谷歌Edge TPU，专为TensorFlow Lite ML模型设计！

芯片是人工智能的核心，可以说，人工智能的市场前景有多大，芯片的前景就有多大。分析人士称，未来10年不仅是人工智能席卷万物的10年，也是我国芯片产业发展的黄金10年。

 

人工智能芯片现在有哪几款？

1、以英伟达为主，AMD为辅的主流芯片GPU；

2、Intel为首，CPU加上FPGA，FPGA里面包括Intel收购的公司Altera，还有Xilinx为主导的比较大型的FPGA芯片；

3、谷歌的TPU芯片，实际上TPU是ASIC特制芯片的一个代表，代表着Google人工智能的芯片。

在机器学习快速发展的推动下，这三大阵营里面，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。GPU 也被应用于 VR/AR 相关的产业。此外，很多汽车生产商也在使用 GPU 作为传感器芯片发展无人车。可以说，GPU 是眼下智能产品市场用户覆盖率最广泛的芯片。

机器学习上游训练的部分目前为止基本是英伟达垄断的情况；下游的推理端AMD现在也进去了好几个云端，包括Google云和阿里云，而英伟达刚刚相反，英伟达在云计算领域里算是垄断。

早一段时间很多人认为FPGA能不能取代GPU？或者FPGA+CPU，像Intel的布局会不会对GPU带来威胁？其实他们的布局是不一样的，最明显的区别他们主要针对机器学习下游的领域，那有可能会抢走一些比较低端GPU的份额，但在训练方面的领域来说是基本不会的。如果说性能功耗比是FPGA的优势，那么性价比不足就是FPGA的劣势——FPGA可以通过编程灵活改变自己的内部逻辑的同时，也必然意味着计算资源的大量浪费。如果专门开发一款和写入FPGA的电路相同的芯片，同产量理论成本只有FPGA的几分之一。

TPU或者特质的ASIC是一个科技破局者的角色。TPU是点对点的专用性，它是在Google自己的软件上做各种专门的优化，这也是为什么在速度方面，在耗电量方面，或者价格方面可以比GPU更有优势。英伟达工程架构副总裁 Marc Hamilton 表示，谷歌的 TPU 是一个非常有意思的技术，但其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。

谷歌在日前还发布了Edge TPU。Edge TPU 是 Google 的特定用途 ASIC 芯片，专为在设备上运行 TensorFlow Lite ML 模型而设计。Edge TPU 的大小不及一美分硬币，却能在这两个方面均有不俗表现。Edge TPU 可以加速设备上的 ML 推理，或与 Google Cloud 配对，创建完整的云到边缘 ML 堆栈。不论在哪种配置中，本地 ML 加速器都可以通过在设备上直接处理数据来增强隐私性，消除持续连接的需要，减少延迟时间，并可以在低功耗下实现高性能。

 

除此之外，谷歌还推出了在 Cloud Next 大会上发布了两款新设备，其可以帮助专业工程师在处理器内核上构建支持设备端机器学习 (ML) 的新产品。这两款新设备是：AIY Edge TPU Dev 开发板和 AIY Edge TPU 加速器，二者皆采用 Google 的 Edge TPU 芯片。

无论是我国，还是全球范围，人工智能芯片市场化程度不高，主要集中在英特尔、英伟达和AMD等巨头。例如，从全部GPU市场来看，英特尔目前占了71％，英伟达占了16％，AMD占了13％。国内一大批初创公司赶人工智能的风口，甚至连阿里、百度等互联网巨头也来参一脚。这些人工智能芯片企业获得了资本的青睐，获得了高额的估值，整个行业呈现出一副欣欣向荣的景象。除了寒武纪通过把IP授权给华为，实现了千万级的应用量之外，国内其他人工智能芯片公司在市场推广和应用上表现是很一般的。

 

中兴事件的发生暴露出了中国芯片产业结构的缺失。中国只有中低端芯片的研发能力，没有高端芯片。虽然在通用芯片领域中国已经失去先发优势，但是对于AI芯片，我们也并不是没有机会。专有芯片研发周期长、成本大，比起GPU等通用芯片，专有芯片的研发尚处于早期，竞争格局也尚未明朗。竞争格局不明朗，对于中国来说，就意味着机会。

GPU、FPGA、ASIC三个技术路线如何实现分工和接替，是接下来AI芯片市场的一个关键。