赛灵思：人工智能芯片发展方向与误区

演讲嘉宾 | 姚颂，赛灵思人工智能业务资深总监

整理 | 夕颜

 

人工智能发展过程中，算力是一个重要的因素，算力就像是 AI 的燃油，没有燃油，AI 哪也去不了。而为 AI 应用提供算力的，正是各种各样的芯片。而近几年，嗅到 AI 芯片商机的企业纷纷入局，想要从底层算力上获得独立的能力，然而，并不是所有入局的企业都懂得如何才能造出真正的好芯片，因此走进一些误区。在 2019年 CAIS 大会上的演讲《人工智能芯片发展方向与误区》中，赛灵思人工智能业务资深总监姚颂为我们分享了其研发芯片产品的经验，并指出了 AI 芯片的发展方向和一些误区。

 

姚颂以一个楔子开场：张华考上了北京大学，李萍进了中等技术学校，我在百货公司当售货员，我们都有光明的前途。这就好比 CPU 擅长通用计算，GPU 擅长大规模并行计算，它们都有不同的前途。

 

误区1：AI 芯片概念火，却并无技术突破

 

姚颂认为，AI 芯片之所以如此火爆，实际上受到多方面因素的影响。首先，我们从互联网时代进入了 AI 的新时代，所有的虚拟应用必须有一个硬件载体作为支撑。但是与此同时，还有其他的原因。在人工智能流派中，深度学习只是一小部分，所以做一颗 AI 芯片是很宽泛的概念。AI 芯片从通用到专用，它的性能和支持的范围各异，其中通用芯片是最难设计的，而专用芯片一定需要钱和时间才能做出来。而做专用的芯片，如深度学习推理芯片，进行专门的应用并不难。

 

但这里其实有一个误区。我们可以看到，几十种 AI 芯片像潮水一样涌现，但是却只能支持一部分功能，它可能是一个新的概念，但并没有带来实际的技术上的突破。

 

误区2：衡量 AI 芯片好坏，硬指标不够

 

除此之外，AI 芯片竞争激烈，大家经常在想到底一颗好的 AI 芯片是怎样的。在实际应用场景中，我们考虑的很多问题是用户体验层面的问题，这对于 AI 芯片同样适用，有人经常讨论芯片的频率是多少，性能多好，价格多贵，但是否这些硬性指标就能衡量一款 AI 芯片的好坏呢？

 

我们看到，现在芯片分为四大技术路径：CPU、GPU、FPGA、ASIC，但是 CPU 的开发、功耗、稳定性、灵活性都很好。GPU性能也非常好，正是因为这样一个强有力的工具，才有今天人工智能的夏天。

    

FPGA 的性能、功耗的表现同样很好，但是开发周期太长。而 ASIC 是专用芯片，专项应用。

 

这里也有一个问题，赛灵思表示，他们从来不觉得投项目是投技术和商业，而是投产品和商业，是要满足客户的需求，而不是说某一种新的方式，最终用户看的不是新概念，而是产品带来的新指标，以及给用户带来的新体验，这是很重要的事情。

 

回过头来看，做芯片和做技术都是在做产品。产品分为四个层次，第一个层次就是能用，满足用户的基础功能需求；第二个层次是好用，功能比较完整，性能表现较好；第三层是爱用，让用户体验好；第四点是离不开，在产品之外提供额外的一些附加值。做一颗好的芯片也一样，要做到这四点。

 

最后，姚颂分享了赛灵思从传统芯片公司转型到一下软件系统公司的过程，并强调了搞定技术实际上离产品大卖才做了 10% 的事情，当有了一个技术指标、想法、设计之后，最后把它变成一个商品，变成一个持续供货、用户认可的产品，背后还有 90% 的体力活苦活要做，把这些做完以后，才能建立一个真正好的产品和商业级氛围。

 

总结起来，AI 芯片产品是否真的可靠，是否真的好用，这是一个真正衡量产品好坏的标准。

（*本文为 AI科技大本营整理文章，转载请微信联系 1092722531）

◆

精彩推荐

◆

推荐阅读

• 不写一行代码，也能玩转Kaggle竞赛？

• 一文读懂基于神经网络的图片风格转移

• 50行Python代码，获取公众号全部文章

• 收藏 | 49个Python学习资源

• 库克回应乔纳森离职；微信新版本取消“语音转文字”功能；Mac Pro生产迁至中国 | 极客头条

• 三十四载Windows崛起之路： 苹果、可视做过微软“铺路石”

• 3大维度告诉你，为什么说比特币并非避险资产？

• 黑客亲述: “倾家荡产，是你们的事! ”

• 面试官：你简历中写用过docker，能说说容器和镜像的区别吗？

你点的每个“在看”，我都认真当成了喜欢