GPU、FPGA、ASIC、TPU四大AI芯片“爭奇斗艷”

　　AI芯片是當前科技產業和社會關注的熱點，也是AI技術發展過程中不可逾越的關鍵一環，不管有什么好的AI算法，要想最終應用，就必然要通過芯片實現。

　　談AI芯片，就必須先對AI下一個定義。在萊迪斯半導體亞太區資深事業發展經理陳英仁看來，“AI神經網絡”不是簡單定義為某類產品，而是一個新的設計方法，“傳統的一些算法，是照規則、照邏輯的，神經網絡是用數據訓練出來的結果。”那今天小編就給大家剖析四大AI芯片。

　　四大AI芯片

　　GPU：又稱顯示核心、視覺處理器、顯示芯片，是一種專門在個人電腦、工作站、游戲機和一些移動設備(如平板電腦、智能手機等)上圖像運算工作的微處理器。其用途是將計算機系統所需要的顯示信息進行轉換驅動，并向顯示器提供行掃描信號，控制顯示器的正確顯示，是連接顯示器和個人電腦主板的重要元件，也是“人機對話”的重要設備之一。

　　在當前的人工智能芯片領域，GPU的應用領域不容小覷。據數據顯示，在2008至2015年期間，除了2008年GPU市場規模稍有下降，其余年份全球獨立顯卡的出貨量和銷售額都呈現出明顯的上升趨勢，并且在2012至2015年有加速上升的表現。

　　FPGA：即現場可編程門陣列，它是在PAL、GAL、CPLD等可編程器件的基礎上進一步發展的產物。作為專用集成電路(ASIC)領域中的一種半定制電路而出現的芯片，既解決了定制電路的不足，又克服了原有可編程器件門電路數有限的缺點。系統設計師可以根據需要通過可編輯的連接把FPGA內部的邏輯塊連接起來，就好像一個電路試驗板被放在了一個芯片里。

　　目前，國內有許多創業企業，自動加入FPGA陣營，提供基于FPGA的解決方案。比如源于清華大學的深鑒科技，專注于深度學習處理器與編譯器技術，深鑒科技研發了一種名為“深度壓縮”的技術，它不僅可以將神經網絡壓縮數十倍而不影響準確度，還可以使用“片上存儲”來存儲深度學習算法模型，減少內存讀取，大幅度減少功耗。

　　ASIC：即專用集成電路，是指應特定用戶要求和特定電子系統的需要而設計、制造的集成電路。目前用CPLD(復雜可編程邏輯器件)和FPGA(現場可編程邏輯陣列)來進行ASIC設計是最為流行的方式之一，它們的共性是都具有用戶現場可編程特性，都支持邊界掃描技術，但兩者在集成度、速度以及編程方式上具有各自的特點。

　　ASIC的特點是面向特定用戶的需求，品種多、批量少，要求設計和生產周期短，它作為集成電路技術與特定用戶的整機或系統技術緊密結合的產物，與通用集成電路相比具有體積更小、重量更輕、功耗更低、可靠性提高、性能提高、保密性增強、成本降低等優點。

　　TPU(Tensor Processing Unit)：是谷歌研發的一種神經網絡訓練的處理器，主要用于深度學習、AI運算。TPU具有像GPU和CPU一樣的編程，以及一套CISC指令集。作為機器學習處理器，不僅僅支持某一種神經網絡，還支持卷積神經網絡、LSTM、全連接網絡等多種。TPU采用低精度(8位)計算，以降低每步操作使用的晶體管數量。

　　雖然降低精度對于深度學習的準確度影響很小，但卻可以大幅降低功耗、加快運算速度。同時，TPU使用了脈動陣列的設計，用來優化矩陣乘法與卷積運算，減少I/O操作。此外，TPU還采用了更大的片上內存，以此減少對DRAM的訪問，從而更大程度地提升性能。