2018年被稱為AI元年，在這一年，谷歌公布了第三代人工智能芯片TPU，專門對自家TensorFlow進行了優(yōu)化，這塊芯片比傳統(tǒng)CPU運算快30倍，能效比高出200倍，如此驚艷表現讓大量AI公司著手規(guī)劃自己的芯片，AI技術的芯片化成為了當前AI產業(yè)發(fā)展的一種世界級現象。
除了谷歌，AWS，微軟，蘋果，百度等世界IT巨頭，依圖，地平線，寒武紀等本土AI獨角獸也在積極研發(fā)自己的AI芯片。新近AI創(chuàng)業(yè)公司大多選擇以算法的芯片化作為市場的切入點。AI產業(yè)也正處在從算法輸出走向芯片研發(fā)的轉型過程中。
目前主流的芯片架構主要分為GPU、FPGA、ASIC等技術流派，代表玩家分別為英偉達，谷歌、賽靈思。
GPU
GPU其實就是我們平時用到的顯卡芯片，每塊顯卡當中都會有一塊GPU協同電腦的CPU來進行圖形加速運算，與CPU相比GPU擁有更多的算數邏輯單元ALU，這可以很方便地執(zhí)行AI這種相對小型化的零散型任務，GPU擁有更多算數邏輯單元，可以形成數量可觀的任務流水線，將運算進行并行處理。
談到GPU就不得不提及計算機圖形顯示領域的巨人英偉達，英偉達在人工智能領域起步很早，積累扎實，從2007年以后通用計算需求下降，CPU市場企穩(wěn)，在游戲市場的推動下GPU的性能和帶寬不斷提升，DNN的需求也在這一時間顯現，英偉達的GPU恰好滿足了當時AI市場需求，從此以后AI便成為了英偉達投資的一個重要市場。
英偉達在算力和開發(fā)環(huán)境方面一直處于業(yè)界領先地位，2018年英偉達上市了最新的Volta架構GPU，算力高達960 Tensor TFLOPS，其基于C語言的CUDA編程環(huán)境擁有廣泛的開發(fā)者基礎。與AWS的合作，讓開發(fā)者能夠在云端執(zhí)行深度學習運算，不需要額外購買GPU設備。
無處不在的安裝基礎讓英偉達在用戶生態(tài)和采購成本方面上占絕有對優(yōu)勢，很多初創(chuàng)公司以及院校研究機構都會選擇英偉達GPU作為主要平臺切入市場，這也使得英偉達生態(tài)擴張很快，市場占有率不斷走強，根據最新公布的數字，英偉達在AI芯片市場占有率已經達到了50%，絕對的NO.1
雖然GPU運算能力很強但缺點也不少，比如在訓練型運算如ADAS等應用上表現出色，占絕對支配地位，但對于推理類運算相對FPGA較弱，此外由于內部是采用的是公版架構設計，所以GPU的晶體管數量非常龐大，要比ASIC高出十倍，這樣最直接的問題就是堆料嚴重，導致成本高和功耗巨大，這也是英偉達GPU被詬病最多的地方。市場目前對于這些缺點還算比較能容忍，客戶現階段最關心的還是算力，畢竟節(jié)約AI訓練時間更加關鍵。英偉達目前也擁有自己的ASIC產品Xaier專門用于ADAS，這是一款車規(guī)級的產品，雖然已經實現了量產，但規(guī)模小，價格偏貴，主要面向與L5級自動駕駛高端市場。
TPU (ASIC)
ASIC全稱 Application Specific Integrated Circuits專用集成電路，這種架構可以被理解為專門為某一項算法定制的芯片，這樣的產品優(yōu)點非常突出，比如由于其依據特定算法設計，不像GPU那樣堆料，容易控制硬件成本，功耗自然也低，但缺點也很突出，由于沒有重構能力，一旦算法發(fā)生迭代，其優(yōu)化的效果就會失效，比如此前的比特大陸ASIC礦機，挖礦機制更新后性能就會變差，設備只能進行重新設計。
TPU Tensor processing unit就是ASIC類型芯片的代表，財力雄厚的谷歌不僅在軟件算法上投資發(fā)力，也在定制自己的AI芯片，TPU同時也是Alpha Go的大腦。其實谷歌最早采用的也是英偉達的GPU，但后期出于多種考慮開始轉向研發(fā)自家芯片，這也導致了英偉達轉向與AWS進行深度合作。谷歌的商業(yè)模式一直非常具有創(chuàng)意，在AI上也是一樣，雖然開放了底層架構TensorFlow，但在芯片業(yè)務上，選擇了只租不賣，對比英偉達的芯片出售模式，谷歌似乎規(guī)劃更長遠，希望開發(fā)一套通用平臺直接服務最終用戶，當然這樣的商業(yè)模式最后能不能成功暫且不論，單單是開發(fā)ASIC就非常具有戰(zhàn)略意義，相比FPGA和GPU，ASIC無論是在功耗還是堆料成本上都要節(jié)約得多，計算效率也要高出很多。但谷歌這枚TPU從嚴格的意義上講是擁有少部分可重構能力的，所以應該算是FPGA與ASIC之間的芯片，但隨著谷歌算法不斷的升級和完善，這部分重構能力很可能會被谷歌抹掉，將其設計成為完全獨立的ASIC芯片。值得注意的是，依圖也借鑒了谷歌這種商業(yè)模式，開發(fā)自研芯片，而且只供自己的服務器使用，不對外出售，亞馬遜的AWS也可能是出于對功耗的顧慮，近期也在轉向自家ASIC的研究。
FPGA
FPGA全稱Field Programmable Gate Array，現場可編程邏輯門陣列，可以被理解為一種半成品的ASIC，擁有極其優(yōu)秀的可重構能力，其硬件加速性能比DSP更加優(yōu)秀，擁有類似GPU那樣多的小單元來將任務流水線并行處理掉，在推理運算方面明顯優(yōu)于GPU。
FPGA 的主要玩家是賽靈思，很多AI初創(chuàng)公司都選擇賽靈思平臺作為市場切入工具，如深鑒科技(已被賽靈思收購)，這樣的趨勢下也進一步擴大了FPGA的市場占有率，讓賽靈思成為了能夠和英偉達分庭抗禮的另外一個生態(tài)陣營，其老對手Altera被英特爾收購后，在AIOT領域明顯發(fā)力不足，在AI市場上的競爭基本不足為慮。
FPGA很好的解決了現階段AI開發(fā)者面臨的問題，在大多數初創(chuàng)公司都還處在尋找應用場景的階段，FPGA給算法的迭代提供了一個比較節(jié)約的選擇。利用FPGA的可重構能力，開發(fā)者可以多次改變項目的特征，實現芯片的復用。使用FPGA雖然能夠省掉了流片成本，但相對來說還是較貴，而且由于其追求可重構的能力，在設計上就沒能達到極致優(yōu)化，功耗比ASIC要高出不少，且技術難度較大，高級開發(fā)人員較少，項目成本較高，在訓練型計算中表現中低于GPU。
就像GPU一樣，雖然FPGA有不少缺點，但也沒辦法擋住其火爆的趨勢，大量AI公司選擇FPGA來進行算法的開發(fā)驗證以及芯片的前期定制，甚至蘋果這種大公司也將FPGA嵌入到自家A12芯片中，提供AI能力。
類腦芯片
類腦芯片完全擺脫了傳統(tǒng)的馮諾依曼結構，把內存和CPU以及通訊元件集成在一起，DSP作為神經元，內存作為突觸。這樣設計的好處是，每個單元完全獨立工作，根據任務量調配單元使用，運算能力驚人且功耗極低。其代表芯片是IBM的TrueNorth和Intel Loihi 。
TrueNorth，可以幾厘米空間里，集成4096個內核、100萬個DSP和2.56億個內存突觸，能耗只有不到70毫瓦。而Loihi 擁有13萬個硅“神經元”，復雜程度幾乎等同老鼠的大腦。目前兩款芯片還都停留在概念階段，沒有投放市場。
作為CPU時代的芯片巨頭，Intel其實一直在布局AI市場，先后收購了Altera，Mobileye ,Nervana，Movidius等與AI相關的公司，但似乎聲音上遠不如谷歌和英偉達。當然就目前情況來看，Intel似乎也并不是很上心。
未來誰將勝利
一方面是在AI訓練市場占有絕對領導地位，另一方面自動駕駛技術尚未成熟，市場反哺還需時日，英偉達面臨的挑戰(zhàn)是在未來持續(xù)保持GPU對FPGA和ASIC算力上的優(yōu)勢，但由于摩爾定律已經失效，7nm后制程升級越來越困難，英偉達若想繼續(xù)保持算力的優(yōu)勢只能不斷的堆料將產品做大，但“功耗”依舊是擺在面前的問題，顯然云端市場并不買賬這樣的堆料方式，紛紛轉向開發(fā)自己的ASIC，而終端市場則被靈活的FPGA切掉了不少份額。
國內的許多創(chuàng)業(yè)公司初期平臺都會選擇FPGA，這種芯片是公司業(yè)務從初創(chuàng)到成型的過渡中非常理想的一種選擇，深鑒，寒武紀，地平線，比特大陸都先后使用過FPGA，商湯等視覺安防AI公司也會用到GPU+FPGA的方案，但當業(yè)務發(fā)展到一定程度后，也都會逐步轉向ASIC，如近期依圖發(fā)布的“求索”，未來AI芯片一定會更加定制化，這也確實是提高AI運行效率，降低成本的一個最有效的途徑。
此外，由于云端市場門檻相對較高，且大廠完全把持，創(chuàng)業(yè)公司的主要機會將集中在邊緣端，這時低功耗，面向場景開發(fā)的AI芯片將是未來主流發(fā)展方向，或者說全行業(yè)面臨著一場AI升級，很多傳統(tǒng)企業(yè)會借助多年在行業(yè)積累的優(yōu)勢切入進AI市場，而這時ASIC應該會有更多大展拳腳的機會。
當然從場景開發(fā)到業(yè)務的成型是一個漫長過程，目前行業(yè)還處在大量企業(yè)和人才的涌入階段，這些企業(yè)在前期初創(chuàng)時基本都離不開英賽兩大廠的產品，所以在很長時間里它們都不會缺乏生意。
