2017年，“人工智能”儼然已經(jīng)成為所有媒體的頭條熱點，在媒體和資本的推動下，AI以迅雷不及掩耳之勢向我們洶涌奔來。從政策層面，2017年關(guān)于AI發(fā)生了三件大事，一是發(fā)布了人工智能發(fā)展規(guī)劃；二是人工智能首次寫入十九大報告；三是很多城市，如上海、重慶等都在進行人工智能規(guī)劃。

從數(shù)據(jù)來看，2013年只有100多家組織機構(gòu)研究深度學習和人工智能，而到了2015年，這個數(shù)字已經(jīng)飆升到3409家，兩年時間增長30多倍。就連以電動汽車起家的特斯拉也宣布開始設(shè)計AI芯片，馬斯克請來了AMD公司Zen架構(gòu)的開發(fā)者Jim Keller，擔任自動駕駛硬件副總裁。

在AI熱鬧非凡的大背景下我們也需要認真思考：人工智能是否需要專門的芯片？現(xiàn)有的技術(shù)架構(gòu)具有怎樣的優(yōu)勢？近期，北京建廣資產(chǎn)管理有限公司主辦了一場以“構(gòu)造’芯’生態(tài)”為主題的沙龍，賽迪智庫半導體研究所副所長林雨從AI芯片定義、分類、生態(tài)環(huán)境、投資等方面做了分析。

人工智能如果按照架構(gòu)進行劃分，有三個重要元素：數(shù)據(jù)、算法和算例，其中算例就是芯片，算例是基礎(chǔ)，算法是核心，數(shù)據(jù)是保障。先看人工智能的定義，從廣義上講只要能夠運行人工智能算法的芯片都叫人工智能芯片。但是深入分析，林雨表示，“只有針對人工智能算法做了特殊加速設(shè)計的芯片才可以稱作為人工智能芯片，市場上真正做到了對芯片里面的架構(gòu)做了特殊加速設(shè)計的公司少之又少�！�

三個維度對人工智能進行分類

林雨分別從功能、應(yīng)用場景和技術(shù)架構(gòu)對人工智能進行了分類：

從功能上來看，人工智能包括推理和訓練兩個環(huán)節(jié)。在訓練層面，通過大數(shù)據(jù)訓練出一個復雜的神經(jīng)網(wǎng)絡(luò)模型。目前訓練環(huán)節(jié)主要使用英偉達的GPU集群完成，谷歌的TPU2．0也支持訓練環(huán)節(jié)和深度網(wǎng)絡(luò)加速。推理環(huán)節(jié)是指利用訓練好的模型，使用新數(shù)據(jù)推理出各種結(jié)論。總得來看，訓練環(huán)節(jié)對芯片的性能要求比較高，推理環(huán)節(jié)對簡單指定的重復計算和低延遲的要求很高。

從應(yīng)用場景來看，人工智能芯片應(yīng)用于云端和設(shè)備端，在深度學習的訓練階段需要極大的數(shù)據(jù)量和大運算量，單一處理器無法獨立完成，因此訓練環(huán)節(jié)只能在云端實現(xiàn)。在設(shè)備端，智能終端的數(shù)量龐大，而且需求差異較大，比如VR設(shè)備對于實時性要求很高，推理環(huán)節(jié)無法在云端完成，要求設(shè)備有獨立的推理計算能力，因此專用芯片的需求還是很大。

從技術(shù)架構(gòu)來看有四類：一是通用性芯片，如GPU；二是以FPGA為代表的半定制化芯片，如深鑒科技的DPU；第三，ASIC全定制化芯片，如谷歌的TPU；第四，類腦芯片。

GPU／FPGA／ASIC／類腦芯片，各有怎樣的優(yōu)勢？

為了進行大數(shù)據(jù)處理，當前的方案一般采用高性能的處理器輔助MCU進行計算，但是隨著摩爾定律時間周期拉長，處理器上可集成的器件數(shù)量會達到極限，而數(shù)據(jù)量還在不斷增加，因此我們需要通過架構(gòu)的變化來滿足數(shù)據(jù)量的增長，這就是人工智能芯片推出的背景。

目前來看，人工智能芯片有四類架構(gòu)：GPU、FPGA、ASIC和類腦芯片。

GPU：是單指令、多數(shù)據(jù)處理，采用數(shù)量眾多的計算單元和超長的流水線，如名字一樣，圖形處理器，GPU善于處理圖像領(lǐng)域的運算加速。但GPU無法單獨工作，必須由CPU進行控制調(diào)用才能工作。CPU可單獨作用，處理復雜的邏輯運算和不同的數(shù)據(jù)類型，但當需要大量的處理類型統(tǒng)一的數(shù)據(jù)時，則可調(diào)用GPU進行并行計算。

FPGA：和GPU相反，F(xiàn)PGA適用于多指令，單數(shù)據(jù)流的分析，因此常用于預測階段，如云端。FPGA是用硬件實現(xiàn)軟件算法，因此在實現(xiàn)復雜算法方面有一定的難度，缺點是價格比較高。將FPGA和GPU對比發(fā)現(xiàn)，一是缺少內(nèi)存和控制所帶來的存儲和讀取部分，速度更快。二是因為缺少讀取的作用，所以功耗低，劣勢是運算量并不是很大。結(jié)合CPU和GPU各自的優(yōu)勢，有一種解決方案就是異構(gòu)。

ASIC芯片：是專用定制芯片，為實現(xiàn)特定要求而定制的芯片。除了不能擴展以外，在功耗、可靠性、體積方面都有優(yōu)勢，尤其在高性能、低功耗的移動端。谷歌的TPU、寒武紀的GPU，地平線的BPU都屬于ASIC芯片。谷歌的TPU比CPU和GPU的方案快30－80倍，與CPU和GPU相比，TPU把控制縮小了，因此減少了芯片的面積，降低了功耗。

很多人認為ASIC是人工智能芯片的一個主要發(fā)展方向，其實在ASIC芯片里還有一個特殊的群體—類腦計算，林雨認為，“這才是真正的人工智能芯片未來發(fā)展的方向。類腦計算是真正模擬人腦進行設(shè)計，人腦的特點就是神經(jīng)元進行傳輸數(shù)據(jù)。當我們用硬件去模擬人腦時，在硬件環(huán)節(jié)里還有許多多余的元素，而類腦芯片就擬合人腦的作用。要做類腦芯片非常難，IBM、高通、英特爾等公司的芯片策略都是用硬件來模仿人腦的神經(jīng)突觸。”

四種架構(gòu)將走向哪里？

將以上四種架構(gòu)對比，GPU未來的主攻方向是高級復雜算法和通用性人工智能平臺，其發(fā)展路線分兩條走：一是主攻高端算法的實現(xiàn)，對于指令的邏輯性控制要更復雜一些，在面向需求通用的AI計算方面具有優(yōu)勢；二是主攻通用性人工智能平臺，GPU的通用性強，所以應(yīng)用于大型人工智能平臺可高效完成不同的需求。FPGA更適用于各種細分的行業(yè)，人工智能會應(yīng)用到各個細分領(lǐng)域。

ASIC芯片是全定制芯片，長遠看適用于人工智能�，F(xiàn)在很多做AI算法的企業(yè)也是從這個點切入。因為算法復雜度越強，越需要一套專用的芯片架構(gòu)與其進行對應(yīng)，ASIC基于人工智能算法進行定制，其發(fā)展前景看好。類腦芯片是人工智能最終的發(fā)展模式，但是離產(chǎn)業(yè)化還很遙遠。

投資投哪里？大佬擦亮眼睛看這幾點

第一，關(guān)注具有縱向產(chǎn)業(yè)鏈整合能力的企業(yè)。因為未來在人工智能領(lǐng)域側(cè)重生態(tài)整合。單獨做芯片的公司不如既掌握芯片又掌握算法公司，因此，那些算法和芯片兼具的企業(yè)更值得關(guān)注。

第二，專攻終端應(yīng)用市場，人工智能芯片的應(yīng)用場景里有兩個：一個是在云端，一個是在終端。云端格局應(yīng)該變化不大，但是在終端方面變數(shù)未定，這是對國內(nèi)企業(yè)來說是一個不錯的切入點，邊緣計算值得關(guān)注。

第三，關(guān)注專用芯片，ASIC從功耗、技術(shù)都具有優(yōu)勢，是未來AI芯片發(fā)展的主要方向，尤其要關(guān)注是否有加速環(huán)節(jié)。

有了資本和媒體的熱捧，AI已經(jīng)在全球范圍內(nèi)遍地開花，順勢而為的創(chuàng)業(yè)者也不在少數(shù)。目前，國內(nèi)已經(jīng)有20多家初創(chuàng)企業(yè)在做人工智能芯片，但是評估一家企業(yè)的技術(shù)能力是第二位的，第一位的考察點要看他們是否能真正能將技術(shù)變現(xiàn)，是否能將技術(shù)轉(zhuǎn)化為商業(yè)產(chǎn)品。因此，看一家AI芯片設(shè)計企業(yè)，商業(yè)能力要大于技術(shù)能力，這才是融資點。