來源：全球技術地圖

作者：劉紀鋮

隨著類ChatGPT人工智能技術的快速發展，AI大模型作為重要的技術方向已經取得顯著進展，應用場景不斷拓展和滲透，全球科技企業紛紛入場角逐。然而，由此帶來的算力瓶頸問題正越來越受到關注。AI大模型高算力需求正催生AI芯片的快速迭代，“無芯片，不AI”，以AI芯片為載體實現的算力正成為人工智能發展水平的重要衡量標準。

一、AI芯片誕生和發展的背景

自1956年美國達特茅斯學院首次提出人工智能（AI）的概念以來，AI技術不斷獲得突破和快速發展，對算力的需求也不斷增加。為了滿足這種需求，AI芯片不斷迭代升級，目前已成為算力提升的核心基礎硬件。

2006年以前，AI算法尚未出現突破性進展，且AI的訓練數據主要以小數據為主。因此學術界和產業界對AI的算力需求主要由CPU提供，在這個階段AI芯片發展較慢。

2006年到2016年期間，AI算法在深度學習上獲得突破，同時大數據、云計算等技術在這期間高速發展，進一步促進了AI在“大數據+深度學習”模式上的快速發展，隨之而來的是AI性能的提升越來越依賴于計算能力的大小。研究人員發現，相比于CPU，GPU具備并行計算特性，因此在深度學習等人工智能先進算法所需的“暴力計算”場景中更為高效。通過充分發揮GPU的優勢，人工智能算法的計算效率可以大幅提升，這促使研究人員廣泛采用GPU進行人工智能領域的研究和應用。

2016年以后，隨著AI技術的發展和商用化，AI芯片進入大發展階段。2016年，美國谷歌旗下DeepMind團隊開發的AI系統AlphaGo戰勝韓國棋手李世石，引發全球AI熱潮。此后，AI領域對于算力的需求不斷增加。但GPU的高功耗和高價格限制了其在不同場景中的應用。為應對上述挑戰，研究人員開始致力于開發定制化的AI芯片，以實現在加速AI算法運算的同時降低功耗和成本。自此，大量初創企業和傳統互聯網巨頭紛紛涌入AI芯片領域，推動了專用AI芯片的快速發展。2022年11月，美國OpenAI公司推出AI大模型ChatGPT，引發全球AI大模型發展浪潮，這一趨勢進一步加大了AI領域對算力的需求，推動了AI芯片的投資和發展。

二、AI芯片發展的技術方向

廣義而言，AI芯片指的是專門用于處理人工智能應用中大量計算任務的模塊，即面向人工智能領域的芯片均被稱為AI芯片。狹義的AI芯片指的是針對人工智能算法做了特殊加速設計的芯片[1,2]。從技術架構來看，AI芯片主要分為圖形處理器（GPU）、現場可編程門陣列（FPGA）、專用集成電路（ASIC）、類腦芯片四大類。其中，GPU為通用型人工智能芯片，FPGA和ASIC是針對AI需求特征的半定制和全定制芯片，類腦芯片則是一種模仿人腦神經系統結構和功能的處理器。

（一）圖形處理器（GPU）。GPU最初是專門用來做圖像處理的，如圖像渲染、特效制作等，后因其優秀的矩陣計算能力和并發計算的架構，被廣泛運用于AI領域。目前，GPU已成為AI領域最為成熟和廣泛應用的通用型芯片，在數據中心、超級計算機等大型計算設施中備受青睞，在AI芯片市場中占據主導地位。

在全球GPU廠商中，英偉達GPU技術一直處于領先水平，其融合了統一計算設備架構CUDA，構建起軟硬件高性能計算的生態壁壘。2022年3月，英偉達在GPU技術大會（GPU Technology Conference）上發布了基于新一代Hopper架構的高性能GPU芯片H100，其配備第四代Tensor Core和Transformer引擎，與上一代產品相比，H100的綜合技術創新可以將AI大型語言模型的速度提高30倍。

（二）現場可編程門陣列（FPGA）。FPGA是一種靈活可編程的硬件平臺，具備較高的計算性能和可定制性等優點，能夠對AI算法進行加速和優化。在不斷迭代的AI算法場景下，FPGA憑借其靈活性、低功耗和低延時的技術優點，在AI推理應用中表現出色。2022年11月，英特爾發布基于第二代英特爾Hyperflex FPGA架構的Agilex FPGA芯片，其中整合引入了AI張量模塊的增強型數字信號處理（DSP）功能模塊，能夠更好支持AI/圖像/視頻處理以及可執行復數計算的DSP密集型應用。

（三）專用集成電路（ASIC）。ASIC是針對用戶對特定電子系統的需求而設計的專用集成電路，其計算能力和計算效率可根據算法需要進行定制，是固定算法最優化設計的產物。2016年，谷歌發布ASIC芯片TPU v1，主要應用于AI推理過程。自此，ASIC克服了GPU價格昂貴、功耗高的缺點，開始逐漸應用于AI領域，成為AI芯片的重要分支。2017年5月，谷歌發布TPU v2，相比于TPU v1，TPU v2最大的特色在于它既可以用于AI訓練，又可以用于AI推理。2018年5月，谷歌發布TPU v3，可實現超過100PFLOPS的處理能力，幾乎是TPU v2的8倍。2022年5月，谷歌又推出TPU v4，相比于英偉達A100芯片，處理速度最高快1.7倍，節能效率提高1.9倍。

2022年3月，中國寒武紀公司推出訓推一體AI加速卡MLU370-X8，搭載雙芯片四芯粒思元370，集成寒武紀MLU-Link多芯互聯技術，可應用于YOLOv3、Transformer等AI訓練任務中，每張加速卡可獲得200GB/s的通訊吞吐性能，是PCIe4.0帶寬的3.1倍，可高效執行多芯多卡AI訓練和分布式AI推理任務。

（四）類腦芯片。類腦芯片是結合微電子技術和新型神經形態器件，模仿人腦神經系統進行設計的AI處理器，旨在突破“馮·諾依曼瓶頸”，實現超低功耗和并行計算能力。類腦芯片被認為是后摩爾時代重要的發展方向之一，可能成為未來智能計算的突破口。

2017年，清華大學研發出第二代異構融合類腦芯片“天機芯”，其具有高速度、高性能、低功耗的特點，制程為28納米。相比于當時世界先進的IBM的TrueNorth芯片，其功能更全、靈活性和擴展性更好，密度提升20%，速度提高至少10倍，帶寬提高至少100倍。2019年，基于“天機芯”研究成果的論文《面向人工通用智能的異構天機芯片架構》（Towards Artificial General Intelligence with Hybrid Tianjic Chip Architecture）作為封面文章登上《自然》（Nature）雜志。2021年4月，英特爾發布第二代神經擬態芯片Loihi 2，其集成神經元達到100萬個，是上一代的7.8倍，處理速度提高10倍。

三、AI芯片的發展趨勢

芯片的發展和升級換代一直依賴于工藝、架構和應用三個方面的推動。在應用方面，隨著AI技術的深入發展和廣泛應用，不同的AI應用場景正推動AI芯片向專業化方向發展，以滿足特定場景對性能、功耗和成本的需求。在技術方面，隨著擬態神經元、量子等技術的發展，AI芯片正不斷突破傳統架構、工藝對性能的束縛，在不同的技術路徑上進行探索創新，呈現出多樣化的發展方向。

（一）AI場景和算法推動AI芯片走向專業化

在AI算法和應用場景的推動下，GPU、FPGA和ASIC正呈現出以滿足專業化需求為特征的發展方向。（1）GPU在處理大量并行計算任務中表現出色，且可通過加速設計更好地發揮AI潛能，但也存在功耗高、成本高等缺點。目前，GPU仍然是AI訓練所需算力的主要硬件選擇。（2）FPGA具有較強的計算能力、較低的試錯成本和足夠的靈活性，但其缺點在于價格較高、編程復雜，因此在半定制化AI場景中具備優勢。（3）ASIC具有更高的處理速度和更低的能耗，并且可針對特定AI任務進行優化設計，從而在性能和能耗方面具備更好的綜合素質，這使其在全定制化AI場景中表現優異。

（二）類腦、量子技術推動AI芯片走向多樣化

隨著擬態神經元、量子等前沿技術的發展，AI芯片逐漸發展出類腦、量子等多樣化技術路徑的新型芯片，類腦芯片更是開始走向商用化。（1）類腦芯片擁有大規模并行計算、超低功耗和超低延遲等技術潛力，這些優勢使其在未來AI應用場景中扮演重要的角色。未來，類腦芯片的一個重要發展方向就是圍繞AI算法構建更加高效的存算一體計算系統，如開發更加高效的芯片架構、具備更多神經元的芯片等，以不斷迭代升級AI芯片的綜合性能。（2）量子芯片是基于量子力學原理構建的芯片，可推動人類計算能力呈指數級增長，形成“量子優越性”。有專家認為，量子芯片有望徹底解決AI算力瓶頸的問題。未來，隨著AI的廣泛應用，整個社會對于AI算力的需求和耗電量將會大幅增加，而量子芯片是解決上述一系列問題的潛在方案。不過，當前量子計算機的發展還面臨著如退相干等問題，導致當前量子芯片仍主要存在于實驗室階段，距離商業化較遠。總的來說，類腦芯片和量子芯片作為新型芯片技術，擁有巨大的潛力，將在未來的AI和計算領域發揮重要作用，為我們帶來更高效、更強大的計算能力。

　　審核編輯：湯梓紅

?