AI芯片：短期内GPU主导，未来三大路线并存

当前以深度学习为代表的人工智能迎来第三次爆发，这对底层芯片计算能力更高需求。人工智能运算具有大运算量、高并发度、访存频繁的特点，且不同子领域（如视觉、语音与自然语言处理）所涉及的运算模式具有高度多样性，对于芯片的微架构、指令集、制造工艺甚至配套系统软件提出巨大挑战。

AI 芯片作为专门针对人工智能领域的新型芯片，相较传统芯片能更好满足人工智能应用需求。

根据部署位置，AI芯片可以分为云端（数据中心）芯片和边缘端（终端）芯片。云端芯片部署位置包括公有云、私有云或者混合云等基础设施，主要用于处理海量数据和大规模计算，而且还要能够支持语音、图片、视频等非结构化应用的计算和传输，一般情况下都是用多个处理器并行完成相关任务；边缘端AI 芯片主要应用于嵌入式、移动终端等领域，如摄像头、智能手机、边缘服务器、工控设备等，此类芯片一般体积小、耗电低，性能要求略低，一般只需具备一两种AI 能力。

按芯片承担的任务，可以分为用于构建神经网络模型的训练芯片，与利用神经网络模型进行推断的推断芯片。训练是指通过大量的数据样本，代入神经网络模型运算并反复迭代，来获得各神经元“正确”权重参数的过程。推断是指借助现有神经网络模型进行运算，利用新的输入数据来一次性获得正确结论的过程。训练芯片受算力约束，一般只在云端部署。因此，AI芯片可以分为云端训练芯片、云端推断芯片和边缘端训练芯片。

从AI芯片的技术路线看，主要包括基于传统架构的GPU、FPGA、ASIC。

短期内GPU仍将主导AI芯片市场，长期三大技术路线将并存。目前AI芯片并不能取代CPU的位置，正如GPU作为专用图像处理器与CPU的共生关系，AI芯片将会作为CPU的AI运算协处理器，专门处理AI应用所需要的大并行矩阵计算需求，而CPU作为核心逻辑处理器，统一进行任务调度。在服务器产品中，AI芯片被设计成计算板卡，通过主板上的PCIE接口与CPU相连；而在终端设备中，由于面积、功耗成本等条件限制，AI芯片需要以IP形式被整合进Soc系统级芯片，主要实现终端对计算力要求较低的AI推断任务。

FPGA 技术，因其低延迟、计算架构灵活可定制，正在受到越来越多的关注，微软持续推进在其数据中心部署FPGA，Xilinx 和Intel 均把FPGA 未来市场中心放到数据中心市场。Xilinx 更是推出了划时代的ACAP，第一次将其产品定位到超越FPGA 的范畴。相较云端高性能AI 芯片，面向物联网的AI 专用芯片门槛要低很多，因此也吸引了众多小体量公司参与。

长期来看，GPU 主要方向是高级复杂算法和通用型人工智能平台，FPGA 未来在垂直行业有着较大的空间，ASIC 长远来看非常适用于人工智能，尤其是应对未来爆发的面向应用场景的定制化芯片需求。

审核编辑：符乾江