传统的CPU是计算机的核心,在图形处理和深度神经网络的计算上,GPU表现出更强的性能,而2015年Intel收购Altera的主要产品FPGA即现场可编程门阵列性能更加优异,中端FPGA能够实现375GFLOPS的性能,功耗仅为10-20W,和CPU和GPU相比,FPGA在深度神经网络(DNN)预测系统中性能更加出色。DNN系统用于语言识别、图像搜索、OCR、面部识别、网页搜索以及自然语言处理等各种不同应用。相同功率时,在32线程下,FPGA的速度/功耗比约为CPU的42倍,约为GPU的25倍。
图1:CPU、GPU、FPGA不同线程下处理速度对比图
专用芯片又称为“人工智能芯片”“神经网络芯片”等,目前专用芯片有两种思路:以智能算法为主线和以仿生为主线,两者的典型代表分别为寒武纪、IBMTureNorth。寒武纪1号的主频可以达到0.98GHz,处理速度相当于同等面积下CPU的100倍。即便与最先进的GPU相比,寒武纪1号的人工神经网络处理速度也不落下风,而其面积和功耗远低于GPU的1/100。IBM在复杂性和使用性方面取得了突破。4096个内核,100万个“神经元”、2.56亿个“突触”集成在直径只有几厘米的方寸之间,能耗不到70毫瓦。
图2:寒武纪1号与TrueNorth对比
芯片是指内含集成电路的硅片,是机器人的大脑。芯片包括通用芯片和专用芯片,通用芯片不限使用领域,而专用芯片一般为专门为服务机器人定制。对于机器人来说,由于涉及到深度神经网络,故在计算量上将会更大,通用芯片中GPU和FPGA在解决这问题上优于传统CPU,扩展性和移植性较好,但是软件复杂度和开发周期较高;相比之下,专用芯片能实现更高的效率和更低的功耗,但是目前整体处于研发阶段,根据目前的资料,虽然其扩展性和软件移植性不如通用芯片,但是软件复杂度和开发周期优于通用芯片。两种芯片各有千秋,未来预计是并存局面。
图3:通用芯片和专用芯片对比