解读AI芯片发展现状及前景

随着深度学习领域［1-4］带来的技术性突破，人工智能（artificial intelligence，AI）无论在科研还是在产业应用方面都取得了快速的发展。深度学习算法需要大量的矩阵乘加运算，对大规模并行计算能力有很高的要求，CPU和传统计算架构无法满足对于并行计算能力的需求［5］，需要特殊定制的芯片。目前，AI芯片行业已经起步并且发展迅速［6］。

1. AI芯片定义及技术架构

1.1 AI芯片定义

广义上所有面向AI应用的芯片都可以称为AI芯片。目前一般认为是针对AI算法做了特殊加速设计的芯片。现阶段，这些人工智能算法一般以深度学习算法为主，也可以包括其他浅层机器学习算法［7-8］。

1.2 AI芯片功能

（1）训练。对大量的数据在平台上进行学习，并形成具备特定功能的神经网络模型。对AI芯片有高算力、高容量和访问速率、高传输速率、通用性的要求。

（2）推理。利用已经训练好的模型通过计算对输入的数据得到各种结论。对于 AI芯片主要注重算力功耗比、时延、价格成本的综合能力。实验证明低精度运算（如float16，int8）可达到几乎和float32同等的推理效果，所以AI推理芯片有低精度算力的要求。

1.3 技术架构

表1列出了AI芯片的几种技术架构，并对其优缺点进行比较。

表1.AI芯片技术架构

2. AI芯片应用场景

2.1 数据中心（IDC）

用于云端训练和推理，目前大多数的训练工作都在云端完成［9］。移动互联网的视频内容审核、个性化推荐等都是典型的云端推理应用。Nvidia GPU在训练方面一家独大，在推理方面也保持领军位置。FPGA和ASIC因为低功耗、低成本的优势，在持续抢夺GPU的市场的份额。

云端主要的代表芯片有Nvidia-TESLA V100、华为昇腾910、Nvidia-TESLA T4、寒武纪MLU270等。

2.2 移动终端

主要用于移动端的推理，解决云端推理因网络延迟带来的用户体验等问题。典型应用如视频特效、语音助手等。通过在手机系统芯片（system onchip，SoC）中加入增加协处理器或专用加速单元来实现。受制于手机电量，对芯片的功耗有严格的限制。代表芯片有Apple A12 Neural Engine（加速引擎）和华为麒麟990。

2.3 安防

目前最为明确的AI芯片应用场景，主要任务是视频结构化。摄像头终端加入AI芯片，可以实现实时响应、降低带宽压力。也可以将推理功能集成在边缘的服务器级产品中。AI芯片要有视频处理和解码能力。主要考虑的是可处理的视频路数以及单路视频结构化的成本［10］。代表芯片有华为Hi3559-AV100和比特大陆BM1684等。

2.4 自动驾驶

AI芯片作为无人车的大脑，需要对汽车上大量传感器产生的数据做实时处理［11］，对芯片的算力、功耗、可靠性都有非常高的要求，同时芯片需要满足车规标准，因此设计的难度较大［12］。面向自动驾驶的芯片目前主要有Nvidia Orin、Xavier和Tesla的FSD等。

2.5 智能家居

在AI+IoT时代，智能家居中的每个设备都需要具备一定的感知、推断以及决策功能。为了得到更好的智能语音交互用户体验，语音AI芯片进入了端侧市场。语音AI芯片相对来说设计难度低，开发周期短。代表芯片有思必驰TH1520和云知声雨燕UniOne等。

3. AI芯片关键技术和基准测试平台

3.1 关键技术和挑战

（1）AI芯片当前的核心是利用乘加计算（multiplier and accumulation，MAC）阵列来实现卷积神经网络中最主要的卷积运算的加速。MAC阵列的大量运算，会造成功耗的增加。很多AI应用的场景对于功耗都有严格的限制，如何达到优异的性能功耗比是AI芯片研发的一个重要目标。

（2）深度学习算法中参与计算的数据和模型参数很多，数据量庞大，导致内存带宽成为了整个系统的一个瓶颈“，Memory Wall”也是需要优化和突破的主要问题［13］。

（3）除了芯片本身硬件的设计以外，软件对于AI芯片性能的发挥也有着十分重要的作用，编译器和工具链软件的优化能力、易用性现在也得到越来越多的重视。

3.2 基准测试平台

基准测试平台（Benchmark）为AI芯片建立了标准的评估体系，主要职责和意义有：

（1）基于调研和集群信息收集，真实反映AI芯片的使用情况。（2）引入评估和选型标准。（3）对AI芯片的架构定义和优化指引方向。基准测试平台的评估指标包括延时（ms）、吞吐量（ims/s）、能效比（ims/s/W）、利用率（ims/s/T）等。主要的基准测试台有MLPerf、DawnBench（Stanford）、DeepBench（百度）、AI Matrix（阿里巴巴）。

4. AI芯片未来趋势和探索

4.1 神经形态芯片

神经形态芯片是指颠覆经典的冯·诺依曼计算架构，采用电子技术模拟已经被证明了的生物脑的运作规则，从而构建类似于生物脑的芯片［14］。

神经形态芯片的优点：

（1）计算和存储融合，突破Memory Wall瓶颈。

（2）去中心化的众核架构，强大的细粒度互联能力。

（3）更好的在线学习能力。清华大学、Intel、IBM等学校和企业都在做此方面的研究工作。

4.2 可重构计算芯片

可重构计算芯片也叫做软件定义芯片［6］，主要针对目前AI芯片存在的以下问题和任务需求：

（1）高效性和灵活性难以平衡。

（2）复杂的AI任务需要不同类型AI算法任务的组合。

（3）不同任务需要的计算精度不同。可重构计算芯片的设计思想在于软硬件可编程，允许硬件架构和功能随软件变化而变化，从而可以兼顾灵活性和实现超高的能效比。

5. 云端和边缘侧AI芯片和应用

5.1 云端和边缘侧AI芯片

本研究团队从2017年开始研发AI芯片，并在当年发售了第一代云端专用AI芯片 BM1680。在2019年发布了第三代AI芯片BM1684。BM1684采用TSMC-12 nm工艺，有17.6Tops的int8和2.2Tflops的float32算力，典型功耗为16W，可以支持32路1080P的高清视频解码。基于BM1684芯片，研发了深度学习加速板卡SC5（如图1所示）、高密度计算服务器SA5、边缘计算盒子SE5、边缘计算模组SM5等面向各种不同人工智能应用的产品。

图1.深度学习加速板卡SC5

5.2 研发产品的应用

本团队的AI产品已经在云端和边缘侧的多种应用场景下落地使用，包括智慧园区（如图2所示）、城市大脑（如图3所示）、视频结构化、人脸布控、智能支付等。

图2.智慧园区解决方案

图3.城市大脑应用

6. 结论

AI芯片行业尚处于起步阶段，已经有越来越多的项目开始落地和商业化，它的快速发展有助于推动整个人工智能产业的进展。本文对AI芯片的现状和未来可能的技术方向做了调研和分析，希望可以帮助读者更好地了解AI芯片行业，AI 芯片拥有巨大的产业价值和战略地位，相信中国的科研机构和企业会努力抓住机遇，让中国的人工智能产业蓬勃发展。

编辑：jq