1492年哥倫布從西班牙巴羅斯港出發(fā)，一路西行發(fā)現了美洲。葡萄牙人達伽馬南下非洲，繞過好望角到達了印度。不久之后，麥哲倫用了整整三年時間，完成了人類史上第一次環(huán)球航行，開啟了人類歷史上的大航海時代。大航海時代的到來，拉近了人類社會各文明之間的距離，對人類社會產生了深遠的影響。

人工智能進入“大航海時代”

從深藍到AlphaGo，人工智能逐漸走進人們的生活。人工智能也從一場技術革命，逐漸走向了產業(yè)落地。智能手機、智能家居設備、智能音箱……等設備，已經完全進入到人們的生活中。指紋識別、人臉識別、畫面增強等實用人工智能的技術，也成為了人們日常使用電子設備必不可少的技術。

基于面部識別的emoji表情

這些在我們日常生活中“見怪不怪”的人工智能技術越來越普遍，代表了人工智能產業(yè)在近年來的爆炸式發(fā)展，2018年更是被稱為人工智能技術規(guī)模應用的拐點。而作為人工智能技術的核心，人工智能芯片也備受關注，引得國內外科技巨頭紛紛布局。谷歌、蘋果、微軟、Facebook、英特爾、高通、英偉達、AMD、阿里巴巴等巨頭紛紛開始自主研發(fā)人工智能芯片。

國產寒武紀芯片

并且人工智能芯片的應用場景細分市場越來越多，專門為某些人工智能應用場景定制的芯片適用性明顯高于通用芯片。這樣的形勢，給一些人工智能芯片的初創(chuàng)公司帶來了機會。寒武紀芯片和地平線的人工智能視覺芯片、自動駕駛芯片等，就是初創(chuàng)公司在人工智能芯片領域取得成功的代表。

人工智能芯片大火的同時，已經呈現出三分天下的態(tài)勢。FPGA、GPU和TPU芯片，已經在人工智能領域大規(guī)模應用。這三種人工智能芯片有何不同？人工智能企業(yè)又是怎樣看待這三種芯片的？下文將為您詳述。

FPGA并不是新鮮的事物，而因為AI的火熱的應用需求不斷增強，FPGA正是作為一種AI芯片呈現在人們的面前。準確的說，不僅僅是芯片，因為它能夠通過軟件的方式定義，所以，更像是AI芯片領域的變形金剛。

FPGA是現場可編程邏輯陣列的首字母縮寫，即Field-ProgrammableGateArray。過去曾與可編程邏輯器件CPLD進行過較量，如今已經在PAL、GAL、CPLD等可程式邏輯裝置的基礎上進一步發(fā)展，成為英特爾進軍AI市場的一個重要法寶。

全球FPGA市場的年均增長率會達到7%（圖片來自：gartner.com）

為了更好地了解FPGA和其對AI芯片的未來看法，ZOL企業(yè)站對英特爾可編程解決方案事業(yè)部亞太區(qū)市場拓展經理劉斌（RobinLiu）進行了書面采訪。面對目前市場上出現的，CPU、GPU、FPGA、TPU等多種技術處理方式，英特爾又有哪些判斷。

FPGA三大特點

劉斌表示：“實際上今天絕大多數人工智能系統是部署在通用處理器上的，原因是在很多應用領域中人工智能部分只是完成某個環(huán)節(jié)的系統任務，還有大量其它任務一起構成系統處理的完整單元。”在此基礎上，出現了很多種選項，比如FPGA、TPU2或者NNP等專用處理器。這種專用處理器，往往向深度學習和神經網絡領域延伸，擁有更高效的存儲器訪問調度結構。

FPGA具有很強的靈活性（圖片來自：ruggedpcreview.com）

FPGA被稱為大型數據中心和計算機群眾的“加速多面手”也有其技術生態(tài)背景。FPGA的開發(fā)社區(qū)規(guī)模相對較小，也具有一定的門檻，但是，FPGA具備良好的存儲器訪問能力，并且可以非常靈活高效的處理各種不同位寬的數據類型，其有效計算力接近專用處理器的水平，FPGA還可以在線重編程成為其它非人工智能任務的硬件加速器，這也是其有別于GPU和TPU的關鍵因素。

具體而言有三大特點：FPGA器件家族的廣泛覆蓋可以適配從云到端的應用需求；FPGA具有處理時延小并且時延可控的特點，更適合某些實時性要求高的業(yè)務場景；FPGA可以靈活處理不同的數據位寬，使得系統可以在計算精度、計算力、成本和功耗上進行折衷和優(yōu)化，更適合某些制約因素非常嚴格的工程化應用。相比于ASIC則FPGA更加靈活，可以適配的市場領域更加廣泛。

自定義功能芯片

以微軟為例，在微軟必應搜索業(yè)務和Azure云計算服務中，均應用了英特爾FPGA技術，在其發(fā)布的“腦波項目”（ProjectBrainwave）中特別闡述了英特爾FPGA技術如何幫助Azure云和必應搜索取得“實時人工智能”（real-timeAI）的效果。

英特爾FPGA支持必應快速處理網頁中的數百萬篇文章，從而為您提供基于上下文的答案。借助機器學習和閱讀理解，必應現在可提供智能答案，幫助用戶更快速找到所需答案，而非手動點擊各個鏈接結果。在微軟腦波計劃中，同樣選擇了英特爾現場可編程門陣列的計算晶片，以具有競爭力的成本和業(yè)界最低延遲進行人工智能計算。

如果說在AI芯片領域各家有各家的拿手絕學，那么身為“變形金剛”FPGA的拿手絕學就是自定義功能了。作為特殊應用積體電路領域中的一種半定制電路的FPGA，既解決了全定制電路的不足，又克服了原有可編程邏輯器件門電路數有限的缺點。也就是說，盡管FPGA不是輻射范圍最廣的，但是一旦匹配后，輸出驚人，所以也是良好的芯片選擇。

不止FPGA

隨著人工智能的發(fā)展，芯片的設計不僅要能夠滿足人工智能對計算力的需求，還要能夠適應不斷變化的產業(yè)需要。在不同的應用領域和不同的位置，前端還是數據中心，甚至邊緣計算等應用場景。劉斌表示：一種芯片是沒辦法解決所有問題的。從移動設備，到服務器，再到云服務、機器學習和人工智能的加速，需要不同種類的技術支持，需要能夠支持從毫瓦級到千瓦級的多種架構。

在英特爾人工智能領域，除了FPGA之外，還提供了ASIC方案下的NNP神經網絡計算加速器、Movidius專注前端智能攝像頭領域和Mobieye加速芯片，在無人車領域做視覺相關的物體、道路、異常情況的監(jiān)測。

過去30多年，摩爾定律幾乎每年都會推動微處理器的性能提升50%，而半導體的物理學限制卻讓其放慢了腳步。如今，CPU的性能每年只能提升10%左右。事實上，英偉達CEO黃仁勛在每年的GTC上都會提到同一件事——摩爾定律失靈了。也就是說，人們要獲得更強的計算力，需要花費更多的成本。與此同時，GPU的崛起速度令人咂舌，看看英偉達近兩年的股價就知道了。

微處理器趨勢圖（圖片來自NVIDIA）

隨著人工智能、深度學習等技術的興起與成熟，起初為圖像渲染而生的GPU找到了新的用武之地，以GPU驅動的計算環(huán)境隨處可見，從HPC到AI訓練。站在數字世界、高性能計算、人工智能的交叉口，GPU悄然成為了計算機的大腦。將性能從10倍提升至100倍，GPU的加速能力遠超以X86架構構建的CPU系統，將時間壓縮至分鐘級別，功耗也相對較低。

2006年，借助CUDA（ComputeUnifiedDeviceArchitecture，通用計算架構）和TeslaGPU平臺，英偉達將通用型計算帶入了GPU并行處理時代，這也為其在HPC領域的應用奠定了基礎。作為并行處理器，GPU擅長處理大量相似的數據，可以將任務分解為數百或數千塊同時處理，而傳統CPU則是為串行任務所設計，在X86架構下進行多核編程是很困難的，并且從單核到四核、再到16核有時會導致邊際性能增益。同時，內存帶寬也會成為進一步提高性能的瓶頸。

傳統CPU計算架構難以支撐快速成長的HPC（圖片來自NVIDIA）

與以往的通用算法相比，深度學習對計算性能的要求則到了另一個量級上。盡管在GPU中運行并行核心時處理的應用數量相同，但在系統中單個內核的使用效率卻更高。此外，經過重寫的并行函數在應用程序關鍵部分運行時，在GPU上跑的速度更快。

更重要的是，英偉達在利用GPU構建訓練環(huán)境時還考慮到了生態(tài)的重要性，這也是一直以來困擾人工智能發(fā)展的難題。首先，英偉達的NVIDIAGPUCloud上線了AWS、阿里云等云平臺，觸及到了更多云平臺上的開發(fā)者，預集成的高性能AI容器包括TensorFlow、PyTorch、MXNet等主流DL框架，降低了開發(fā)門檻、確保了多平臺的兼容性。

其次，英偉達也與研究機構、大學院校，以及向Facebook、YouTube這樣的科技巨頭合作，部署GPU服務器的數據中心。同時，還為全球數千家創(chuàng)業(yè)公司推出了Inception項目，除了提供技術和營銷的支持，還會幫助這些公司在進入不同國家或地區(qū)的市場時，尋找潛在的投資機會。

可以說，英偉達之于GPU領域的成功除了歸功于Tesla加速器、NVIDIADGX、NVIDIAHGX-2這些專屬的工作站或云服務器平臺，更依托于構建了完整的產業(yè)鏈通路，讓新技術和產品有的放矢，從而形成了自己的生態(tài)圈，這也是英特爾難以去打破的。

在不久前舉行的谷歌I/O2018開發(fā)者大會上，TPU3.0正式亮相。根據官方介紹，TPU3.0的計算能力最高可達100PFlops，是TPU2.0的8倍多。TPU的英文全名是TensorProcessorUnit，它是谷歌自主研發(fā)的針對深度學習加速的專用人工智能芯片。TPU是專為谷歌深度學習框架TensorFlow設計的人工智能芯片。著名的AlphaGo使用的就是TPU2.0芯片。

谷歌TPU3.0芯片

目前大多數人工智能企業(yè)青睞于GPU芯片，而TPU相對于GPU而言，采用8位低精度計算節(jié)省晶體管，對精度影響很小但是卻可以大幅節(jié)約功耗。尤其是當大面積集成系統時，TPU不僅性能更強，功耗也會大幅低于GPU集成系統。由于芯片能力非常強大，谷歌使用了液冷散熱技術，可以幫助TPU更好的為數據中心服務。

谷歌TPU架構

除了強大的性能外，谷歌在生態(tài)系統的建設上做了大量的工作。在TPU1.0和2.0的初期，谷歌并沒有大規(guī)模推進其商業(yè)化，而是圍繞生態(tài)做文章。這就意味著要投入巨額的成本，而且冒著極大的市場風險。當然，背后的潛在市場也是巨大的。在人工智能市場競爭激烈的形勢下，吸引到更多的開發(fā)者到谷歌的生態(tài)系統中，將會比對手有更強的競爭優(yōu)勢。

TPU計算集群

目前谷歌正快速擴張自己的云計算業(yè)務，TPU也依托于云平臺運行。通過更低的售價讓人工智能開發(fā)企業(yè)拋棄GPU，轉投成本更低的TPU服務，是谷歌目前正在大力發(fā)展的業(yè)務。如果TPU無法獲得巨大的市場份額從而降低單顆TPU的成本，那么谷歌將很難在人工智能市場盈利。不過，TPU強勁的計算性能和集群計算陣列可以讓人工智能開發(fā)企業(yè)更快的開展業(yè)務。TPU的強大，讓谷歌在人工智能芯片領域已稱霸一方。

上游廠商喊得再歡，落地到千人千面的行業(yè)場景中也要由解決方案商來幫忙，無論是GPU、FPGA還是TPU，最終還是要聽聽客戶的使用感受。為此，我們采訪了人工智能產品和行業(yè)解決方案提供商曠視科技。曠視科技利用自主研發(fā)的深度學習算法引擎Brain++，服務于金融安全、城市安防、手機AR、商業(yè)物聯、工業(yè)機器人等五大核心行業(yè)。

在曠視科技看來，GPU、FPGA、TPU在通用性和能效比之間的取舍不同。其中，GPU最成熟，但也最耗資源，常用于訓練神經網絡和服務端；FPGA最靈活，能支持應用中出現的特殊操作，但要考慮靈活度和效率之間的trade-off；TPU相對最不靈活，但如果場景合適則能發(fā)揮出最大功用。

如果拿汽車類比，GPU是大巴車，適合多人同目標；FPGA是小轎車，能到任何地方，但得自己會開；而TPU是火車，只能在比公路少的多的鐵軌上開，但開的飛快。人工智能還在快速發(fā)展，還處于在各個行業(yè)落地的過程中。這個階段對GPU，FPGA和TPU都有需求。

目前，曠視科技選擇的是T型技術方案，即在維持一定廣度的同時，深耕某些應用場景，因此在算法實際落地的過程中，自然而然地產生了從GPU/CPU到FPGA的需求。GPU主要用于訓練，而FPGA能在端上能提供比GPU更好的性能功耗比。CPU則是無處不在的“默認“選擇。未來，不排除采用TPU的方案來進一步提高端上的能力。

從行業(yè)來看，當前IoT領域對AI芯片的需求最為迫切，原因是IoT領域要求在有限的功耗下完成相應的AI任務，最需要性能功耗比高的AI芯片。至于未來要借助AI賦能各個行業(yè)，曠視科技認為，最初階段可能都會先用GPU的AI方案，因為和源頭（即神經網絡訓練階段）銜接最好。另外對于中心化的應用，只要GPU按現在的“黃定律”的速度迭代前進，基于GPU在大批量處理數據的場景下仍然經常是公開可得的最佳方案。