人工智能芯片

2016年，随着阿尔法狗击败专业人类围棋棋手，已“深度学习”为基础的人工智能技术被大众所熟知。其实“深度学习”技术已经发展了有近30年的历史了。现在的“深度学习”的实现以神经网络技术为主。神经网络通过模拟大脑生物神经网络的连接，通过多层数字神经网络的了解，来实现深度学习，神经网络最著名的就是卷积神经网络。“深度学习”中的深度就体现在多层的神经网络的连接，因为初代的机器学习技术的学习网络层数都比较浅。

现在的人工智能技术的开发主要分为两个方向。一是人工智能算法的研究和神经网络的训练；另一个方向就是实现人工智能算法的加速计算。由于深度学习,神经网络算法的计算量极大，通用CPU的运算能力不能满足与其高速的计算量。现在业界的解决方案主要有GPU加速，FPGA加速，专用ASIC加速。在神经网络计算中，尤其以卷积神经网络（CNN）为主，卷积网路需要运算大量的卷积运算，通过设计卷积硬件加速模块，加速卷计神经网络中的卷积运算。

在加速方案中，GPU平台的解决方案最为成熟，现在GPU加速解决方案做的最好的公司是英伟达，英伟达靠GPU显卡起家，最近几年，随着人工智能技术的发展，人工智能公司对计算力的需求的增加，英伟达依靠自家的GPU技术，开发的GPU加速计算平台被众多人工智能公司应用。英伟达公司也依靠人工智能的热潮得到了极大的增长。

但GPU的缺点在于他的成本和功耗，现在GPU的价格及其昂贵，一块可用于人工智能训练的GPU显卡大概要上万元之多。而且GPU的功耗也极大，一块GPU在进行人工智能网络训练时的功耗达到了上百瓦之高，而且GPU的体积巨大。正是由于这些缺点，GPU加速平台只能部署在服务器端，并配上专业的服务器机柜，供电电源，散热结构。GPU加速平台无法部署到个人消费平台，包括个人电脑和移动智能手机上。

而对于FPGA加速以及专用ASIC加速，由于其计算结构是为神经网络定制的，而且在半导体电路级别进行优化，并采用最先进的半导体制造工艺。因而专用加速芯片的速度可以做到非常高的频率，而功耗也可以优化到非常的级别。专用加速芯片通常的开发路劲是先在FPGA平台上验证所搭建的计算加速网络。在初期，FPGA平台可以极大的提高开发效率的降低开发成本。等到加速计算网络在FPGA平台上可以完美运行后，在将计算网络制作到专用芯片上，通过 大批量的生成，可以极大的降低芯片的成本。

在FPGA加速领域，老牌的FPGA公司Xilinx和Intel（原Altera）都推出了自己的人工智能解决方案。Xilinx推出了DNNDK（Deep Neural Network Development Kit，深度神经网络开发平台）平台，基于Xilinx的FPGA硬件平台，支持例如tensorflow,caffe ,mxnet等等通用的AI框架，可用于数据中心的AI加速和边缘计算的AI加速，可用于图像识别，视频分析，金融分析，人脸检测等领域。而Intel则推出了 OpenVINO™ （开放视觉推理和神经网络优化）工具套件，该工具套件基于卷积神经网络，在边缘计算中支持CNN的计算，通过使用常见的应用编程接口(API)，支持在各种异构平台，如 CPU、GPU、FPGA上执行神经网络加速计算。还有其他人工智能公司也利用FPGA搭建的专用的人工智能硬件急速电路。

在专用ASIC芯片领域，最著名的就是Google的TPU（Tensor processing unit ，张量处理器），是为机器学习而定制的芯片，运行效率大大高于GPU，通过内置的大量的计算单元阵列，来实现人工智能计算的加速。中国的人工智能芯片公司“地平线”主要开发视频识别类的人工智能加速芯片，下载已经发布的有“征程 ”和“旭日”系列处理器。分别面向智能驾驶，智能摄像头领域。而寒武纪开发的智能终端处理器IP，已经成功的应用于智能手机芯片中，可广泛应用于计算机视觉等领域，提升视觉终端人/车/物/行为/图像/视频等的抓取和即时处理能力。以矿机起家的比特大陆也凭借在计算芯片领域的积累，设计了自己的云端和终端人工智能芯片，可应用于安防监控、数据中心、超级计算、机器人等领域。如今，人工智能芯片公司百花齐放，在各个领域不断地持续发力，相互竞争，相互促进。