打开客服菜单
contact us

联系我们

IC解密首页 > 半导体行业 > AI加速芯片研发的两种方式
AI加速芯片研发的两种方式
编辑 :

专业芯片解密公司

时间 : 2019-05-06 11:22 浏览量 : 268

AI芯片的研发有两个不同的方向:第一,在现有的计算架构上添加专用加速器,即“AI加速芯片”,它是确定性地加速某类特定的算法或任务,从而达到目标应用领域对速度、功耗、内存占用和部署成本等方面的要求。

第二,完全重新开发,创造模拟人脑神经网络的全新架构,即“智能芯片”。它让芯片像人一样能使用不同的AI算法进行学习和推导,处理包含感知、理解、分析、决策和行动的一系列任务,并且具有适应场景变化的能力。目前,这类芯片的设计方法有两种:一种是基于类脑计算的“神经拟态芯片”;另一种是基于可重构计算的“软件定义芯片”。

芯片解密

“智能芯片”仍处于初期开发阶段,不适合商业应用。因此,企业们目前主要采用的方法是在现有的计算架构上添加人工智能加速器。AI加速芯片的研发也分为两种主要的方式:一种是利用已有的GPU、众核处理器、DSP、FPGA芯片来做软硬件优化;另一种则是设计专用的芯片,也就是ASIC。

GPU、FPGA以及ASIC已成为当前AI芯片行业的主流。其中GPU算是目前市场上AI计算最成熟、应用最广泛的通用型芯片了,这是一种由大量核心组成的大规模并行计算架构,专为同时处理多重任务而设计的芯片。GPU桌面和服务器市场主要由英伟达、AMD瓜分,移动市场以高通、苹果、联发科等众多公司为主。

ASIC是一种为特定目的、面向特定用户需求设计的定制芯片,性能强、体积小、功耗低、可靠性高。在大规模量产的情况下,还具备成本低的特点。近年来,越来越多的公司开始采用ASIC芯片进行深度学习算法加速,其中表现最为突出的就是TPU。这是谷歌为提升AI计算能力同时大幅降低功耗,专为机器学习全定制的人工智能加速器专用芯片,性能非常出众。此外,国内企业寒武纪开发的Cambricon系列处理器也广泛受到了关注。ASIC的全球市场规模从2012年的163亿美元增长到2017年257亿美元,预计未来5年将保持18.4%年复合增长,到2022年达到597亿美元。目前,市场格局还比较碎片化。

FPGA集成了大量的基本门电路以及存储器,其灵活性介于CPU、GPU等通用处理器和专用集成电路ASIC之间。我国在这方面刚刚起步,与FPGA四大巨头赛灵思、英特尔、莱迪思、美高森美存在着巨大的差距。从市场份额来看,赛灵思和英特尔合计占到市场的90%左右,其中赛灵思超过50%。2017年,FPGA的全球市场规模为59.6亿美元,预计到2023年将达到98.0亿美元。

而从长远来看,AI芯片本身的技术发展还要面临如下的困境。

目前主流的AI芯片采用的是冯诺依曼架构。在冯·诺伊曼体系结构中,芯片在计算上是采取1进1出的方式,数据从处理单元外的存储器提取,处理完之后再写回存储器,如此依序读取完成任务。由于运算部件和存储部件存在速度差异,当运算能力达到一定程度,访问存储器的速度无法跟上运算部件消耗数据的速度,再增加运算部件也无法得到充分利用,这不仅是AI芯片在实现中的瓶颈,也是长期困扰计算机体系结构的难题。

另外,要满足人工智能发展所需的运算能力,就需要在CMOS工艺上缩小集成尺寸,不断提高芯片的系统性能。如今,7nm已经开始量产,5 nm节点的技术定义已经完成。但由此也产生了CMOS 工艺和器件方面的瓶颈。首先,由于纳米级晶体管所消耗的能量非常高,这使得芯片密集封装的实现难度很大。其次,一个几纳米的CMOS器件,其层厚度只有几个原子层,这样的厚度极易导致电流泄漏,而工艺尺寸缩小所带来的效果也会因此受到影响。

尽管AI芯片市场的增长空间很大,但未必能够容得下足够多的企业。行业本身的特性以及当下AI所处的发展阶段,都决定了AI芯片企业会有一个相对较长的挫折期,


cache
Processed in 0.006172 Second.