根據行業的參考標準，AI將是下一件大事，或將在下一件大事中發揮重要作用。這也就解釋了過去18個月里人工智能領域活動的瘋狂。大公司支付數十億美元收購創業公司，甚至投入更多的資金用于研發。此外，各國政府正在向大學和研究機構投入數十億美元。全球競賽正在進行，目的是創建的最佳的架構和系統來處理AI工作所必需的海量數據。

市場預測也相應上升。 根據Tractica研究所的數據，到2025年，AI年收入預計將達到368億美元。Tractica表示，迄今為止已經確定了AI的27種不同的細分行業以及191個使用案例。

但隨著我們深入挖掘，很快就可以明顯地看到，并不存在一個的最好的方式來解決AI問題。甚至對于AI是什么，或需要分析的數據類型，我們尚沒有一致的定義。

圖1 AI收入增長預測。來源：Tractica

OneSpin Solutions總裁兼首席執行官Raik Brinkmann說，“在人工智能芯片中，你有三個問題需要解決。首先，你需要處理大量的數據。其次，構建用于并行處理的互連。第三是功率，這是你移動數據量的直接結果。所以你亟須從馮諾依曼架構轉變到數據流架構。但它究竟是什么樣子？”

目前的答案很少，這就是為什么AI市場的第一顆芯片包括現成的CPU，GPU，FPGA和DSP的各種組合。雖然新設計正在由諸如英特爾、谷歌、英偉達、高通，以及IBM等公司開發，但目前還不清楚哪家的方法會勝出。似乎至少需要一個CPU來控制這些系統，但是當流數據并行化時，就會需要各種類型的協處理器。

AI的許多數據處理涉及矩陣乘法和加法。大量并行工作的GPU提供了一種廉價的方法，但缺點是更高的功率。具有內置DSP模塊和本地存儲器的FPGA更節能，但它們通常更昂貴。這也是軟件和硬件真正需要共同開發的領域，但許多軟件遠遠落后于硬件。

Mentor Graphics董事長兼首席執行官Wally Rhines表示：“目前，研究和教育機構有大量的活動。有一場新的處理器開發競賽。也有標準的GPU用于深度學習，同時還有很多人在從事CPU的工作。目標是使神經網絡的行為更像人腦，這將刺激一次全新的設計浪潮。”

當視覺處理開始涉及到AI時，便受到了極大的關注，主要是因為特斯拉在預計推出自動駕駛汽車的15年前就已經提出了自動駕駛概念。這為視覺處理技術，以及為處理由圖像傳感器、雷達和激光雷達收集的數據所需的芯片和整體系統架構開辟了巨大的市場。但許多經濟學家和咨詢公司正尋求超越這個市場，探討AI將如何影響整體生產力。Accenture最近的報道預測，AI將使一些國家的GDP翻番（見下圖2）。雖然這將導致就業機會大幅減少，但整體收入的提高不容忽視。

Synopsys董事長兼聯合首席執行官Aart de Geus指出了電子學的三個浪潮——計算和網絡、移動、數字智能。在后一種類型中，焦點從技術本身轉移到它可以為人們做什么。

“You’ll see processors with neural networking IP for facial recognition and vision processing in automobiles，” said de Geus. “Machine learning is the other side of this. There is a massive push for more capabilities， and the state of the art is doing this faster. This will drive development to 7nm and 5nm and beyond.”

de Geus說：“你將看到具有面部識別和汽車視覺處理的神經網絡IP。機器學習是其另一面。它對于更多的能力會產生一種巨大的推動，目前的技術水平可以快速完成這些。這將推動芯片發展到7nm、5nm，甚至更高的水平。”

目前的方法

自動駕駛中的視覺處理在AI當前研究中占主導地位，但該技術在無人機和機器人中的作用也越來越大。

Achronix公司總裁兼首席執行官Robert Blake說：“對于圖像處理的AI應用，計算復雜度很高。對于無線技術，數學很好理解。對于圖像處理，數學就像西部拓荒，工作負載復雜多變。大概花費5~10年時間才能解決市場問題，但是它對于可編程邏輯肯定會有很大的作用，因為我們需要能夠以高度并行的方式完成的變精度數學。”

FPGA非常適合矩陣乘法。最重要的是，它的可編程性增加了一些必要的靈活性和面向未來的設計，因為在這一點上，不清楚所謂的智能將存在于一個設計的哪部分。用于做決策的數據一些將在本地處理，一些將在數據中心中處理。但在每個實現中，其百分比可能會改變。

這對AI芯片和軟件設計有很大的影響。雖然AI的大局并沒有太大的變化（大部分所謂的AI更接近于機器學習，而非真正的AI），但是對于如何構建這些系統的理解卻發生了重大的變化。

圖3：谷歌TPU開發板 來源：谷歌

Arteris營銷副總裁Kurt Shuler說：“對于自動駕駛汽車，人們正在做的就是把現有的東西放在一起。為了使一個真正高效的嵌入式系統能夠學習，它需要一個高效的硬件系統。我們采用了幾種不同的方法。如果你關注視覺處理，你要做的是試圖弄清楚器件看到的是什么，以及你如何推斷。這包括來自視覺傳感器、激光雷達和雷達的數據，然后應用專門的算法。這里的很多事情都是試圖模仿大腦中的事情，方法是利用深度卷積神經網絡。”

它與真正的AI的不同之處是，現有技術水平能夠檢測和避開物體，而真正的AI能夠擁有推理能力，例如如何通過一群人正在橫穿的街道，或判斷玩皮球的小孩子是否會跑到街道上。對于前者，判斷是基于各種傳感器的輸入，而傳感器的輸入是基于海量數據處理和預編程的行為。對于后者，機器能夠作出價值判斷，例如判斷轉彎避開孩子可能會造成的很多結果，并做出最佳選擇。