本篇重點講述何為AI芯片，AI芯片的分類，不同AI芯片的對比，AI芯片的主流技術路線，AI芯片產業概況，國外國內AI芯片和企業發展情況，最后小結AI芯片發展的預期。

世間事分為可以計算和不可以計算，例如你給你女朋友買的禮物是可以計算的，但是您對你女朋友的愛是不可以計算的。類似在科技網絡領域更狠的事是，即使不可以計算也需要算力來告訴不可以計算，所以現在幾乎所有工作的背后都會涉及到算力：AI芯片。

所以對于對科技網絡感興趣的人懂不懂芯片，芯片都無時無刻的存在著，并支撐著我們的PC、手機、汽車、輪船、交通、工業制造等等生活工作的方方面面。

且隨著深度學習（DNN）算法需要海量數據的訓練，而傳統計算架構無法支撐深度學習算法的大規模計算需求，因此AI技術的發展對計算芯片提出了新的需求，

本篇重點講述何為AI芯片，AI芯片的分類，不同AI芯片的對比，AI芯片的主流技術路線，AI芯片產業概況，國外國內AI芯片和企業發展情況，最后小結AI芯片發展的預期。

什么是AI芯片？

以下3種情況都屬于AI芯片：

• 第一種是能處理AI通用任務且具有核心知識產權（IP）的處理器；
• 第二種是融合運營AI算法的普通處理器；
• 第三種是較高效提升了語音、圖像一項或者多項效率和迭代能力的處理器。

AI芯片的分類

AI芯片按使用場景分為云端、終端兩類。

• 云端有CPU、GPU、FPGA；
• 終端有ASIC、DSP。

其中云端主要以訓練為主，終端以推理任務為主。

AI芯片的對比

不同AI芯片的對比圖：

從上圖可見，不同架構的芯片在通用/專用性、性能、功耗方面有各自的優點和缺點。

• CPU 通用性最強，但時延嚴重、散熱高、效率最低；
• GPU 相比其他芯片，通用性稍強、速度快、效率高，但是在神經網絡的執行階段效率低；
• DSP 速度快、能耗低，但是任務單一，目前成熟商品僅作為處理器 IP 核使用；
• FPGA 具有低能耗、高性能以及可編程等特性，相對于 CPU 與 GPU 有明顯的性能與能耗優勢；
• ASIC 可以更有針對性地進行硬件層次的優化，從而獲得更好的性能。

當然，ASIC 芯片的設計和制造需要大量的資金、較長的時間周期和工程周期，而且深度學習算法也在快速迭代。ASIC 類芯片一旦定制無法再次進行寫操作，FPGA 具有硬件可升級、可迭代的優勢。所以當前階段，GPU 配合 CPU 將是人工智能芯片的主流，而后隨著視覺、語音、深度學習的算法在 FPGA ?上的不斷優化，之后會固化到 ASIC 上以降低成本。

AI芯片的主流技術路線

時下AI芯片的2條技術路線：

• 像處理器（GPU）到數字信號處理器（DSP），再到半定制電路（FPGA）和全定制電路（ASIC），這 5 種類型的芯片通用性依次遞減，為升級方向；
• 另一條路徑是遵循非馮諾依曼計算架構，以類腦芯片為代表，采用人腦神經元的結構來提升計算能力，但是從落地情況來看，若實現真正產業化還需要搭建生態系統，包括建立起一整套編程環境、編譯器等工具。

技術路線的趨勢是，從通用到專用，然后再由專用到另一個域的通用。

AI芯片的產業分析

從產業的角度來看，不同技術路線的企業有不同的特點。

細節如下圖：

AI芯片的國外國內情況比對

從上圖可見，國際科技網絡巨頭公司谷歌、臉書，亞馬遜等等在AI芯片領域從云端訓練到終端產品應用，在開源框架賦能產業行業上有一定的領先優勢。

但是國內的AI芯片在業務場景上有后發優勢，例如：阿里巴巴根據業務場景定制化AI芯片的平頭哥半導體公司，及其剛剛從臉書挖掘的AI框架人才賈楊青等來看，國內的企業也在打造從AI芯片注重云端訓練+AI芯片終端響應+AI算法框架開源的生態體系。

AI發展預期

未來面對垂直細分領域的 AI 芯片市場前景廣闊，隨著人工智能應用場景的細分市場越來越多，專門為某些應用場景定制的芯片性能優于通用芯片，終端芯片呈現碎片化、多樣化的特點，并且目前尚未形成市場壟斷，機會較多。

一個既知的事實是摩爾定律已經接近物理的極限，而AI的任務之一是深度學習，深度學習對數據的讀寫操作很多時候是高于計算功耗。所以未來是一方面提升AI芯片的架構性能，另外一方面提升芯片的存取單元，例如：未來需要更好的容器架構師。

AI內核有數據+算法+算力三個部分構成，本篇講的就是內核之一的AI芯片。

期待更多分享詳情見筆者的新書《AI賦能：AI重新定義產品經理》和?http://996.pm/7bjab

#專欄作家#

連詩路，公眾號：LineLian。人人都是產品經理專欄作家，《產品進化論：AI+時代產品經理的思維方法》一書作者，前阿里產品專家，希望與創業者多多交流。

本文原創發布于人人都是產品經理。未經許可，禁止轉載。

題圖來自Unsplash, 基于CC0協議