具備大算力又低功耗的高能效比芯片，正是當下市場中所“缺失”的版圖。

AI應用版圖不斷擴大，算力需求缺口猶在

依據艾瑞咨詢所統(tǒng)計的數據，預計到2022年，國內AI賦能實體經濟的市場規(guī)模將達到1573億，約是2018年的6.3倍，足以可見AI應用落地的速度之快、范圍之廣。

而在應用增長的背后，我們看到的是市場對于AI算力需求的增長。

此前OpenAI曾發(fā)布一份報告，提到自2012年至2018年，AI算力需求在6年期間增長了30萬倍，3.5個月就會翻一倍，遠遠快過摩爾定律“18個月”的周期。

隨著5G商用和云計算需求的迅猛增長，物聯(lián)網得以快速發(fā)展，更是引發(fā)了新的算力需求。

目前智能計算芯片的市場規(guī)模有多大？僅從賽道玩家的角度來看，除了英特爾、AMD等傳統(tǒng)芯片企業(yè)，包括Facebook、亞馬遜、谷歌以及國內的BAT等互聯(lián)網科技企業(yè)也正在不斷涌入，另外還有數量更為龐大的初創(chuàng)企業(yè)。

而大算力帶來的過高功耗，使得大量場景無法普及應用。場景對于“能效比”越來越敏感，致使“大算力又低功耗的高能效比芯片”的市場呼聲也越來越高漲。

高能效比芯片的背后：大算力與低功耗是相悖命題

觀察市場上的智能計算芯片公司，可以看到他們也一直探尋大算力、低功耗的智能芯片解決方案。然而大算力與低功耗就存在性而言，一直都是相悖的。

就具體產品而言，有的廠商會選擇做專用芯片，但這也意味著通用性差，應用場景受限。有的廠商主打芯片低功耗，但是算力往往不盡人意，不能滿足大場景需求。

目前智能計算芯片廠商大多采用優(yōu)化芯片制程工藝（7nm、5nm、3nm等），來提升芯片性能。但在摩爾定律下，晶體管微縮越來越難，面臨各種物理極限挑戰(zhàn)，3nm被公認為已經達到摩爾定律的物理極限。提升算力兼具降低功耗這條路已經越走越艱難。

大算力、低功耗如何實現(xiàn)質的飛躍？廠商們在想辦法

當前芯片主要采用馮·諾依曼架構，存儲和計算物理上是分離的。有數據顯示，過去二十年，處理器性能以每年大約55%的速度提升，內存性能的提升速度每年只有10%左右。結果長期下來，不均衡的發(fā)展速度造成了當前的存儲速度嚴重滯后于處理器的計算速度，出現(xiàn)了“存儲墻”問題，最終導致芯片性能難以跟上需求。

英偉達提出的“黃氏定律”，預測GPU將推動AI性能實現(xiàn)逐年翻倍，采用新技術協(xié)調并控制通過設備的信息流，最大限度減少數據傳輸，來避免“存儲墻”問題。

不同于英偉達的做法，還有一部分芯片玩家將突破點放在馮·諾依曼架構上，比如近期完成天使輪融資的南京后摩智能科技有限公司。

他們打破傳統(tǒng)的馮·諾依曼架構，創(chuàng)新計算范式，基于全球領先的存算一體技術和存儲工藝，突破智能計算性能及功耗瓶頸，可將芯片每瓦功耗的算力提升5-10倍。正如阿里達摩院在發(fā)布的技術報告所言，AI的出現(xiàn)與存算一體格外匹配，這一技術也將大大改善現(xiàn)有的AI算力瓶頸。

另外在他們看來，全棧的團隊才能快速達成芯片產品的快速落地及商業(yè)化應用，因此，后摩智能創(chuàng)立之初就組建了一支由多位國際頂尖學者和芯片工業(yè)界資深專家組成的明星級創(chuàng)始團隊，對于GPU/CPU等高性能計算芯片及其軟件生態(tài)建設有深厚的積累。創(chuàng)始人吳強博士在普林斯頓大學期間博士的論文，即為高能效比計算芯片及編譯器，獲計算機體系架構頂會MICRO時年最佳論文。他先后工作于AMD、Facebook，回國后加入地平線擔任CTO，在體系架構和軟件方面積累深厚，對邊緣端和云端應用場景都有深刻理解和工程實踐。

團隊成員來自美國普林斯頓大學、美國Penn State大學、新加坡國立大學、加州大學、清華大學、北京大學、電子科技大學等國內外知名高校和AMD、Nvidia、華為海思等一線芯片企業(yè)，他們既有業(yè)內領先的全棧的存算一體技術，又有大算力芯片量產經驗，他們有能力做出產品級高能效比芯片。

此前，GSMA Intelligence發(fā)布報告稱，到2025年，全球將有13億5G設備連接入網，這一可預見的現(xiàn)實正逼迫著芯片向著大算力、低功耗、低時延的方向進行升級，帶動云計算平臺和邊緣端設備的智能升級。

此時，真正提高能效比，實現(xiàn)芯片的大算力、低功耗，并普及開來，已然成為芯片領域，尤其是智能計算領域一個新制高點。
責任編輯:tzh