人工智能芯片发展 (1

人工智能技术随着以深度学习为核心算法的大力发展，目前已经在场景识别，语音识别等方面迅猛发展；

影响人工智能的三大要素：数据 算法 算力

其中算力 是实现算法的重要基础，人工智能芯片也处于这个时代的战略至高点。

目前人工智能 芯片分为三类：

a. AI加速芯片-（GPU，FPGA，DSP，ASIC等）

b. 类脑仿生芯片

c. 通用AI芯片

 

AI加速芯片

用于机器学习，特别是深度学习的网络训练和推理使用；是在现有芯片架构的基础上，对某类特定的算法和场景进行加速---考虑因素计算速度，功耗，成本等

设计思路：

1. 利用已有的GPU，DSP， 众核处理器等芯片以异构计算的方式实现；2.

2. 设计专用的ASIC芯片；

注：异构计算（Heterogeneous Computing）是指使用一种以上处理器的系统，如CPU+GPU；

1. GPU

gpu，是一种由大量核组成的大规模并行处理框架，用于处理图形显示的任务。

深度学习中神经网络训练过程计算量极大，而且数据和运算是可以并行的，GPU具备这种能力，并且为浮点矢量计算配备计算资源，两者有共同点。因此最先被考虑。

缺点： 不能支持复杂程序逻辑控制，需要CPU配合完成完整的计算系统；

2. DSP

DSP，大规模集成电路芯片。用于完成某种信号处理任务的处理器，针对滤波，矩阵运算，FFT等需要大量乘法加法运算的特点，DSP内部配有独立的乘法器加法器，提高运算速度。

因此，可以在dsp内部加入针对神经网络的加速部件，如矩阵乘和累加器/全连接的激活层和池化层等；

优点：高速/灵活/体积小/低功耗/可编程--适合用于终端设备，如手机/摄像头

3. 众核处理器

众核处理器是将多个处理器整合到单个芯片上。例：inter的 MIC架构，应用场景：高性能计算/工作站/数据中心

特点：核增多会增加芯片面积和功耗，但是性能会提高/增加运算部件和指令发射带宽会增加面积，也会拉长信号传输线路，增加延迟；

4. ASIC

asic,为专门目的设计的，面向用户特定需求的定制芯片；分为 全定制 和 半定制；

半定制 是使用库中标准逻辑单元，设计时从库中选择门电路/加法器/比较器/数据通路/存储器/IP核等；

目前大多公司采用的都是ASIC芯片进行深度学习加速，比如 google的 TPU , 寒武纪的AI芯片(与华为合作，NPU)也是；

 

类脑仿生芯片

区别于冯诺依曼架构，采用人脑神经元结构设计芯片来提升计算能力，以完全拟人化为目标，追求在芯片架构上不断逼近人脑，这类芯片成为类脑芯片。

神经元 接受刺激， 其细胞膜内外带电离子分布发生变化，形成电位差，电位差沿着神经细胞轴突/树突双向传导，形成脉冲电流。而当电信号传递到突触时，突触前神经元释放神经递质由突触后神经元接受神经递质产生兴奋，并向下传递作用于人体发生反应。

类脑芯片架构就是模拟人脑的神经突触传递结构，每个神经元的计算都是在本地进行的，且只负责自己的一小部分。

目前相对还处于概念阶段，已经有的比如： IBM TrueNorth, 浙大的 达尔文;

 

参考文档：https://www.ednchina.com/news/20180131AI.html

 

通用AI芯片

目前没有真正意义上的通用AI芯片，都是基于重构计算架构的软件定义芯片；

软件定义芯片，就是让芯片根据软件进行适应和调整，就是将软件通过不同的管道输送到硬件中来执行功能，使芯片能够实时的根据软件、产品、应用场景的需求改变架构和功能，实现更加灵活的芯片设计。

例： 清华大学微电子学院研究所设计的AI芯片 Thinker

 

参考论文：人工智能芯片发展的现状及趋势—尹首一