【技术好文转载】为什么AI芯片是当今热点
AI芯片也被稱為AI加速器或計算卡，即專門用于處理人工智能應用中的大量計算任務的模塊（其他非計算任務仍由CPU負責）。當前，AI芯片主要分為?GPU?、FPGA?、ASIC。
這里再次推薦李鐵夫老師的一篇優秀博文《為什么AI芯片是當今熱點》，這里介紹的是現在最熱門、最重要的技術競爭點——專用芯片。
還是非常燒腦的文章，需要有一定的芯片基礎，放出來跟大家一起分享學習，祝大家天天進步。
?
1.為什么會出現專用芯片？
我們最熟悉的芯片，像計算機里的CPU，這是一種通用芯片，過去幾十年一直是通用芯片主導著行業發展，這也是Intel公司能成為行業巨頭的原因。
但現在，卻出現了通用芯片的競爭者——專用芯片，它們越來越重要，尤其是在人工智能的應用越來越重要，成了芯片行業的最重要競爭點之一。這是為什么呢？
要回答這個問題啊，首先就要搞清楚，通用芯片和專用芯片之間的區別，我拿兩種最典型的芯片CPU和GPU來舉例講講。
CPU你一定很熟悉，電腦里的中央處理器，它是一顆通用芯片。像瀏覽網頁、播放mp3、播放視頻、數學運算、控制計算機里其他的部件等等，這些任務都靠CPU來完成。
也就是說CPU不光要計算，還要分析指令、調取數據、控制操作，要干的事非常多，那么CPU上面的晶體管，大部分都用來做控制模塊和片上緩存了，真正負責運算的單元其實特別小，也就是說CPU更像是一個中控指揮中心。
那隨著任務增多，計算量加大，我們就發現CPU的缺陷越來越明顯，比如用CPU做圖形處理太費勁、特別慢。但我們想讓計算機顯示更多色彩、更高像素，怎么辦呢？
很幸運，我們發現圖形處理這種問題非常有特點，是一種很規整的問題，不需要太多的控制，反而需要很強的并行計算能力。所以就分化出來一顆專用芯片，這就是GPU。
在GPU芯片里面，控制模塊只占很小的部分，大部分的面積都放滿了運算單元。GPU工作時就是一門心思不停地處理圖像數據就可以了，效率比CPU高多了。
打個比方幫你理解，你可以把這個場景想象成一群人在機場排隊過安檢，這群人就對應了要處理的數據，安檢的人員就對應了芯片中的運算單元。
CPU就好像有10隊人在排著，而且大包小包的很混亂，安檢口就只有兩個，這就需要有好幾個管理人員站在那，協調接下來輪到哪一隊、哪個人去哪個安檢口。而且每個人的行李數目和裝的東西都不一樣，有的人只有一個小包，一下子就過去了。有的人好幾件行李，還需要從里面把電腦拿出來。這就需要管理人員根據進度實時地進行調配。
換句話說，CPU是一顆通用芯片，要具備解決各種各樣問題的能力，所以它的控制模塊非常復雜，運算能力相對比較弱。
GPU就不一樣了，不是亂糟糟的隊伍了，而是10隊解放軍戰士，每個人的行李都一樣，一個挎包、一個行李卷，這就是所謂的數據很規整。
你看，這時候是不是就不再需要那么多的管理人員來維持秩序了？剛才這幾位管理人員就都可以去幫著做安檢了，對吧？于是10隊人就有了10個安檢口，而且每個人的安檢時間都一樣，是不是效率大大提高了？
對應到芯片里，就是GPU芯片里面控制模塊比較小，省下來的面積和晶體管都可以當作運算單元了，所以GPU的圖形運算能力比CPU強得多。
到這里咱們小結一下，為什么會出現專用芯片呢？其實就是兩個原因：
- 第一，要解決的問題足夠重要，值得花費寶貴的硬件資源去專門解決。
- 第二，這個問題的算法要有特點，能夠使用電路的辦法來高效地處理。
?
2.為什么專用芯片崛起了？
那為什么專用芯片成了最近這些年重要的競爭點呢？這就要說到人工智能的發展。
現在我們可以用人工智能來很多事，像手機的人臉識別解鎖，語音控制的智能音箱，甚至是無人操控自動駕駛的汽車等等。這些好像都是近幾年出現的新事物，但人工智能其實已經有幾十年的研究歷史了。
為什么感覺這幾年才有了大爆發呢？就是因為過去沒有集齊三大要素：大數據、算法和算力。
拿人臉識別來舉例，1997年基于卷積神經網絡的研究，僅僅有40個人400張圖片的數據規模。但到了2014年，Facebook采用的深度卷積神經網絡算法，搜集了4000個人400萬張圖片進行模型訓練，取得了97.35%的準確率，已經接近人類水平。
可千萬別以為單有大數據就能讓人臉識別變成更成功，普通的通用芯片根本就處理不了這樣海量的運算。
好比說，你要做一輛自動駕駛汽車，它要自動躲避障礙物，這就需要芯片來根據實時路況，計算躲避路線。
如果這輛車正行駛在路上，前方20米有一個障礙物，用電腦里的CPU來算要不要躲避的話，恐怕保險公司定損員都到現場了，結果還沒算出來呢。
所以想要實現AI，光有AI算法還不行，還必須有AI芯片，這才有算力的保障。
我們說的AI芯片，其實全稱叫“人工智能加速芯片”，它是一種專門芯片，作用就是來加速AI算法的。像剛才說人臉識別能取得成功，就是因為改用了GPU來做計算，GPU也就成了最早的AI芯片。
為什么GPU就能拿來做AI芯片呢？因為我們發現AI算法也非常有特點，雖然運算量巨大，但也有很強的規整性。
比如圖像識別領域常用的卷積神經網絡算法，主要的一個運算就是針對很大的矩陣進行大量的乘法操作，如果能針對這個特點來處理，自然就能提高計算速度。很巧，GPU在這一點上比CPU要強很多。
慢慢地，人們發現GPU不只能處理圖像問題的加速，大多數并行計算問題都可以用GPU來解決，包括比特幣挖礦。
雖說跟CPU相比，GPU是一種專用芯片，可到了今天，GPU已經成了通用的并行計算芯片了。這下GPU技術就有了巨大的發展動力，被廣泛地用在并行計算上，更是帶動了各類AI芯片的發展。
?
3.AI芯片前沿
現在除了GPU，為了更好地實現人工智能，又出現了新的AI芯片，我給你介紹兩個最重要的。
第一個叫FPGA，可編程邏輯陣列。
剛才說了，雖然GPU比CPU更能加速AI算法，但現在GPU也算是一種通用的并行計算芯片了。它的問題是，并沒有針對每一個人工智能問題做最佳優化，功耗和價格都比較高，所以我們就想要更專用的芯片來提高效率，FPGA的出現就是為了解決這個問題。
這是一個非常聰明的發明，你可以把它看做是一顆“萬能芯片”。這顆芯片做好之后，你可以根據需要，修改芯片里的器件連接形式，構成各種各樣不同功能的芯片。
這個過程叫做FPGA的燒錄。針對不同的人工智能問題，可以把FPGA改成相應的專用芯片，更好地適配問題。
打個比方，你可以把FPGA當作是閃送。雖然閃送是一項通用的服務，誰都可以用，但是你一旦下了的訂單，這個閃送小哥，他就只服務于你了。他會在你和你的目標之間建立一條最優的路徑，最快速度把東西送到。服務結束之后他才會接下一單，又針對新的用戶建立新的路線。
閃送下單就對應著FPGA的編程燒錄，燒錄好了之后，這塊FPGA就成了你的專用芯片，針對你的具體問題高效解決。完成任務之后，你還可以根據新的問題來改變電路結構，變成另一顆專用芯片，高效地完成新任務。
所以，FPGA是現在人工智能里面非常重要的一個實現形式。
FPGA在靈活性上有優勢，但也有弱點，一般來說它的價格比較高，在性能上，速度、功耗還有芯片面積也還有不小的提升空間。
于是人們還想到了一個終極的方法，也是現在芯片技術里最熱門、最前沿的領域，叫作ASIC定制化芯片。
也就是說根據要解決的AI問題，專門設計一顆芯片，不干其他事。
它的優勢和劣勢就非常明顯了，優勢就是非常的高效，能耗會非常的低。劣勢就是完全喪失了通用性，你一旦設計制作好了這個芯片，它就干不了別的事了。如果過兩天想解決其他問題，沒有辦法，必須再去做另外一顆芯片才行。
可是現在先進工藝的芯片設計和加工的成本是非常高的，所以定制AI芯片可不是什么公司都能做的，也就是像谷歌、阿里這種大公司，具有明確的應用場景和算法才會做這種事。
現在最著名的定制AI芯片就是Google的TPU，叫做張量處理器。根據谷歌的公開的數據，TPU比起最好的GPU來說，能有幾十倍將近上百倍的性能提升，能耗也有很大的降低。
最后再補充一點，其實還有一個重要的發展趨勢，就是通用AI芯片。這個通用不是說要像CPU一樣解決所有計算問題，而是說希望一顆AI芯片能夠在高效率、低功耗的前提下，滿足低成本和通用性，解決各種AI問題，這會是未來非常有前景的方向。
?
完畢。
總結
以上是生活随笔為你收集整理的【技术好文转载】为什么AI芯片是当今热点的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 【随笔】“阴面”和“阳面”
- 下一篇： 【MM】新建移动类型（Movement