《人工智能芯片的现状与未来》王煜全 2017.02.13

转载自得到APP-王煜全-前哨观察团

发展人工智能芯片的原因

传统计算架构无法满足人工智能需求：传统计算架构是串行处理；但人工智能模仿大脑结构（深度神经网络），是超低能耗的并行处理结构，对于上亿次的并行，传统的串行计算结构无法完成。

目前的调整方式

CPU加异构计算：核心部分采用传统CPU（串行处理结构），将可重复的简单计算分离出来，采用并行处理结构。

异构计算部分，全球目前有以下几种类型：

第一种 CPU+GPU

例如谷歌AlphaGo战胜李世石；与此同时，CPU数量也需要增大且具有一定的并行能力，例如因特尔提出的MIC（Many Integrated Core）多个集成核心，但它依然只是一个相对简单的中央处理程序。

GPU的主要提供者是Nvidia和AMD，AMD推出了一个领先世界的框架——APU，将CPU和GPU整合到一个芯片上。

第二种 CPU+FPGA

例如大疆无人机采用了Lattice公司提供的FPGA。
FPGA的主要提供者是Xilinx、Altera、Lattice。

第三种 CPU+ASIC

这个模式更加专业化。

ASIC的主要提供者是Movidius和创业公司Nervana，Movidius提出了VPU（Visual Processor Unit），专做视觉处理。

ASIC是专为人工智能设计的集成电路芯片，比FPGA效率高、省电，更适合服务于人工智能应用或其他特定用途。例如Mobileye现在的目标是打造出专为自动驾驶使用的人工智能芯片；谷歌做AlphaGo，开发出TPU（Tensor Processing Unit），和它的TensorFlow人工智能算法相匹配，使算法最优化。

第四种CPU+DSP（Digital Signal Processor）

更适合处理流媒体信号，例如TI、Freescale、CEVA。
DSP的主要提供者：CEVA是领军企业。

将来的发展趋势

ASIC，针对人工智能的特定芯片开发

例如谷歌的TPU，Nvidia的Tesla，Wave Computing，Kneron，中国的寒武纪、地平线机器人。

Neuromorphic Cumputing

未来Neuromorphic Cumputing模式会打破异构计算的垄断，它由加州理工的Carver Mead教授提出，现在的主要研发者是IBM和高通，还有海银资本投资的Neurala。

Neuromorphic Cumputing的设计思路是去掉了CPU部分，核心处理部分完全改为并行结构。随着对大脑的认识进步、计算机研究进步，形成了更加类脑的计算能力Neuromorphic。

目前，IBM推出TrueNorth，模仿并逐渐接近大脑神经元的特征，实现多点对多点的彼此通信。芯片并没有采用传统的冯诺依曼结构，而是把内存处理器单元和通信部件完全集成在一起，因此信息的处理完全在本地进行；由于本地处理的数据量不大，传统计算机内存与CPU之间的瓶颈不复存在；同时神经元之间可以方便地相互沟通，实现事件驱动的异步电路特征；该芯片功耗极低。

发展神经网络芯片的原因

网络延迟无法满⾜需要实时反应的应用需求，例如自动驾驶辅助、安防监控。
网络带宽有限,如果未来把大量的本地数据传送到网络侧处理，会加剧网络交通堵塞。
把所有数据传回云端，存在数据安全问题, 一旦数据在传输过程中被劫持，后果就很严重。最好的办法是将更多的内容放在本地进行处理。

我认为，下一阶段随着人工智能的普及化，计算能力又会向手持终端偏移。未来的计算能力发展，终端与网络侧将呈此消彼长的态势，互相促进发展。

创业者的窘迫与出路

目前创业者还没有足够能力做这类前沿技术的开发；
IBM和高通已经做了前瞻性布局，一旦成功，就会立即将创业公司淘汰；
传统巨头重兵布阵，例如因特尔在2015年以167亿美元收购Altera（FPGA领域全球第二大企业），又在2016年8月以4.08亿美元收购Nervana（专为人工智能计算做ASIC结构），去年9月以3.22亿欧元收购Movidius（提出VPU，是视觉处理方面的黑马）；
直接做人工智能芯片的企业，不如本身在一定应用领域有所专长、并专做该领域需求的人工智能芯片开发的企业，例如Mobileye和大疆。

人工智能芯片领域，看似蓝海，但实际要比拼科技水平、资金实力、产业协调能力，对初创公司来说困难重重。

总结

我认为，2017年人工智能芯片会得到持续关注，创业者如果能够和应用相结合，做专用性更强的人工智能芯片开发，将有机会突出重围。

以上是人工智能芯片相关内容的上半部分，我们对人工智能芯片市场做了总的回顾，明天的下半部分将为大家介绍在人工智能芯片领域的领导性企业。欢迎大家持续关注。