如果你覺得Alpha Go和人相似，只不過是把人腦換成了芯片，那么你就大錯特錯了。擊敗李世石的Alpha Go裝有48個谷歌的AI芯片，而這48個芯片不是安裝在Alpha Go身體里，而是在云端。所以，真正驅動Alpha Go的裝置，看上去是這樣的...

因此李世石和柯潔不是輸給了“機器人”，而是輸給了裝有AI芯片的云工作站。

然而近幾年，AI技術的應用場景開始向移動設備轉移，比如汽車上的自動駕駛、手機上的人臉識別等。產(chǎn)業(yè)的需求促成了技術的進步，而AI芯片作為產(chǎn)業(yè)的根基，必須達到更強的性能、更高的效率、更小的體積，才能完成AI技術從云端到終端的轉移。

目前，AI芯片的研發(fā)方向主要分兩種：一是基于傳統(tǒng)馮·諾依曼架構的FPGA(現(xiàn)場可編程門陣列)和ASIC(專用集成電路)芯片，二是模仿人腦神經(jīng)元結構設計的類腦芯片。其中FPGA和ASIC芯片不管是研發(fā)還是應用，都已經(jīng)形成一定規(guī)模;而類腦芯片雖然還處于研發(fā)初期，但具備很大潛力，可能在未來成為行業(yè)內(nèi)的主流。

這兩條發(fā)展路線的主要區(qū)別在于，前者沿用馮·諾依曼架構，后者采用類腦架構。你看到的每一臺電腦，采用的都是馮·諾依曼架構。它的核心思路就是處理器和存儲器要分開，所以才有了CPU(中央處理器)和內(nèi)存。而類腦架構，顧名思義，模仿人腦神經(jīng)元結構，因此CPU、內(nèi)存和通信部件都集成在一起。

接下來小探將為讀者分別介紹兩種架構的簡要發(fā)展史、技術特點和代表性產(chǎn)品。

從GPU到FPGA和ASIC芯片

2007年以前，受限于當時算法和數(shù)據(jù)等因素，AI對芯片還沒有特別強烈的需求，通用的CPU芯片即可提供足夠的計算能力。比如現(xiàn)在在讀這篇文章的你，手機或電腦里就有CPU芯片。

之后由于高清視頻和游戲產(chǎn)業(yè)的快速發(fā)展，GPU (圖形處理器)芯片取得迅速的發(fā)展。因為 GPU 有更多的邏輯運算單元用于處理數(shù)據(jù)，屬于高并行結構，在處理圖形數(shù)據(jù)和復雜算法方面比 CPU 更有優(yōu)勢，又因為AI深度學習的模型參數(shù)多、數(shù)據(jù)規(guī)模大、計算量大，此后一段時間內(nèi) GPU 代替了 CPU，成為當時 AI 芯片的主流。

然而 GPU 畢竟只是圖形處理器，不是專門用于 AI 深度學習的芯片，自然存在不足，比如在執(zhí)行AI 應用時，其并行結構的性能無法充分發(fā)揮，導致能耗高。

與此同時，AI技術的應用日益增長，在教育、醫(yī)療、無人駕駛等領域都能看到 AI 的身影。然而GPU 芯片過高的能耗無法滿足產(chǎn)業(yè)的需求，因此取而代之的是 FPGA 芯片，和 ASIC 芯片。

那么這兩種芯片的技術特點分別是什么呢?又有什么代表性的產(chǎn)品呢?

“萬能芯片” FPGA

FPGA(FIELD-PROGRAMMABLE GATE ARRAY)，即 “現(xiàn)場可編程門陣列”，是在 PAL、GAL、CPLD 等可編程器件的基礎上進一步發(fā)展的產(chǎn)物。

FPGA 可以被理解為“萬能芯片”。用戶通過燒入 FPGA 配置文件，來定義這些門電路以及存儲器之間的連線，用硬件描述語言(HDL)對 FPGA 的硬件電路進行設計。每完成一次燒錄，F(xiàn)PGA內(nèi)部的硬件電路就有了確定的連接方式，具有了一定的功能，輸入的數(shù)據(jù)只需要依次經(jīng)過各個門電路，就可以得到輸出結果。

用大白話說，“萬能芯片” 就是你需要它有哪些功能、它就能有哪些功能的芯片。

盡管叫“萬能芯片”，F(xiàn)PGA也不是沒有缺陷。正因為 FPGA 的結構具有較高靈活性，量產(chǎn)中單塊芯片的成本也比 ASIC 芯片高，并且在性能上，F(xiàn)PGA 芯片的速度和能耗相比 ASIC 芯片也做出了妥協(xié)。

也就是說，“萬能芯片” 雖然是個 “多面手”，但它的性能比不上 ASIC 芯片，價格也比 ASIC 芯片更高。

但是在芯片需求還未成規(guī)模、深度學習算法需要不斷迭代改進的情況下，具備可重構特性的FPGA芯片適應性更強。因此用FPGA來實現(xiàn)半定制人工智能芯片，毫無疑問是保險的選擇。

目前，F(xiàn)PGA 芯片市場被美國廠商 Xilinx 和 Altera 瓜分。據(jù)國外媒體 Marketwatch 的統(tǒng)計，前者占全球市場份額 50%、后者占 35%左右，兩家廠商霸占了 85% 的市場份額，專利達到 6000 多項，毫無疑問是行業(yè)里的兩座大山。

Xilinx 的 FPGA 芯片從低端到高端，分為四個系列，分別是 Spartan、Artix、Kintex、Vertex，芯片工藝也從 45 到 16 納米不等。芯片工藝水平越高，芯片越小。其中 Spartan 和 Artix 主要針對民用市場，應用包括無人駕駛、智能家居等;Kintex 和 Vertex 主要針對軍用市場，應用包括國防、航空航天等。

我們再說說 Xilinx 的老對手 Altera。Altera 的主流 FPGA 芯片分為兩大類，一種側重低成本應用，容量中等，性能可以滿足一般的應用需求，如 Cyclone 和 MAX 系列;還有一種側重于高性能應用，容量大，性能能滿足各類高端應用，如Startix和Arria系列。Altera的FPGA芯片主要應用在消費電子、無線通信、軍事航空等領域。

專用集成電路 ASIC

在 AI 產(chǎn)業(yè)應用大規(guī)模興起之前，使用 FPGA 這類適合并行計算的通用芯片來實現(xiàn)加速，可以避免研發(fā) ASIC 這種定制芯片的高投入和風險。

但就像我們剛才說到的，由于通用芯片的設計初衷并非專門針對深度學習，因此 FPGA 難免存在性能、功耗等方面的瓶頸。隨著人工智能應用規(guī)模的擴大，這類問題將日益突出。換句話說，我們對人工智能所有的美好設想，都需要芯片追上人工智能迅速發(fā)展的步伐。如果芯片跟不上，就會成為人工智能發(fā)展的瓶頸。

所以，隨著近幾年人工智能算法和應用領域的快速發(fā)展，以及研發(fā)上的成果和工藝上的逐漸成熟，ASIC 芯片正在成為人工智能計算芯片發(fā)展的主流。

ASIC芯片是針對特定需求而定制的專用芯片。雖然犧牲了通用性，但 ASIC 無論是在性能、功耗還是體積上，都比 FPGA 和 GPU 芯片有優(yōu)勢，特別是在需要芯片同時具備高性能、低功耗、小體積的移動端設備上，比如我們手上的手機。

但是，因為其通用性低，ASIC 芯片的高研發(fā)成本也可能會帶來高風險。然而如果考慮市場因素，ASIC芯片其實是行業(yè)的發(fā)展大趨勢。

為什么這么說呢?因為從服務器、計算機到無人駕駛汽車、無人機，再到智能家居的各類家電，海量的設備需要引入人工智能計算能力和感知交互能力。出于對實時性的要求，以及訓練數(shù)據(jù)隱私等考慮，這些能力不可能完全依賴云端，必須要有本地的軟硬件基礎平臺支撐。而 ASIC 芯片高性能、低功耗、小體積的特點恰好能滿足這些需求。

ASIC 芯片市場百家爭鳴

2016 年，英偉達發(fā)布了專門用于加速 AI 計算的 Tesla P100 芯片，并且在 2017 年升級為 Tesla V100。在訓練超大型神經(jīng)網(wǎng)絡模型時，Tesla V100 可以為深度學習相關的模型訓練和推斷應用提供高達 125 萬億次每秒的張量計算(張量計算是AI深度學習中最經(jīng)常用到的計算)。然而在最高性能模式下，Tesla V100的功耗達到了300W，雖然性能強勁，但也毫無疑問是顆“核彈”，因為太費電了。

同樣在 2016 年，谷歌發(fā)布了加速深度學習的 TPU(Tensor Processing Unit)芯片，并且之后升級為 TPU 2.0 和 TPU 3.0。與英偉達的芯片不同，谷歌的 TPU 芯片設置在云端，就像文章在Alpha Go 的例子中說的一樣，并且“只租不賣“，服務按小時收費。不過谷歌 TPU 的性能也十分強大，算力達到 180 萬億次每秒，并且功耗只有200w。

關于各自 AI 芯片的性能，谷歌 CEO Sundar Pichai 和英偉達CEO 黃仁勛之前還在網(wǎng)上產(chǎn)生過爭論。別看兩位大佬為自家產(chǎn)品撐腰，爭得不可開交，實際上不少網(wǎng)友指出，這兩款產(chǎn)品沒必要“硬做比較”，因為一個是在云端，一個是在終端。

除了大公司，初創(chuàng)企業(yè)也在激烈競爭 ASIC 芯片市場。那么初創(chuàng)企業(yè)在行業(yè)中該如何生存呢?對此，AI 芯片初創(chuàng)企業(yè)Novumind 的中國區(qū) CEO 周斌告訴小探：創(chuàng)新是初創(chuàng)企業(yè)的核心競爭力。

2017 年，NovuMind 推出了第一款自主設計的AI芯片：NovuTensor。這款芯片使用原生張量處理器(Native Tensor Processor)作為內(nèi)核構架，這種內(nèi)核架構由 NovuMind 自主研發(fā)，并在短短一年內(nèi)獲得美國專利。除此之外，NovuTensor 芯片采用不同的異構計算模式來應對不同 AI 應用領域的三維張量計算。2018年下半年，Novumind 剛推出了新一代 NovuTensor 芯片，這款芯片在做到 15 萬億次計算每秒的同時，全芯片功耗控制在 15W 左右，效率極高。

盡管 NovuTensor 芯片的紙面算力不如英偉達的芯片，但是其計算延遲和功耗卻低得多，因此適合邊緣端 AI計算，也就是服務于物聯(lián)網(wǎng)。雖然大家都在追求高算力，但實際上不是所有芯片都需要高算力的。比如用在手機、智能眼鏡上的芯片，雖然也對算力有一定要求，但更需要的是低能耗，否則你的手機、智能眼鏡等產(chǎn)品，用幾下就沒電了，也是很麻煩的一件事情。并且據(jù) EE Times 的報道，在運行 ResNet-18、ResNet-34、ResNet70、VGG16等業(yè)界標準神經(jīng)網(wǎng)絡推理時，NovuTensor 芯片的吞吐量和延遲都要優(yōu)于英偉達的另一款高端芯片 Xavier。

結合Novumind現(xiàn)階段的成功，我們不難看出：在云端市場目前被英偉達、谷歌等巨頭公司霸占，終端應用芯片群雄逐鹿的情形下，專注技術創(chuàng)新，在關鍵指標上大幅領先所有競爭對手，或許是AI芯片初創(chuàng)企業(yè)的生存之道。

類腦芯片

如文章開頭所說，目前所有電腦，包括以上談到的所有芯片，都基于馮·諾依曼架構。

然而這種架構并非十全十美。將CPU與內(nèi)存分開的設計，反而會導致所謂的馮·諾伊曼瓶頸(von Neumann bottleneck)：CPU與內(nèi)存之間的資料傳輸率，與內(nèi)存的容量和CPU的工作效率相比都非常小，因此當CPU需要在巨大的資料上執(zhí)行一些簡單指令時，資料傳輸率就成了整體效率非常嚴重的限制。

既然要研制人工智能芯片，那么有的專家就回歸問題本身，開始模仿人腦的結構。

人腦內(nèi)有上千億個神經(jīng)元，而且每個神經(jīng)元都通過成千上萬個突觸與其他神經(jīng)元相連，形成超級龐大的神經(jīng)元回路，以分布式和并發(fā)式的方式傳導信號，相當于超大規(guī)模的并行計算，因此算力極強。人腦的另一個特點是，不是大腦的每個部分都一直在工作，從而整體能耗很低。

這種類腦芯片跟傳統(tǒng)的馮·諾依曼架構不同，它的內(nèi)存、CPU和通信部件是完全集成在一起，把數(shù)字處理器當作神經(jīng)元，把內(nèi)存作為突觸。除此之外，在類腦芯片上，信息的處理完全在本地進行，而且由于本地處理的數(shù)據(jù)量并不大，傳統(tǒng)計算機內(nèi)存與CPU之間的瓶頸不復存在了。同時，神經(jīng)元只要接收到其他神經(jīng)元發(fā)過來的脈沖，這些神經(jīng)元就會同時做動作，因此神經(jīng)元之間可以方便快捷地相互溝通。

在類腦芯片的研發(fā)上，IBM 是行業(yè)內(nèi)的先行者。2014 年 IBM 發(fā)布了 TrueNorth 類腦芯片，這款芯片在直徑只有幾厘米的方寸的空間里，集成了 4096 個內(nèi)核、100 萬個“神經(jīng)元”和 2.56 億個“突觸”，能耗只有不到 70 毫瓦，可謂是高集成、低功耗的完美演繹。

那么這款芯片的實戰(zhàn)表現(xiàn)如何呢?IBM研究小組曾經(jīng)利用做過 DARPA 的NeoVision2 Tower數(shù)據(jù)集做過演示。它能以30幀每秒速度，實時識別出街景視頻中的人、自行車、公交車、卡車等，準確率達到了80%。相比之下，一臺筆記本編程完成同樣的任務用時要慢100倍，能耗卻是IBM芯片的1萬倍。

然而目前類腦芯片研制的挑戰(zhàn)之一，是在硬件層面上模仿人腦中的神經(jīng)突觸，換而言之就是設計完美的人造突觸。

在現(xiàn)有的類腦芯片中，通常用施加電壓的方式來模擬神經(jīng)元中的信息傳輸。但存在的問題是，由于大多數(shù)由非晶材料制成的人造突觸中，離子通過的路徑有無限種可能，難以預測離子究竟走哪一條路，造成不同神經(jīng)元電流輸出的差異。

針對這個問題，今年麻省理工的研究團隊制造了一種類腦芯片，其中的人造突觸由硅鍺制成，每個突觸約 25 納米。對每個突觸施加電壓時，所有突觸都表現(xiàn)出幾乎相同的離子流，突觸之間的差異約為 4%。與無定形材料制成的突觸相比，其性能更為一致。

即便如此，類腦芯片距離人腦也還有相當大的距離，畢竟人腦里的神經(jīng)元個數(shù)有上千億個，而現(xiàn)在最先進的類腦芯片中的神經(jīng)元也只有幾百萬個，連人腦的萬分之一都不到。因此這類芯片的研究，離成為市場上可以大規(guī)模廣泛使用的成熟技術，還有很長的路要走，但是長期來看類腦芯片有可能會帶來計算體系的革命。

說了這么多，相信讀者們對 AI 芯片行業(yè)已經(jīng)有了基本的認識。在未來，AI芯片是否會從云端向終端發(fā)展?行業(yè)中大小公司的激烈的競爭會催生出怎樣的創(chuàng)新和轉型?類腦芯片的研發(fā)又能取得哪些突破?關于這些問題，每個人都會有不同的見解，歡迎各位讀者在下面留言。