人工智能的迅速普及，也對現(xiàn)在的硬件建設(shè)提出了新要求，在這樣的市場需求下，現(xiàn)在的企業(yè)也在不斷增加對ASIC芯片的研究。

根據(jù)市調(diào)機構(gòu)Ovum預(yù)估，2018~2025年，ASIC的市占率將從11%大幅增加至48%。Ovum調(diào)查報告指出，在2016年，云端(包含企業(yè)、數(shù)據(jù)中心等)為深度學(xué)習(xí)晶片的主要營收領(lǐng)域，占了80%。不過，到了2025年，此一比例將會改變，轉(zhuǎn)變成邊緣(Edge)占了80%，而云端的比例則降為20%。這邊所指的邊緣意指終端設(shè)備，且以消費性產(chǎn)品為中心(而非小型伺服器或是路由器)，包括移動裝置(手機、平板)、頭戴式顯示器(HMD)，如AR/VR /MR、智能音箱、機器人、無人機、汽車、安全攝影鏡頭等。各企業(yè)也競相研究ASIC芯片。

ASIC 芯片的大型企業(yè)介紹

2016 年，英偉達(dá)發(fā)布了專門用于加速 AI 計算的 Tesla P100 芯片，并且在 2017 年升級為 Tesla V100。在訓(xùn)練超大型神經(jīng)網(wǎng)絡(luò)模型時，Tesla V100 可以為深度學(xué)習(xí)相關(guān)的模型訓(xùn)練和推斷應(yīng)用提供高達(dá) 125 萬億次每秒的張量計算(張量計算是AI深度學(xué)習(xí)中最經(jīng)常用到的計算)。然而在最高性能模式下，Tesla V100的功耗達(dá)到了300W，雖然性能強勁，但也毫無疑問是顆“核彈”，因為太費電了。

英偉達(dá) Tesla V100 芯片

同樣在 2016 年，谷歌發(fā)布了加速深度學(xué)習(xí)的 TPU(Tensor Processing Unit)芯片，并且之后升級為 TPU 2.0 和 TPU 3.0。與英偉達(dá)的芯片不同，谷歌的 TPU 芯片設(shè)置在云端，就像文章在Alpha Go 的例子中說的一樣，并且“只租不賣“，服務(wù)按小時收費。不過谷歌 TPU 的性能也十分強大，算力達(dá)到 180 萬億次每秒，并且功耗只有200w。

谷歌 TPU 芯片

關(guān)于各自 AI 芯片的性能，谷歌 CEO Sundar Pichai 和英偉達(dá) CEO 黃仁勛之前還在網(wǎng)上產(chǎn)生過爭論。別看兩位大佬為自家產(chǎn)品撐腰，爭得不可開交，實際上不少網(wǎng)友指出，這兩款產(chǎn)品沒必要“硬做比較”，因為一個是在云端，一個是在終端。

初創(chuàng)企業(yè)的AI芯片研究

除了大公司，初創(chuàng)企業(yè)也在激烈競爭 ASIC 芯片市場。那么初創(chuàng)企業(yè)在行業(yè)中該如何生存呢?創(chuàng)新是初創(chuàng)企業(yè)的核心競爭力。

2017 年，NovuMind 推出了第一款自主設(shè)計的AI芯片：NovuTensor。這款芯片使用原生張量處理器(Native Tensor Processor)作為內(nèi)核構(gòu)架，這種內(nèi)核架構(gòu)由 NovuMind 自主研發(fā)，并在短短一年內(nèi)獲得美國專利。除此之外，NovuTensor 芯片采用不同的異構(gòu)計算模式來應(yīng)對不同 AI 應(yīng)用領(lǐng)域的三維張量計算。2018年下半年，Novumind 剛推出了新一代 NovuTensor 芯片，這款芯片在做到 15 萬億次計算每秒的同時，全芯片功耗控制在 15W 左右，效率極高。

縱觀Novumind的發(fā)展，能深刻感受到充滿速度與張力的風(fēng)格。

正是這樣的風(fēng)格，驅(qū)使著Novumind步履穩(wěn)疾：吳韌離開百度三個月就完成了超級計算機的構(gòu)架;創(chuàng)業(yè)后幾周內(nèi)就完成了公司各個環(huán)節(jié)的從零到一;一杯咖啡的時間說服了世界級芯片專家Chien-Ping Lu加入團隊;公司壯大到50余人依然全員匯報單刀直入，保持解決問題的效率。

產(chǎn)品上，為了保證運算速度，Novumind干脆不采用支持多平臺軟件的通用芯片，而是由曾負(fù)責(zé)過NVIDIA、MediaTek、Intel等多項芯片設(shè)計的副總裁Chien-Ping Lu帶領(lǐng)技術(shù)團隊研發(fā)專屬芯片，以達(dá)到軟硬件結(jié)合的最佳配置;而計算機視覺和產(chǎn)品構(gòu)架方面，則由前惠普實驗室的首席工程師、曾擔(dān)任HP Sprout產(chǎn)品線技術(shù)負(fù)責(zé)人Kar Han Tan主導(dǎo)，以保證產(chǎn)品運營速度的實時捕捉，進(jìn)而突破超級計算機所面臨的帶寬問題和硬件限制。

盡管 NovuTensor 芯片的紙面算力不如英偉達(dá)的芯片，但是其計算延遲和功耗卻低得多，因此適合邊緣端 AI計算，也就是服務(wù)于物聯(lián)網(wǎng)。雖然大家都在追求高算力，但實際上不是所有芯片都需要高算力的。比如用在手機、智能眼鏡上的芯片，雖然也對算力有一定要求，但更需要的是低能耗，否則你的手機、智能眼鏡等產(chǎn)品，用幾下就沒電了，也是很麻煩的一件事情。并且據(jù) EE Times 的報道，在運行 ResNet-18、ResNet-34、ResNet70、VGG16 等業(yè)界標(biāo)準(zhǔn)神經(jīng)網(wǎng)絡(luò)推理時，NovuTensor 芯片的吞吐量和延遲都要優(yōu)于英偉達(dá)的另一款高端芯片 Xavier。

ASIC芯片需求在不斷提升

現(xiàn)今大多數(shù)的AI處理器，如GPU，多用于云端伺服器、資料中心，以在云端上進(jìn)行AI訓(xùn)練和推論。不過，隨著隱私、安全性需求增加，加上為了降低成本、延遲及打破頻寬限制等因素，分散式AI隨之興起，越來越多AI邊緣應(yīng)用案例出現(xiàn)。例如蘋果的A12仿生芯片，其具備新一代「神經(jīng)網(wǎng)路引擎」，以即時機器學(xué)習(xí)技術(shù)，改變智能手機的使用體驗。簡而言之，AI從云端轉(zhuǎn)向邊緣是現(xiàn)在進(jìn)行式，當(dāng)然目前AI在邊緣設(shè)備上多還是以推論為主，而非訓(xùn)練。不過隨著AI創(chuàng)新應(yīng)用增加，有越來越對芯片商嘗試提升終端裝置處理器的運算效能，為的就是不用再傳送資料至云端進(jìn)行資料運算、推理和訓(xùn)練。也因此，各式的處理器紛紛問世，像是CPU、FPGA、GPU、ASIC、NPU或SoC Accelerator等。

其中，ASIC的市占率可望隨著邊緣運算的需求增加而明顯攀升，從2018年的11%增加至2025年的52%。ASIC之所以受到青睞，原因在于新興的深度學(xué)習(xí)處理器架構(gòu)多以圖形(Graph)或Tensorflow為基礎(chǔ)架構(gòu);且上述提到AI邊緣運算受限于功耗和運算效能，因此多以推論為主，而非訓(xùn)練。然而，若假設(shè)到2021年時，終端設(shè)備將導(dǎo)入大量AI芯片，所需要的便是能在同一個芯片上進(jìn)行推理和訓(xùn)練，可因應(yīng)分散式運算且又具低功耗的IC，因此ASIC需求將持續(xù)上揚，實現(xiàn)更多AI邊緣應(yīng)用案例。

現(xiàn)在的云端市場已經(jīng)成為了一些大型公司的戰(zhàn)場，如果想要在終端芯片的競爭中取得突破，還需要在技術(shù)方面尋找關(guān)鍵點。