AI芯片的技术分类以及技术特点

【安防在线 www.anfang.cn】AI芯片从技术架构发展来看，大致也可以分为四个类型：通用类芯片，代表如GPU、FPGA；基于FPGA的半定制化芯片，代表如深鉴科技DPU、百度XPU等；全定制化ASIC芯片，代表如TPU、寒武纪Cambricon-1A等；类脑计算芯片，代表如IBMTrueNorth、westwell、高通Zeroth等。

一、通用类芯片：代表如GPU、FPGA

GPU：GraphicsProcessingUnit图形处理器

GPU原本需求大部分都来源于PC端大型游戏对图形处理的需求，现由于科技发展渐渐在移动端也慢慢崛起。

而做GPU的大佬正是英伟达NVIDIA，从游戏、数据中心到人工智能，市场对英伟达芯片的需求越来越大，在游戏业中甚至增加了对加密货币挖矿者用户的服务，等过去三年时间内，英伟达依靠自身在GPU方面的技术积累，搭上了人工智能发展的快车道，其股价也在三年内翻了10倍。

英伟达正在经历从一个图形芯片公司到AI平台搭建者的转型，聚焦于底层计算，致力于搭建高效平台的战略，使英伟达在当下的技术革命中，占得了一席之地。

除了英伟达，还有AMD，ARM家的Mali，Imagination的PowerVR，Qualcomm的Adreno等

FPGA：Field－ProgrammableGateArray现场可编程门阵列

它在PAL、GAL、CPLD等可编程器件的基础上进一步发展的产物。它是作为专用集成电路（ASIC）领域中的一种半定制电路而出现的，既解决了定制电路的不足，又克服了原有可编程器件门电路数有限的缺点。

全球知名的FPGA生产厂商有：Altera，Xilinx，Actel，Lattice，Atmel

其中Altera作为世界老牌可编程逻辑器件的厂家，是可编程逻辑器件的发明者，开发软件MAX＋PLUSII和QuartusII。Xilinx是FPGA的发明者，拥有世界一半以上的市场，提供90％的高端65nmFPGA产品，开发软件为ISE，其产品主要用于军用和宇航。

Altera和Xilinx主要生产一般用途FPGA，其主要产品采用RAM工艺。Actel主要提供非易失性FPGA，产品主要基于反熔丝工艺和FLASH工艺。

二、基于FPGA的半定制化芯片：代表如深鉴科技DPU、百度XPU等

DPU：Deep－LearningProcessingUnit深度学习处理器

DeephiTech深鉴，一家位于北京的清华背景start－up，深鉴将其开发的基于FPGA的神经网络处理器称为DPU。

深鉴已经公开发布了两款DPU：亚里士多德架构和笛卡尔架构，分别针对CNN以及DNN／RNN。

百度也发布了XPU，这是一款256核、基于FPGA的云计算加速芯片，合作伙伴是赛思灵（Xilinx）。XPU的目标是在性能和效率之间实现平衡，并处理多样化的计算任务。

XPU的256个内核，集成了一个共享内存用于数据同步，所有内核都运行在600MHz

三、全定制化ASIC芯片：代表如TPU、寒武纪Cambricon－1A等

ASIC：ApplicationSpecificIntegratedCircuit

ASIC在集成电路界被认为是一种为专门目的而设计的集成电路。ASIC芯片技术发展迅速，目前ASIC芯片间的转发性能通常可达到1Gbs甚至更高，于是给交换矩阵提供了极好的物质基础。

TPU：TensorProcessingUnitGoogle的张量处理器

TPU的架构框图

Google在2017年5月的开发者大会上正是公布了TPU2，又称CloudTPU．相比于TPU1，TPU2既可以勇于training，又可以用于inferrence．TPU1实用了脉动阵列的流处理结构。

四、类脑计算芯片：代表如IBMTrueNorth、westwell、高通Zeroth等

类脑计了算：是指借鉴大脑中进行信息处理的基本规律，在硬件实现与软件算法等多个层面，对于现有的计算体系与系统做出本质的变革，从而实现在计算能耗、计算能力与计算效率等诸多方面的大幅改进

TrueNorth：IBM2014年发布的仿人脑芯片，在这个只有邮票大小的硅片上，集成了100万个”神经元”，256个”突触”，4096个并行分布的神经内核，用了54亿个晶体管，然而功耗却只有70mW。

TrueNorth芯片结构、功能、物理形态图

WestWellLab：西井科技是一家专注研究NeuromorphicEngineering神经形态工程的类脑强人工智能商业公司，即模拟人脑神经元工作原理而制造出的芯片，它既具备人脑的学习能力，又具备强大的特定运算能力，仅需一块邮票大小的芯片，就能模仿人类大脑在短时间内处理海量的感官信息。

本人认为，以上4种技术架构的类型随着科技的发展不断最终将殊途同归，区别在于不同时期不同需求，这也是各个AI芯片创业公司为什么要进行卡位战的原因。但无论怎么发展，技术永远都是第一要义。