電子發燒友App
寒武紀正式在A股科創板上市，成為AI芯片第一股，引起了業內的熱議和關注。
根據相關的資料顯示，目前中國IC設計企業已超過1500家。但AI芯片的公司卻比較少，創企僅超過20家。在這些AI芯片企業中，寒武紀是最突出的，尤其是最近的IPO，科創上市第一天股票便一路飆升。那么AI芯片到底是什么，與我們普通的CPU有何區別呢？
從原理邏輯來看，AI處理器是一種特殊的芯片，它結合了人工智能技術和機器學習，使芯片的移動設備足夠智能，可以模仿人類的大腦，用于優化深度學習AI的工作，也是使用多個具有特定功能的處理器的系統。而普通的芯片（普通cpu）則被封裝在一個更小的芯片包中，設計用于支持移動應用程序，提供支持移動設備應用程序所需的所有系統功能。
大多數時候，各個大公司營銷團隊發現AI（人工智能）這個詞非常“前位且華麗”，所以他們幾乎把它捆綁到任何可能的商業用途中。因此，你肯定聽說過“人工智能芯片”，其實它是NPU（神經處理單元）的重命名版本，這些是特殊類型的ASIC（專用集成電路），旨在移動市場中將機器學習廣泛應用。
這些ASIC有一種特殊的架構設計，使它們能夠更快地執行機器學習模型，而不是將數據卸載到服務器，然后等待它的響應。這種執行可能沒有那么強大，但由于數據和處理中心之間的障礙更小，所以速度會更快。
NPU比普通的CPU有什么優勢？
通俗來說，我們可以理解為NPU就是AI芯片，普通芯片就是CPU。
CPU在一般的負載環境中工作會很好，因為它有一個較高的IPC，可以通過許多串行執行。且CPU遵循的是馮諾依曼架構，其核心是存儲程序、順序執行。CPU的架構中需要大量的空間去放置存儲單元（Cache）和控制單元（Control），相比之下計算單元只占據了很小的一部分，所以它在大規模并行計算能力上極受限制，而更擅長于邏輯控制。
NPU和GPU的亮點在于它們能夠運行多個并行線程。NPU通過一些特殊的硬件級優化，比如為一些真正不同的處理核提供一些容易訪問的緩存系統，將其提升到另一個層次。這些高容量內核比通常的“常規”處理器更簡單，因為它們不需要執行多種類型的任務。這一整套的“優化”使得NPU更加高效，這就是為什么這么多的研發會投入到ASIC中的原因。
機器學習模型處理要求CPU、DSP、GPU和NPU同時同步，這是很多芯片處理單元在共同工作。但這也解釋了為什么這樣執行對于移動設備來說是“沉重的”。
NPU的優勢之一在于，大部分時間集中在低精度的算法，新的數據流架構或內存計算能力。與GPU不同，它們更關注吞吐量而不是延遲。
當然，AI算法是至關重要的，在圖像識別等領域，常用的是CNN卷積網絡，語音識別、自然語言處理等領域，主要是RNN，這是兩類有區別的算法。但是，他們本質上，都是矩陣或vector的乘法、加法，然后配合一些除法、指數等算法。
另外，一個成熟的AI算法，針對卷積運算和加權求和的特定數學進行了優化。這個過程非常快。它就像一個沒有圖形硬件的GPU。對于AI芯片來說，如果確定了具體的目標尺寸，那么總的乘法加法計算次數是確定的。比如一萬億次， 就好比說，我用AI芯片跑程序，吃頓飯的功夫就就解決了，而CPU需要運行好幾個禮拜，時間上的差距，沒有任何一家商業公司會浪費時間。
全球AI芯片公司有哪些？
除了寒武紀，國內還有這些比較有名的AI芯片公司比特大陸，地平線，天數智芯，熠知電子，探境科技，燧原科技，海思，嘉楠科技等公司，都是經歷了自2015年至現在的實際落地的檢驗期，才到現在境況。各個公司的產品也都是獨特的，功耗、性能、應用場景都有自己的風格，可以在中國的廣大的市場中占有一席之地。
中國AI芯片公司處于一個發展熱潮中，那國外AI的芯片發展情況又如何呢？現在讓我們來看看那些我們認為是人工智能芯片頂級開發者的公司，盡管沒有任何特定的順序——只是那些已經展示了他們的技術并且已經將其投入生產或者即將投入生產的公司。具體如下：
1. Alphabet（谷歌母公司）
谷歌的母公司督促著人工智能技術在多個領域的發展，包括云計算、數據中心、移動設備和臺式電腦。可能最值得注意的是它的張量處理單元（Tensor Processing Unit），這是一款專門為谷歌的TensorFlow編程框架設計的ASIC，主要用于AI的兩個分支機器學習和深度學習。
谷歌的Cloud TPU是應用于數據中心或云解決方案，其大小相當于一張信用卡， 但Edge TPU大小是小于一美分的硬幣， 是專為某些特定的設備而設計的。盡管如此，更仔細觀察這一市場的分析師說，谷歌的Edge TPU不太可能在短期內出現在該公司自己的智能手機和平板電腦上，而更有可能被用于更高端、企業和昂貴的機器和設備。
2. Apple
蘋果多年來一直在開發自己arm芯片，最終可能會徹底停止使用英特爾（Intel）等供應商。蘋果也基本上擺脫了與高通的糾纏，看起來確實決心要在未來的人工智能領域走自己的路。
該公司在最新款的iphone和ipad上使用了A13“仿生”芯片。該芯片使用了蘋果的神經引擎，這是電路的一部分，第三方應用程序無法使用。A13仿生芯片比之前的版本更快，耗電更低。據報道，A14版本目前正在生產中，今年可能會出現在該公司更多的移動設備上。
3. ARM
Arm （ArmHoldings）生產的芯片設計被包括蘋果在內的所有領先技術制造商采用。作為一個芯片設計師，它不制造自己的芯片，這給了它某種優勢，就像微軟不制造自己的電腦一樣。換句話說，Arm在市場上有著巨大的影響力。該公司目前正沿著三個主要方向開發人工智能芯片設計： Project Trillium，一種“超高效”、可擴展的新型處理器，目標是機器學習應用;機器學習處理器，這是不言而喻的; Arm NN是神經網絡的縮寫，它是一種用于處理TensorFlow的處理器，Caffe是一種深度學習框架，還有其他一些結構。
4. Intel （英特爾）
早在2016年，據華爾街日報報道，芯片巨頭英特爾宣布收購初創公司NervanaSystems，英特爾將獲得該公司的軟件、云計算服務和硬件，從而使產品更好地適應人工智能的發展。但它的人工智能芯片系列，被稱為“神經網絡處理器”：人工神經網絡模仿人類大腦的工作方式，通過經驗和實例進行學習，這就是為什么你經常聽到機器和深度學習系統需要“訓練”。隨著之前發布的Nervana，英特爾似乎將優先解決與自然語言過程和深度學習相關的問題。
5. Nvidia （英偉達）
在GPU市場中，我們提到過GPU處理人工智能任務的速度比CPU快得多，Nvidia看起來處于領先地位。同樣，該公司似乎在新生的人工智能芯片市場獲得了優勢。這兩項技術似乎是密切相關的，英偉達在GPU方面的進展有助于加速其人工智能芯片的開發。事實上，gpu似乎是Nvidia人工智能產品的支撐，而其芯片組可以被稱為人工智能加速器。Jetson Xavier于2018年已經發布，該公司CEO黃仁勛在新聞發布會上表示：“這臺小電腦，將成為未來機器人的大腦”。
深度學習似乎是英偉達感興趣的主要領域。深度學習是一種更高層次的機器學習。你可以把機器學習看作是使用相對有限的數據集的短期學習，而深度學習使用在較長一段時間內收集的大量數據來返回結果，這些結果反過來被設計用來解決更深層次的、潛在的問題。
和英偉達一樣，AMD是另一家與顯卡和GPU有著密切聯系的芯片制造商，部分原因是過去幾十年電腦游戲市場的增長，以及比特幣礦業的增長。AMD提供硬件和軟件解決方案，如EPYC cpu和Radeon Instinct gpu的機器學習和深度學習。Epyc是AMD為服務器（主要用于數據中心）提供的處理器名稱，而Radeon則是一款主要面向游戲玩家的圖形處理器。AMD提供的其他芯片包括Ryzen，也許還有更知名的Athlon。該公司在人工智能專用芯片的開發上似乎還處于相對早期的階段，但鑒于其在GPU領域的相對實力，觀察家們認為它將成為該市場的領導者之一。AMD已簽約向美國能源部提供Epyc和Radeon系統，用于建造世界上最快、最強大的超級計算機之一，被稱為“Frontier”。
7. Qualcomm （高通）
高通在智能手機熱潮開始之初就通過與蘋果的合作賺了一大筆錢，對于Apple停止購買其芯片的決定，高通可能覺得自己被冷落了。當然，高通本身在這個領域也不是什么小公司，而且考慮到未來，一直在進行一些重大投資。
去年，高通發布了一款新的“云人工智能芯片”，似乎將其與其在第五代電信網絡（5G）方面的開發聯系起來。這兩項技術被認為是構建自動駕駛汽車和移動計算設備新生態系統的基礎。分析師表示，高通在人工智能芯片領域算是后來者，但該公司在移動設備市場擁有豐富經驗，這將有助于實現其“讓設備上的人工智能無處不在”的目標。
當然，其他還有Samsung（三星）， TSMC（臺積電）， Facebook（臉書）， IBM， LG等大型國際公司也在研發自己得AI芯片，誰能先掌握最前沿的AI芯片，誰就能在新的經濟上升潮流中分一杯羹。
各個大公司的市場部描繪給我們的現實與那些公司外的現實截然不同。盡管幾十年的研究給了我們處理信息和分類輸入的新方法，比以往任何時候都快，但我們購買的硬件中并沒有真正的AI，因此哪家芯片公司能夠抓住市場痛點 ，最先實現應用落地，就可以在人工智能芯片的賽道上取得較大優勢。
目前全球人工智能產業依舊處在高速的發展 中，不同的行業分布為人工智能的應用提供了廣闊的市場前景，商業化的社會需要人工智能的應用，AI芯片是實現算法的硬件基礎，也是未來人工智能時代的戰略制高點，全球的各大頂級公司會為此而一戰。但由于目前的 AI 算法往往都各具優劣，只有給它們設定一個合適的場景才能最好地發揮它們的作用，也希望AI可以今早進入我們普通人的視線中。
從產業發展來看，現在還是人工智能芯片的初級階段，無論是科研方向還是商業的應用都有非比尋常的創新空間。在應用場景中，算法迭代的AI芯片向具備更高靈活性、適應性的通用智 能芯片發展，這是是技術發展的必然方向。更少的神經網絡參數計算位寬，更多樣的分布式存儲器定制設計 ，更稀疏的大規模向量實現，復雜異構環境下更高的計算效率，更小的體積和更高的能量效率，計算和存儲一體化將成為未來人工智能芯片的主要特征和發展趨勢。
? ? ? ?責任編輯:pj
工商網監
評論