AI芯片的过去和未来，看这篇文章就够了

　　相信你一定还记得击败了李世石和柯洁的谷歌“阿尔法狗”(Alpha Go)，那你知道驱动Alpha Go的是什么吗?

　　如果你觉得Alpha Go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Alpha Go装有48个谷歌的AI芯片，而这48个芯片不是安装在Alpha Go身体里，而是在云端。所以，真正驱动Alpha Go的装置，看上去是这样的...

　　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