人工智能（AI）主要包括三大要素，分別是數據、算法和算力。其中數據是基礎，正是因為在實際應用當中的數據量越來越大，使得傳統計算方式和硬件難以滿足要求，才催生了AI應用的落地。而算法是連接軟件、數據、應用和硬件的重要橋梁，非常關鍵。算力方面，主要靠硬件實現，也就是各種實現AI功能的處理器，而隨著應用和技術的發展，能實現各種算力、滿足不同應用的AI處理器陸續登場，經過不同的發展階段，發揮著各自的作用。
在比較成熟的AI平臺方面，在2012年出現了AlexNet，一直到最近，2018年出現了AlphaGo Zero，在短短的6年內，算力提高了20多萬倍，這完全不同于傳統計算硬件（如CPU、MCU等）的演進軌跡，速度之驚人令我們難以預測。
來自OpenAI的分析顯示，近幾年，AI訓練所需的算力每3個多月就會翻倍，這比著名的摩爾定律（每18~24個月，芯片的性能翻倍）演進速度快多了。而提升算力的關鍵是芯片設計，特別是底層的架構設計，目前來看，傳統的芯片架構已經難以滿足AI應用的需要。包括IC廠商和互聯網企業在內，越來越多的廠商開始投入研發或已經推出AI專用芯片。根據Gartner統計，AI芯片在2017年的市場規模約為46億美元，而到2020年，預計將會達到148億美元，年均復合增長率為47%。而據麥肯錫預測，未來10年，人工智能和深度學習將成為提升硅片需求的主要因素，2025年，在AI的推動下，全球硅片營收將超過600億美元，接近全球半導體銷售額的20%。
三種AI芯片的對比
從AI芯片的應用場景類別來看，主要分為云端和終端。目前，AI在云端應用的更多，相對成熟，而其在云端應用又可分為訓練和推理兩種，其中訓練的市場規模占比較高。另外，訓練需要的數據量和計算量較大，所用的處理器主要是GPU。至于推理，也以GPU為主，此外，還有FPGA，以及專用的AI芯片（ASIC），其中，ASIC還不是很成熟，量產的產品也不多，因此用量有限，還處于發展初期，如果能實現大規模量產，其性能和成本是最優的，主要推進廠商是Google，其標志性產品就是TPU。
綜上，目前，行業為實現AI計算，主要采用的芯片有三種，分別是通用型的GPU，可定制的FPGA，以及專用的ASIC。
在計算層面，芯片的晶體管數量和芯片面積決定了算力，面積越大算力越強，但功耗也將隨之增加。過去幾年，在AI處理器的選擇上，可用于通用基礎計算且運算速率更快的GPU迅速成為實現AI計算的主流芯片，英偉達也因此占據著數據中心AI芯片的主要市場份額。
FPGA是典型的半定制化芯片，其功能可以通過編程來修改，并行計算能力很強，但是延遲和功耗遠低于GPU，而與ASIC相比，FPGA的一次性成本要低很多，但其量產成本很高。因此，在實際應用需求還未成規模，且算法需要不斷迭代、改進的情況下，利用FPGA的可重構特性來實現半定制的AI芯片是最佳選擇。
AI專用芯片ASIC是面向特定應用需求而定制的芯片，一旦流片，其功能無法更改，因此，必須要有量的保證，且應用需求穩定，不會發生大的變化。專用ASIC芯片的性能高于FPGA，如果出貨量可觀，其單顆成本可做到遠低于FPGA和GPU。
目前來看，由于GPU具備強大的并行計算能力和完善的生態系統，現在云端AI應用方面處于主導地位。FPGA方面，由于是半定制化的，可以通過編程來實現不同的功能電路，因此，其在通用性和性能之間取得了比較好的平衡，但是較高的開發門檻和量產成本，對其應用是個限制。
圖：在實現AI功能方面，GPU、FPGA和ASIC的優缺點對比（來源：長城證券研究所）
專用的AI芯片應該是未來的發展趨勢，無論是在云端還是在邊緣側，隨著應用的逐漸落地，應用場景和各種專用功能會愈加清晰，市場需求也會越來越多。另外，與GPU和FPGA相比，ASIC的專利壁壘要小得多，而且其設計難度也是最小的。隨著AI應用場景的落地，專用的ASIC芯片量產成本低、性能高、功耗低的優勢會逐漸凸顯出來。
AI芯片案例
目前，在AI應用方面，全球數據中心用GPU市場基本被英偉達壟斷，這里用到的都是高性能GPU，其門檻很高，又是用于AI，因此，還沒有什么競爭對手。
除了GPU芯片本身之外，英偉達還有一個優勢，那就是其在AI計算方面，有CUDA軟件生態系統的配合。CUDA編程工具包讓開發者可以對每一個像素輕松編程，在這之前，對程序員來說，GPU編程是一件很痛苦的事，CUDA成功將Java、C++等高級語言開放給了GPU編程，從而讓GPU編程變得簡單了許多，研究者也可以更低的成本快速開發他們的深度學習模型。以圖形處理器加速卡Tesla V100 PCIe/SXM2為例，其芯片采用臺積電的12nm制程工藝，通過與CUDA軟件和NVLink快速通道的配合，能達到近125兆次深度學習的浮點運算訓練速度，而以16bit的半精度浮點性能來看，可達到31Tera FLOPS。
FPGA方面，Altera被英特爾收購之后，賽靈思是目前的霸主，作為傳統的CPU廠商，英特爾近幾年正在AI領域大力布局，收購相關公司自然是一個重要手段，通過收購全面布局 FPGA和ASIC，除了Altera的FPGA之外，還通過收購Mobileye和視覺處理器公司Movidius，布局無人駕駛和計算機視覺，這也是將來AI大有可為的兩個應用領域。
在收購Altera之后，英特爾的技術發展路線就出現了調整，例如，其原來的產品策略是做分立的CPU+FPGA加速器，而兩家公司整合后，由簡單的分立器件疊加改為了封裝集成，即將CPU和FPGA芯片封裝在一起，這還不算完，英特爾下一步還要將CPU和FPGA集成在同一芯片內，做成SoC。
賽靈思方面，該公司于2018年底推出了以低成本、低延遲、高能效深度神經網絡（DNN）算法為基礎的Alveo加速卡，基于該公司的UltraScale架構，采用了臺積電的16nm制程工藝，目標市場就是數據中心和云端的AI推理市場。
AI專用ASIC方面，國內外已經有多家企業投入了研發，例如國內的寒武紀（正在開發NPU）、地平線（BPU系列），還有華為海思和比特大陸，也在專用AI芯片方面投入了不少資源。國外最為知名的就是谷歌的TPU了，這也是到目前為止，最為成熟的高性能AI專用芯片了。做ASIC需要對應用場景有深刻和精確到位的了解，而這方面卻是傳統芯片設計企業和IDM的短板，因此，目前做AI專用ASIC的，大多是系統產商，互聯網巨頭，或者以算法起家的公司。
在中國，比特大陸的算豐 (SOPHON) BM1680和BM1682云端安防及大數據AI推理系列產品已經上市，此外，還有其它幾家沒有量產的芯片，如華為海思的昇騰Ascend 910系列，據悉會采用臺積電的7nm制程工藝，預計會在今年年底量產。此外，百度的昆侖芯片（采用三星的14nm制程)，以及阿里平頭哥的Ali-NPU等，也處在研發階段，距離量產還有一段時日。
以上談的主要是用于云端的AI芯片，包括GPU、FPGA和ASIC，這也是目前AI的主要應用領域，而在終端和邊緣側，更多的要依靠不斷成熟的ASIC，因為ASIC與應用場景有著非常緊密的關系，而這里說的應用場景，主要是在終端和邊緣側。
結語
AI發展正處于強勁的上升階段，此時，各種AI芯片實現方案都有其發揮的空間，可以說是處于最佳時期，這也給眾多廠商占領各自擅長之應用市場提供了更多的機會。而隨著應用場景的完全落地，以及AI專用芯片的成熟和大規模量產，這一發展窗口期很可能就將關閉，因此，眼下各家廠商，無論是做GPU、FPGA，還是做ASIC的，都在抓緊時間研發和拓展市場，競爭愈發激烈。
?
)
)
