AI时代 处理器市场群雄争霸谁能领跑？

　　后起之秀概率芯片

　　2016 年 4月16 日，MIT Techonolgy Review 报道，DARPA 投资了一款叫做“S1”的概率芯片。模拟测试中，使用 S1 追踪视频里的移动物体，每帧处理速度比传统处理器快了近 100 倍，而能耗还不到传统处理器的 2%。MIT 媒体实验室教授、Twitter 首席媒体科学家 Deb Roy 评论称，近似计算的潮流正在兴起。

　　美国 Singular Computing 公司开发的“S1”概率芯片，获得 DARPA 投资，能够让计算机更好地分析图像。来源：MIT Techonolgy Review

　　纽约州立大学石溪分校终身教授顾险峰从最基础的数学层面分析了概率芯片的优点，专用概率芯片可以发挥概率算法简单并行的特点，极大提高系统性能。概率芯片所使用的随机行走概率方法有很多优点：算法逻辑异常简单，不需要复杂的数据结构，不需要数值代数计算;计算精度可以通过模拟不同数目的随机行走自如控制;不同的随机行走相互独立，可以大规模并行模拟;模拟过程中，不需要全局信息，只需要网络的局部信息。

　　顾险峰最后总结，依随着英特尔重组，传统 CPU 体系机构独霸江山的时代将一去不复返，概率芯片和其他更多采用全新架构的专用处理器分庭抗礼的时代即将来临!

　　早在 2008 年 MIT Techonolgy Review “十大科技突破”预测中，概率芯片就榜上有名。通过牺牲微小的计算精度，换取能耗明显降低，概率芯片在历来追求精准的芯片领域独树一帜。考虑到 DARPA 投资 S1，概率芯片很可能后来居上。

　　实力股 FPGA

　　2012年，百度决定自主设计深度学习专有的体系结构和芯片，经过深入研究和论证，为让项目快速落地及迭代，工程师最后决定使用 FPGA 实现百度第一版自主设计的深度学习专有芯片。

　　作为 GPU 在算法加速上强有力的竞争者，FPGA 硬件配置灵活且单位能耗通常比 GPU 低。更重要的是，FPGA 相比 GPU 价格便宜。但是，使用 FPGA 需要具体硬件的知识，而许多研究者和应用科学家并不具备，因此 FPGA 常被视为一种行家专属的架构。

　　加州大学计算机博士刘少山认为，FPGA 具有低能耗、高性能以及可编程等特性，十分适合感知计算。在能源受限的情况下，FPGA 相对于 CPU 与 GPU 有明显的性能与能耗优势。此外，感知算法不断发展意味着感知处理器需要不断更新，FPGA 具有硬件可升级、可迭代的优势。由于 FPGA 的低能耗特性，FPGA 很适合用于传感器的数据预处理工作。可以预见，FPGA 与传感器的紧密结合将会很快普及。而后随着视觉、语音、深度学习的算法在 FPGA 上的不断优化，FPGA 将逐渐取代 GPU 与 CPU 成为机器人上的主要芯片。

　　目前，还没有任何深度学习工具明确支持 FPGA，但显然它是支实力股。

　　GPU：未来市场霸主?

　　凭借强大的并行计算能力，在机器学习快速发展的推动下，GPU 目前在深度学习芯片市场非常受欢迎，大有成为主流的趋势。互联网巨头，比如谷歌、Facebook、微软、Twitter 和百度等公司都在使用 GPU 分析图片、视频和音频文件，改进搜索和图像标签等应用功能。GPU 也被大量应用于 VR/AR 相关产业。此外，很多汽车生产商也在使用 GPU 芯片发展无人车，主要是用于传感器。可以说，GPU 是眼下智能产品市场用户覆盖率最广泛的芯片。

　　半导体研究公司 Tractica LLC 预计，到 2024 年深度学习项目在 GPU 上的花费将从 2015 年的 4360 万增长到 41 亿美元，在相关软件上的花费将从 1.09 亿增长到 104 亿。

　　但也有人认为，通用芯片 GPU 相比深度学习专用芯片并不具有优势。

　　这有一定道理，但设计新的芯片需要很多年，研发成本可能高达数千万甚至数亿美元。而且，专用芯片比通用芯片更难编程，最重要的是，专用芯片——根据定义——只提升特定任务的性能表现，这也是为什么谷歌要设计 TPU 辅助 GPU 和 CPU。

　　英伟达工程架构副总裁 Marc Hamilton 在接受采访时表示，谷歌的 TPU 是一个非常有意思的技术，但 TPU 的发布进一步印证了他们的观点，那就是人工智能处理器将继续从通用的 CPU 转向 GPU 和 TPU 等其他芯片。此外，GPU 的技术也在不断发展。

　　Hamilton 还提到了百度人工智能科学家 Bryan Catanzaro 的话：深度学习并不是一个那么窄的领域，从计算角度看，深度学习多样化而且演化迅速;要是制造一款适用于所有深度学习的专用芯片，本质上也就成了 GPU。

　　当然，GPU 也不乏竞争者。除了 AMD，Nervana、Movidius 等公司都在模仿 GPU 的并行计算能力制作芯片，但是着眼于把数据更快转移和分摊给图像所需要的功能。

　　永远有更多的选择

　　除了采用其他架构，研究人员很早就开始探索使用新材料制作芯片。2015 年，三星、Gobal Foundries、IBM 和纽约州立大学等机构组成的研究联盟推出了一个 7 纳米的微芯片，其晶体管大约一半都由硅 - 锗(SiGe)合金制成。石墨烯也是芯片研发一个重点。机器学习加速新材料发现，也意味着使用新材料制作的芯片出现几率大大提高。

　　总之，谷歌自己打造 TPU 预示着未来更多非半导体公司或许也将开始生产硬件;硬件制造商必须不断改进自己的产品，贴近用户越来越多样化的需求。