AI芯片的几种选择，你更看好哪个？

根据行业的参考标准，AI将是下一件大事，或将在下一件大事中发挥重要作用。这也就解释了过去18个月里人工智能领域活动的疯狂。大公司支付数十亿美元收购创业公司，甚至投入更多的资金用于研发。此外，各国政府正在向大学和研究机构投入数十亿美元。全球竞赛正在进行，目的是创建的最佳的架构和系统来处理AI工作所必需的海量数据。

市场预测也相应上升。 根据TracTIca研究所的数据，到2025年，AI年收入预计将达到368亿美元。TracTIca表示，迄今为止已经确定了AI的27种不同的细分行业以及191个使用案例。

但随着我们深入挖掘，很快就可以明显地看到，并不存在一个的最好的方式来解决AI问题。甚至对于AI是什么，或需要分析的数据类型，我们尚没有一致的定义。

图1 AI收入增长预测。来源：TracTIca

OneSpin SoluTIons总裁兼首席执行官Raik Brinkmann说，“在人工智能芯片中，你有三个问题需要解决。首先，你需要处理大量的数据。其次，构建用于并行处理的互连。第三是功率，这是你移动数据量的直接结果。所以你亟须从冯诺依曼架构转变到数据流架构。但它究竟是什么样子？”

目前的答案很少，这就是为什么AI市场的第一颗芯片包括现成的CPU，GPU，FPGA和DSP的各种组合。虽然新设计正在由诸如英特尔、谷歌、英伟达、高通，以及IBM等公司开发，但目前还不清楚哪家的方法会胜出。似乎至少需要一个CPU来控制这些系统，但是当流数据并行化时，就会需要各种类型的协处理器。

AI的许多数据处理涉及矩阵乘法和加法。大量并行工作的GPU提供了一种廉价的方法，但缺点是更高的功率。具有内置DSP模块和本地存储器的FPGA更节能，但它们通常更昂贵。这也是软件和硬件真正需要共同开发的领域，但许多软件远远落后于硬件。

Mentor Graphics董事长兼首席执行官Wally Rhines表示：“目前，研究和教育机构有大量的活动。有一场新的处理器开发竞赛。也有标准的GPU用于深度学习，同时还有很多人在从事CPU的工作。目标是使神经网络的行为更像人脑，这将刺激一次全新的设计浪潮。”

当视觉处理开始涉及到AI时，便受到了极大的关注，主要是因为特斯拉在预计推出自动驾驶汽车的15年前就已经提出了自动驾驶概念。这为视觉处理技术，以及为处理由图像传感器、雷达和激光雷达收集的数据所需的芯片和整体系统架构开辟了巨大的市场。但许多经济学家和咨询公司正寻求超越这个市场，探讨AI将如何影响整体生产力。Accenture最近的报道预测，AI将使一些国家的GDP翻番（见下图2）。虽然这将导致就业机会大幅减少，但整体收入的提高不容忽视。

Synopsys董事长兼联合首席执行官Aart de Geus指出了电子学的三个浪潮——计算和网络、移动、数字智能。在后一种类型中，焦点从技术本身转移到它可以为人们做什么。

“You’ll see processors with neural networking IP for facial recognition and vision processing in automobiles，” said de Geus. “Machine learning is the other side of this. There is a massive push for more capabilities， and the state of the art is doing this faster. This will drive development to 7nm and 5nm and beyond.”

de Geus说：“你将看到具有面部识别和汽车视觉处理的神经网络IP。机器学习是其另一面。它对于更多的能力会产生一种巨大的推动，目前的技术水平可以快速完成这些。这将推动芯片发展到7nm、5nm，甚至更高的水平。”

目前的方法

自动驾驶中的视觉处理在AI当前研究中占主导地位，但该技术在无人机和机器人中的作用也越来越大。

Achronix公司总裁兼首席执行官Robert Blake说：“对于图像处理的AI应用，计算复杂度很高。对于无线技术，数学很好理解。对于图像处理，数学就像西部拓荒，工作负载复杂多变。大概花费5~10年时间才能解决市场问题，但是它对于可编程逻辑肯定会有很大的作用，因为我们需要能够以高度并行的方式完成的变精度数学。”

FPGA非常适合矩阵乘法。最重要的是，它的可编程性增加了一些必要的灵活性和面向未来的设计，因为在这一点上，不清楚所谓的智能将存在于一个设计的哪部分。用于做决策的数据一些将在本地处理，一些将在数据中心中处理。但在每个实现中，其百分比可能会改变。

这对AI芯片和软件设计有很大的影响。虽然AI的大局并没有太大的变化（大部分所谓的AI更接近于机器学习，而非真正的AI），但是对于如何构建这些系统的理解却发生了重大的变化。

图3：谷歌TPU开发板 来源：谷歌

Arteris营销副总裁Kurt Shuler说：“对于自动驾驶汽车，人们正在做的就是把现有的东西放在一起。为了使一个真正高效的嵌入式系统能够学习，它需要一个高效的硬件系统。我们采用了几种不同的方法。如果你关注视觉处理，你要做的是试图弄清楚器件看到的是什么，以及你如何推断。这包括来自视觉传感器、激光雷达和雷达的数据，然后应用专门的算法。这里的很多事情都是试图模仿大脑中的事情，方法是利用深度卷积神经网络。”

它与真正的AI的不同之处是，现有技术水平能够检测和避开物体，而真正的AI能够拥有推理能力，例如如何通过一群人正在横穿的街道，或判断玩皮球的小孩子是否会跑到街道上。对于前者，判断是基于各种传感器的输入，而传感器的输入是基于海量数据处理和预编程的行为。对于后者，机器能够作出价值判断，例如判断转弯避开孩子可能会造成的很多结果，并做出最佳选择。