目前，全世界超過 90%的數據都是在過去的兩三年之內產生的。隨著人工智能、自動駕駛、5G、云計算等各種技術的不斷發展，海量數據都將會繼續源源不斷的產生。預計到 2025 年，數據總量將比現在增長 10 倍。在這些技術的發展中，很大的一部分都基于對大數據的研究和分析。正因為如此，很多人就形象的將數據比喻為人工智能時代的石油。

為了對海量的數據進行處理，基于傳統 CPU 的計算結構已經很難滿足需求了，我們需要更加強大的硬件和芯片，來更快、更好的完成這些工作。

此外，我們也需要更好的方法，比如使用各種人工智能的算法和模型，來幫助我們進行數據的分析和處理，并得到有意義的結論。如果把這兩者結合起來，就產生了各種各樣的人工智能芯片。

在這篇文章里，我們來一起看一下關于人工智能芯片的幾個有意思的事情。我想討論的重點，是在實際的工程實踐和應用場景里，如何對人工智能加速芯片進行合理的評價和選擇，以及各種不同的 AI 芯片的優缺點都有哪些。我會給大家介紹一個簡單的思維框架，幫助大家理解和思考。

討論：一個前提條件

在開始討論之前，我們首先要明確一些討論的前提條件，這些對于接下來的分析至關重要。很多人常犯的一個邏輯謬誤，就是在討論問題的時候缺少一個特定的討論范圍，這個英文叫做 context，中文通常翻譯成語境，或者上下文。

說白了，這個就是我們在討論問題的時候，要圈定一個討論的范圍，大家都在這個圈圈里討論問題。這就像拳擊或者格斗比賽一樣，要在那個擂臺上比拼，不能跑到臺下打。否則的話，就會像老郭和于大爺說的那樣：

你和他講道理，他和你講法制；

你和他講法制，他和你講政治；

你和他講政治，他和你講國情；

你和他講國情，他和你講文化；

你和他講文化，他和你講道理 ......

同樣的，對于我們要討論的人工智能芯片，其實有很多不同的應用領域。從這個角度來看，AI 芯片可以分成移動端和服務器端兩大類，也有很多人把兩類稱為終端和云端。

事實上，在這兩類應用中，人工智能芯片在設計要求上有著本質區別。比如，移動端更加注重 AI 芯片的低功耗、低延時、低成本，而部署在云端的 AI 芯片，可能會更加注重算力、擴展能力，以及它對現有基礎設施的兼容性等等。

對于這兩類人工智能芯片，我們很難直接進行比較。這就好像一棵大樹，它的樹干負責支撐起這顆樹，并且還能輸送各種營養物質。它的樹葉就負責進行光合作用，并生產營養物質。但是我們很難比較樹干和樹葉，究竟誰更有用。

在這篇文章里，我們要把討論的范圍縮小，只關注部署在服務器端的人工智能芯片的相關問題。

此外，我們還需要明確一下具體討論哪些 AI 芯片。這篇文章將主要對比四種最常見的芯片：CPU、GPU、ASIC 和 FPGA。其他的一些相對小眾的芯片種類，比如類腦芯片和量子芯片等等，就不列入討論的范圍了。

分析：一個思維框架

我們現在明確了討論的領域和對象，也就是部署在服務器端的四種常見的芯片，接下來應該確定的是，通過什么樣的方式來衡量這些 AI 芯片的優缺點。

在這里給大家介紹一個我們在工程實踐里經常使用的思維框架。具體來說，當我們考慮在數據中心里大量部署 AI 芯片的時候，通常需要考慮以下幾個重要的因素。

首先就是算力，也就是芯片的性能。這里的性能有很多方面，比如這個芯片做浮點或者定點數運算的時候，每秒的運算次數，以及這個芯片的峰值性能和平均性能等等。

但是，算力或者性能其實并不是衡量 AI 芯片好壞的唯一標準。事實上，在很多時候它甚至不是最重要的標準。那么，還有哪些考慮的因素呢？

在這個思維框架里，一共有五個衡量因素。除了性能之外，還有靈活性、同構性、成本和功耗四點。

其中，靈活性指的是這個 AI 芯片對不同應用場景的適應程度。也就是說，這個芯片能不能被用于各種不同的 AI 算法和應用。

同構性指的是，當我們大量部署這個 AI 芯片的時候，我們能否重復的利用現有的軟硬件架構和資源，還是需要引入其他額外的東西。舉個簡單的例子，比如我的電腦要外接一個顯示器，如果這個顯示器的接口是 HDMI，那么就可以直接連。但是如果這個顯示器的接口只有 VGA 或者 DVI 或者其他接口，那么我就要買額外的轉接頭才行。這樣，我們就說這個設備，也就是顯示器，它對我現有系統的同構性不好。

成本和功耗就比較好理解了。成本指的就是錢和時間，當然如果細摳的話，還有投入的各種人力物力，以及沒有選擇其他芯片帶來的機會成本等等。不過歸根到底還是錢和時間。成本包含兩大部分，一部分是芯片的研發成本，另一部分是芯片的部署和運維成本。

功耗就更好理解了，指的就是某種 AI 芯片對數據中心帶來的額外的功耗負擔。

比較：4 種芯片，5 個維度

現在我們知道了這個思維框架里的五個重要元素，那么我們就能對前面提到的四種芯片，也就是 CPU、GPU、ASIC 和 FPGA 做一個定性的比較了。這里聲明一下，這些對比僅代表我個人的觀點，也歡迎大家在留言里和我交流你的想法。

CPU

對于 CPU 來說，它仍然是數據中心里的主要計算單元。事實上，為了更好的支持各種人工智能應用，傳統 CPU 的結構和指令集也在不斷迭代和變化。

比如，英特爾最新的 Xeon 可擴展處理器，就引入了所謂的 DL Boost，也就是深度學習加速技術，來加速卷積神經網絡和深度神經網絡的訓練和推理性能。但是相比其他三種芯片，CPU 的 AI 性能還是有一定差距。

CPU 最大的優勢就是它的靈活性和同構性。對于大部分數據中心來說，它們的各種軟硬件基礎設施都是圍繞 CPU 設計建設的。所以 CPU 在數據中心的部署、擴展、運維，包括生態其實都已經非常成熟了。它的功耗和成本不算太低，但也還在可接受的范圍內。

GPU

GPU 有著大規模的并行架構，非常適合對數據密集型的應用進行計算和處理，比如深度學習的訓練過程。和 CPU 相比，GPU 的性能會高幾十倍甚至上千倍。因此業界的很多公司，都在使用 GPU 對各種 AI 應用進行加速。

GPU 的另外一個優勢，是它有著比較成熟的編程框架，比如 CUDA，或者 OpenCL 等等，這是 GPU 在 AI 領域得到爆發最直接的推動力量之一，也是 GPU 相比 FPGA 或者 ASIC 的最大優勢之一。

但是，GPU 的最大問題就是它的功耗。比如，英偉達的 P100、V100 和 A100 GPU 的功耗都在 250W 到 400W 之間。相比于 FPGA 或 ASIC 的幾十瓦甚至幾瓦的功耗而言，這個數字顯得過于驚人了。

而對于神經網絡的訓練來說，它往往需要大量密集的 GPU 集群來提供充足的算力。這樣一來，一個機柜的功耗就可能會超過幾十千瓦。這就需要數據中心為它修改供電和散熱等結構。比如傳統的數據中心大都靠風扇散熱，但如果要部署 GPU，就可能要改成水冷散熱。對于大數據中心來說，這是筆巨大的開銷。

伴隨著高功耗，更大的問題實際是高昂的電費開支。要知道，現代數據中心的運維成本里，電費開支占 40%甚至更高。所以，對于 GPU 在數據中心里的大規模部署，我們通?？紤]的是它所帶來的性能優勢，能否抵消它帶來的額外電費。

ASIC

ASIC 就是所謂的人工智能專用芯片。這里的典型代表，就是谷歌阿爾法狗里用的 TPU。根據谷歌的數據，TPU 在阿爾法狗里替代了一千多個 CPU 和上百個 GPU。

在我們的衡量體系里，這種 AI 專用芯片的各項指標都非常極端，比如它有著極高的性能和極低的功耗，和 GPU 相比，它的性能可能會高十倍，功耗會低 100 倍。

但是，研發這樣的芯片有著極高的成本和風險。與軟件開發不同，芯片開發全程都需要大量的人力物力投入，開發周期往往長達數年，而且失敗的風險極大。放眼全球，同時擁有雄厚的資金實力和技術儲備以進行這類研發的公司，大概用兩只手就能數的出來。也就是說，這種方案對于大多數公司而言并可能沒有直接的借鑒意義。

此外呢，AI 專用芯片的靈活性往往比較低。顧名思義，包括谷歌 TPU 在內的 AI 專用芯片，通常是針對某種特定應用而設計開發，因此它可能很難適用于其他的應用。在使用成本的角度，如果要采用基于 ASIC 的方案，就需要這類目標應用有足夠的使用量，以分攤高昂的研發費用。同時，這類應用需要足夠穩定，避免核心的算法和協議不斷變化。而這對于很多 AI 應用來說是不現實的。

值得一提的是，我國在人工智能專用芯片領域涌現出來了一波優秀的公司，比如寒武紀、地平線，還有之前被賽靈思收購的深鑒科技等等。受篇幅限制，關于這些公司的具體產品和技術，這里就不再展開了。

FPGA

最后再來說一下 FPGA。我個人認為，FPGA 能夠在這些性能指標中達到比較理想的平衡。當然了，我目前的職業就和 FPGA 緊密相關，所以這個結論有屁股決定腦袋之嫌，謹供大家借鑒。

在性能方面，FPGA 可以實現定制化的硬件流水線，并且可以在硬件層面進行大規模的并行運算，而且有著很高的吞吐量。

FPGA 最主要的特點其實是它的靈活性，它可以很好的應對包括計算密集型和通信密集型在內的各類應用。此外，FPGA 有著動態可編程、部分可編程的特點，也就是說，FPGA 可以在同一時刻處理多個應用，也可以在不同時刻處理不同的應用。

在數據中心里，目前 FPGA 通常以加速卡的形式配合現有的 CPU 進行大規模部署。FPGA 的功耗通常為幾十瓦，對額外的供電和散熱等環節沒有特殊要求，因此可以兼容數據中心的現有硬件基礎設施。

在衡量 AI 芯片的時候，我們也經常使用性能功耗比這個標準。也就是說，即使某種芯片的性能非常高，但是功耗也非常高的話，那么這個芯片的性能功耗比就很低。這也是 FPGA 相比 GPU 更有優勢的地方。

在開發成本方面，FPGA 的一次性成本其實遠低于 ASIC，因為 FPGA 在制造出來之后，可以通過重復編程來改變它的邏輯功能。而專用芯片一旦流片完成就不能修改了，但是每次流片都會耗資巨大。這也是為什么包括深鑒在內的很多 AI 芯片的初創企業，都使用 FPGA 作為實現平臺的原因。

所以說，相比其他硬件加速單元而言，FPGA 在性能、靈活性、同構性、成本和功耗五個方面達到了比較理想的平衡，這也是微軟最終選用 FPGA，并在數據中心里進行大規模部署的主要原因，有興趣的朋友，可以看之前的文章《FPGA 在微軟數據中心的前世今生》。

結語

在這篇文章里，我們討論了人工智能芯片的主要分類，比如按應用場景，可以分成服務器端和移動端兩類。我們介紹了四種可以用來執行人工智能應用的芯片，分別是 CPU、GPU、ASIC 和 FPGA。我們還根據一個思維框架，從性能、靈活性、同構性、功耗、成本五個方面，分別衡量了這四種芯片的優缺點。

事實上，對于這個問題并沒有一個唯一的答案。我們只有根據特定的“Context”，也就是具體情況具體分析，才能找到最適用于某個應用的 AI 芯片。而這種理性的思維方式，其實也適用于我們日常工作和生活的各種事情，這也是本文想要傳達的最重要的內容。

審核編輯 黃昊宇