核心主要供貨商 CEVA 認(rèn)為，若要在嵌入式系統(tǒng)中實現(xiàn) CNN（卷積神經(jīng)網(wǎng)絡(luò)），DSP 將能取代 GPU 和 CPU，因 CNN 在本質(zhì)上，就十分適合運(yùn)用 DSP。
DSP 能夠?qū)崿F(xiàn)平行處理，核心利用率高。據(jù)悉，相較 GPU 只能達(dá)到 40～50%的使用率，DSP 甚至達(dá)到 90%以上的核心使用率。業(yè)內(nèi)專家表示，對于一些應(yīng)用場景，以 DSP 架構(gòu)驅(qū)動的 CNN 引擎，在成本與功耗上皆具優(yōu)勢。
關(guān)于 AI 通用芯的情況就講完了。
回顧 2017，我們發(fā)現(xiàn)我國的 AI 芯熱主要集中于半定制化芯片與全定制化 ASIC 芯片領(lǐng)域。與非網(wǎng)友關(guān)于“集成電路最難攻克的環(huán)節(jié)（芯片），在 AI 大環(huán)境下，一切都變得那么 EASY？”的問題，我們將在下期《AI 發(fā)現(xiàn)》中找出答案。
如果你有更多 AI 方面的疑惑，歡迎下方留言。
與非網(wǎng)原創(chuàng)內(nèi)容，未經(jīng)許可，不得轉(zhuǎn)載！
?
《AI 發(fā)現(xiàn)》專欄：
