发帖
雷达卡
目前用于深度学习的芯片主要类型是GPU、FPGA、ASIC。同时，各家公司也在积极研发专用人工智能专用芯片，例如Google的TPU、IBM的TrueNorth、中星微的NPU、中科院的寒武纪1号等，但离大规模商用化还有一定的距离。
图表1：CPU/GPU/FPGA/ASIC 芯片比较
CPU与GPU:由于需要处理各种不同的数据类型，并且逻辑判断需要大量分支跳转和中断处理，因此CPU对于通用性要求很高。这使CPU内部结构较为复杂，留给计算单元（ALU）的面积并不多。而GPU对逻辑控制要求不高，从下图可以看到，GPU80%以上的晶体管都是计算单元，因此它更适合用于海量数据的并行计算。
图表2：CPU、GPU 架构比较图
FPGA与ASIC：两者最大的区别在于，FPGA可以根据需要被配置成不同的器件，而ASIC则由于是根据用户的特别需求定制的，除灵活性差之外，研发时间也很长，往往需要一年以上的时间，试错成本较高。因此，目前市场上厂商更愿意选择FPGA。我们认为，在GPU和FPGA之间做取舍时，若FPGA的架构优化能弥补其在峰值性能上的差距，那么FPGA会是更好地选择。原因有2点：
FPGA的灵活性优于GPU：开发者可以根据实际需求对已经制造完成的FPGA芯片进行重新编程。
FPGA较GPU功耗更低、性能更高：英特尔加速器结构实验室（AAL）的ErikoNurvitadhi博士在《Can FPGAs beat GPUs in Accelerating Next-GenerationDeep Neural Networks》论文中以最近表现最佳的NVIDIA Titan X Pascal GPU为参照，对两代Intel FPGA（Intel Arria10 和Intel Stratix 10）在低精度稀疏DNN算法上的表现进行了对比。测试结果表明，即使在保守的性能假设下，Intel Stratix 10 FPGA性能已经比Titan X GPU提高了约60％，而在中度和积极的性能假设下Stratix 10表现更好，分别提高了2.1和2.3倍。在能耗比方面，Intlel Stratix 10比Titan X要好2.3倍到4.3倍。
目前，英特尔已经推出CPU+FPGA 架构。IBM、微软、Facebook、亚马逊、百度、腾讯、阿里的数据中心均已采用FPGA 或CPU+FPGA。
根据Tractica 预测，深度学习芯片市场收入将从2016 年的5.13 亿美元增长至2025年的122 亿美元，复合年增长率为42.2％。目前，各家科技巨头都在积极研发人工智能专用芯片。
2017年7月20日, 英特尔推出了Movidius™神经计算棒，这是世界上首个基于USB模式的深度学习推理工具和独立的人工智能（AI）加速器，为广泛的边缘主机设备提供专用深度神经网络处理功能（资料来源：搜狐新闻）。目前，除科技巨头外，诸多创业公司也都开始切入人工智能芯片领域，但该产业需要长期持续的研发投入，并且能够承担较大的试错成本，因此对融资能力要求较高。
京公网安备 11010802022788号
