AI芯片的诞生和发展背景 AI芯片发展的技术方向 AI芯片的发展趋势

来源：全球技术地图

作者：刘纪铖

随着类ChatGPT人工智能技术的快速发展，AI大模型作为重要的技术方向已经取得显著进展，应用场景不断拓展和渗透，全球科技企业纷纷入场角逐。然而，由此带来的算力瓶颈问题正越来越受到关注。AI大模型高算力需求正催生AI芯片的快速迭代，“无芯片，不AI”，以AI芯片为载体实现的算力正成为人工智能发展水平的重要衡量标准。

一、AI芯片诞生和发展的背景

自1956年美国达特茅斯学院首次提出人工智能（AI）的概念以来，AI技术不断获得突破和快速发展，对算力的需求也不断增加。为了满足这种需求，AI芯片不断迭代升级，目前已成为算力提升的核心基础硬件。

2006年以前，AI算法尚未出现突破性进展，且AI的训练数据主要以小数据为主。因此学术界和产业界对AI的算力需求主要由CPU提供，在这个阶段AI芯片发展较慢。

2006年到2016年期间，AI算法在深度学习上获得突破，同时大数据、云计算等技术在这期间高速发展，进一步促进了AI在“大数据+深度学习”模式上的快速发展，随之而来的是AI性能的提升越来越依赖于计算能力的大小。研究人员发现，相比于CPU，GPU具备并行计算特性，因此在深度学习等人工智能先进算法所需的“暴力计算”场景中更为高效。通过充分发挥GPU的优势，人工智能算法的计算效率可以大幅提升，这促使研究人员广泛采用GPU进行人工智能领域的研究和应用。

2016年以后，随着AI技术的发展和商用化，AI芯片进入大发展阶段。2016年，美国谷歌旗下DeepMind团队开发的AI系统AlphaGo战胜韩国棋手李世石，引发全球AI热潮。此后，AI领域对于算力的需求不断增加。但GPU的高功耗和高价格限制了其在不同场景中的应用。为应对上述挑战，研究人员开始致力于开发定制化的AI芯片，以实现在加速AI算法运算的同时降低功耗和成本。自此，大量初创企业和传统互联网巨头纷纷涌入AI芯片领域，推动了专用AI芯片的快速发展。2022年11月，美国OpenAI公司推出AI大模型ChatGPT，引发全球AI大模型发展浪潮，这一趋势进一步加大了AI领域对算力的需求，推动了AI芯片的投资和发展。

二、AI芯片发展的技术方向

广义而言，AI芯片指的是专门用于处理人工智能应用中大量计算任务的模块，即面向人工智能领域的芯片均被称为AI芯片。狭义的AI芯片指的是针对人工智能算法做了特殊加速设计的芯片[1,2]。从技术架构来看，AI芯片主要分为图形处理器（GPU）、现场可编程门阵列（FPGA）、专用集成电路（ASIC）、类脑芯片四大类。其中，GPU为通用型人工智能芯片，FPGA和ASIC是针对AI需求特征的半定制和全定制芯片，类脑芯片则是一种模仿人脑神经系统结构和功能的处理器。

（一）图形处理器（GPU）。GPU最初是专门用来做图像处理的，如图像渲染、特效制作等，后因其优秀的矩阵计算能力和并发计算的架构，被广泛运用于AI领域。目前，GPU已成为AI领域最为成熟和广泛应用的通用型芯片，在数据中心、超级计算机等大型计算设施中备受青睐，在AI芯片市场中占据主导地位。

在全球GPU厂商中，英伟达GPU技术一直处于领先水平，其融合了统一计算设备架构CUDA，构建起软硬件高性能计算的生态壁垒。2022年3月，英伟达在GPU技术大会（GPU Technology Conference）上发布了基于新一代Hopper架构的高性能GPU芯片H100，其配备第四代Tensor Core和Transformer引擎，与上一代产品相比，H100的综合技术创新可以将AI大型语言模型的速度提高30倍。

（二）现场可编程门阵列（FPGA）。FPGA是一种灵活可编程的硬件平台，具备较高的计算性能和可定制性等优点，能够对AI算法进行加速和优化。在不断迭代的AI算法场景下，FPGA凭借其灵活性、低功耗和低延时的技术优点，在AI推理应用中表现出色。2022年11月，英特尔发布基于第二代英特尔Hyperflex FPGA架构的Agilex FPGA芯片，其中整合引入了AI张量模块的增强型数字信号处理（DSP）功能模块，能够更好支持AI/图像/视频处理以及可执行复数计算的DSP密集型应用。

（三）专用集成电路（ASIC）。ASIC是针对用户对特定电子系统的需求而设计的专用集成电路，其计算能力和计算效率可根据算法需要进行定制，是固定算法最优化设计的产物。2016年，谷歌发布ASIC芯片TPU v1，主要应用于AI推理过程。自此，ASIC克服了GPU价格昂贵、功耗高的缺点，开始逐渐应用于AI领域，成为AI芯片的重要分支。2017年5月，谷歌发布TPU v2，相比于TPU v1，TPU v2最大的特色在于它既可以用于AI训练，又可以用于AI推理。2018年5月，谷歌发布TPU v3，可实现超过100PFLOPS的处理能力，几乎是TPU v2的8倍。2022年5月，谷歌又推出TPU v4，相比于英伟达A100芯片，处理速度最高快1.7倍，节能效率提高1.9倍。

2022年3月，中国寒武纪公司推出训推一体AI加速卡MLU370-X8，搭载双芯片四芯粒思元370，集成寒武纪MLU-Link多芯互联技术，可应用于YOLOv3、Transformer等AI训练任务中，每张加速卡可获得200GB/s的通讯吞吐性能，是PCIe4.0带宽的3.1倍，可高效执行多芯多卡AI训练和分布式AI推理任务。

（四）类脑芯片。类脑芯片是结合微电子技术和新型神经形态器件，模仿人脑神经系统进行设计的AI处理器，旨在突破“冯·诺依曼瓶颈”，实现超低功耗和并行计算能力。类脑芯片被认为是后摩尔时代重要的发展方向之一，可能成为未来智能计算的突破口。

2017年，清华大学研发出第二代异构融合类脑芯片“天机芯”，其具有高速度、高性能、低功耗的特点，制程为28纳米。相比于当时世界先进的IBM的TrueNorth芯片，其功能更全、灵活性和扩展性更好，密度提升20%，速度提高至少10倍，带宽提高至少100倍。2019年，基于“天机芯”研究成果的论文《面向人工通用智能的异构天机芯片架构》（Towards Artificial General Intelligence with Hybrid Tianjic Chip Architecture）作为封面文章登上《自然》（Nature）杂志。2021年4月，英特尔发布第二代神经拟态芯片Loihi 2，其集成神经元达到100万个，是上一代的7.8倍，处理速度提高10倍。

三、AI芯片的发展趋势

芯片的发展和升级换代一直依赖于工艺、架构和应用三个方面的推动。在应用方面，随着AI技术的深入发展和广泛应用，不同的AI应用场景正推动AI芯片向专业化方向发展，以满足特定场景对性能、功耗和成本的需求。在技术方面，随着拟态神经元、量子等技术的发展，AI芯片正不断突破传统架构、工艺对性能的束缚，在不同的技术路径上进行探索创新，呈现出多样化的发展方向。

（一）AI场景和算法推动AI芯片走向专业化

在AI算法和应用场景的推动下，GPU、FPGA和ASIC正呈现出以满足专业化需求为特征的发展方向。（1）GPU在处理大量并行计算任务中表现出色，且可通过加速设计更好地发挥AI潜能，但也存在功耗高、成本高等缺点。目前，GPU仍然是AI训练所需算力的主要硬件选择。（2）FPGA具有较强的计算能力、较低的试错成本和足够的灵活性，但其缺点在于价格较高、编程复杂，因此在半定制化AI场景中具备优势。（3）ASIC具有更高的处理速度和更低的能耗，并且可针对特定AI任务进行优化设计，从而在性能和能耗方面具备更好的综合素质，这使其在全定制化AI场景中表现优异。

（二）类脑、量子技术推动AI芯片走向多样化

随着拟态神经元、量子等前沿技术的发展，AI芯片逐渐发展出类脑、量子等多样化技术路径的新型芯片，类脑芯片更是开始走向商用化。（1）类脑芯片拥有大规模并行计算、超低功耗和超低延迟等技术潜力，这些优势使其在未来AI应用场景中扮演重要的角色。未来，类脑芯片的一个重要发展方向就是围绕AI算法构建更加高效的存算一体计算系统，如开发更加高效的芯片架构、具备更多神经元的芯片等，以不断迭代升级AI芯片的综合性能。（2）量子芯片是基于量子力学原理构建的芯片，可推动人类计算能力呈指数级增长，形成“量子优越性”。有专家认为，量子芯片有望彻底解决AI算力瓶颈的问题。未来，随着AI的广泛应用，整个社会对于AI算力的需求和耗电量将会大幅增加，而量子芯片是解决上述一系列问题的潜在方案。不过，当前量子计算机的发展还面临着如退相干等问题，导致当前量子芯片仍主要存在于实验室阶段，距离商业化较远。总的来说，类脑芯片和量子芯片作为新型芯片技术，拥有巨大的潜力，将在未来的AI和计算领域发挥重要作用，为我们带来更高效、更强大的计算能力。

　　审核编辑：汤梓红