（文章來源：華強微電子）

AI芯片在云端基于大數據，核心負責“訓練”。云端的特征就是“大數據+云計算”，用戶依靠大數據可進行充分的數據分析和數據挖掘、提取各類數據特征，與人工智能算法充分結合進行云計算，從而衍生出服務器端各種AI+應用。AI芯片是負責加速人工智能各種復雜算法的硬件。由于相關計算量巨大，CPU架構被證明不能滿足需要處理大量并行計算的人工智能算法，需要更適合并行計算的芯片，所以GPU、FPGA、TPU等各種芯片應運而生。AI芯片在云端可同時承擔人工智能的“訓練”和“推斷”過程。

云端芯片現狀：GPU占據云端人工智能主導市場，以TPU為代表的ASIC目前只運用在巨頭的閉環生態，FPGA在數據中心業務中發展較快。GPU應用開發周期短，成本相對低，技術體系成熟，目前全球各大公司云計算中心如谷歌、微軟、亞馬遜、阿里巴巴等主流公司均采用GPU進行AI計算。

谷歌除大量使用GPU外，努力發展自己的AI專屬的ASIC芯片。今年5月推出的TPU與GPU相比耗電量降低60%，芯片面積下降40%，能更好的滿足其龐大的AI算力要求，但由于目前人工智能算法迭代較快，目前TPU只供谷歌自身使用，后續隨著TensorFlow的成熟，TPU也有外供可能，但通用性還有很長路要走。

百度等廠商目前在數據中心業務中也積極采用FPGA進行云端加速。FPGA可以看做從GPU到ASIC重點過渡方案。相對于GPU可深入到硬件級優化，相比ASIC在目前算法不斷迭代演進情況下更具靈活性，且開發時間更短。AI領域專用架構芯片（ASIC）已經被證明可能具有更好的性能和功耗，有望成為未來人工智能硬件的主流方向。

GPU目前云端應用范圍最廣。目前大量涉足人工智能的企業都采用GPU進行加速。根據英偉達官方資料，與英偉達合作開發深度學習項目的公司2016年超過19000家，對比2014年數量1500 家。目前百度、Google、Facebook 和微軟等IT巨頭都采用英偉達的GPU對其人工智能項目進行加速，GPU目前在云端AI深度學習場景應用最為廣泛, 由于其良好的編程環境帶來的先發優勢，預計未來仍將持續強勢。

GPU芯片架構脫胎圖像處理，并行計算能力強大。GPU（GraphicsProcessing Unit），又稱視覺處理器，是之前應用在個人電腦、工作站、游戲機、移動設備（如平板電腦、智能手機等）等芯片內部，專門用作圖像運算工作的微處理器。與CPU類似可以編程，但相比CPU更適合執行復雜的數學和幾何計算，尤其是并行運算。內部具有高并行結構（highly paralle lstructure），在處理圖形數據和復雜算法方面擁有比CPU更高的效率。

GPU較CPU結構差異明顯，更適合并行計算。對比GPU和CPU在結構上的差異，CPU大部分面積為控制器和寄存器，GPU擁有更多的ALU（Arithmetic Logic Unit，邏輯運算單元）用于數據處理，而非數據高速緩存和流控制，這樣的結構適合對密集型數據進行并行處理。CPU執行計算任務時，一個時刻只處理一個數據，不存在真正意義上的并行，而GPU具有多個處理器核，同一時刻可并行處理多個數據。

與CPU相比，GPU在AI領域的性能具備絕對優勢。深度學習在神經網絡訓練中，需要很高的內在并行度、大量的浮點計算能力以及矩陣運算，而GPU可以提供這些能力，并且在相同的精度下，相對傳統CPU的方式，擁有更快的處理速度、更少的服務器投入和更低的功耗。在2017年5月11日的加州圣何塞GPU技術大會上，NVIDIA就已經發布了Tesla V100。這個目前性能最強的GPU運算架構Volta采用臺積電12nm FFN制程并整合210億顆電晶體，在處理深度學習的性能上等同于250顆CPU。