第 5 节 AI 芯片的研发概况（第1页）

AI 芯片的研发热潮，主要集中在 ASIC 芯片领域。除了各大公司及不断出现的初创公司积极投入之外，大学和研究机构也起到了关键的作用，有的已经有十多年甚至更长时间的技术积累。目前引人注目的来自大公司的 ASIC 芯片，以谷歌的张量处理单元（Tensor Processing Unit，TPU）系列为代表。高通在 2019 年 4 月发布的 Cloud AI 100 系列，也是 AI 芯片性能的一次飞跃。但是，「爆炸式」出现的很多初创 AI 芯片公司，在技术层面也绝不落后于大公司。

表 1.1 列出了 ASIC 芯片与一些 CPU、GPU 和 FPGA 的参数对比。在「训练」和「推理」两栏中，CPU 的能效和速度为基数，其他都是与 CPU 相比较的倍数。FPGA 因为很少用于训练，因此其训练能效和速度没有数据。ASIC 芯片主要是指深度学习 AI 芯片，虽然与原来的 CPU 和 GPU 相比已经有了巨大进步，但性能和能效方面还有巨大的提升空间。

然而，要确定 CPU、GPU、FPGA 和 ASIC 究竟哪一种才是最佳解决方案并非易事，因为这取决于 AI 应用类型和范围、设计约束及所要求的上市时间等。如果上市及应用时间紧，那就只能选择 GPU 或嵌入式 GPU。FPGA 的上市时间相对 ASIC 也较短，设计流程简单，也常用作设计 ASIC 之前的原型。另外，用于云端和边缘侧的芯片要求完全不同，云端服务器里的 AI 芯片需要很大的吞吐量和灵活性，而边缘侧物联网则需要功耗极低、面积很小的 AI 芯片。

AI 芯片要实现大规模商业化，需要保证芯片能够在极低的功耗和成本条件下达到足够高的性能，能够满足新的 AI 模型和算法的运算需求。虽然目前的硅基 AI 芯片只能算是非常初级的尝试，
（本章节未完结，点击下一页翻页继续阅读）