人工智能芯片技术路径对比与国产化问题 本文关键词：国产化，人工智能，路径，芯片，技术
人工智能芯片技术路径对比与国产化问题 本文简介：摘要： 人工智能是引领新一轮科技革命和产业变革的战略性技术,中美等国都将其提升到战略层面。芯片是人工智能产业基础层的核心,为各种人工智能应用的实现提供了强大的算力支撑,重要性不言而喻。本文从人工智能芯片发展现状和主流技术路径入手,通过分析人工智能芯片国产化现状与瓶颈问题,进而得出发展思路建议。 关
人工智能芯片技术路径对比与国产化问题 本文内容：
摘 要： 人工智能是引领新一轮科技革命和产业变革的战略性技术, 中美等国都将其提升到战略层面。芯片是人工智能产业基础层的核心, 为各种人工智能应用的实现提供了强大的算力支撑, 重要性不言而喻。本文从人工智能芯片发展现状和主流技术路径入手, 通过分析人工智能芯片国产化现状与瓶颈问题, 进而得出发展思路建议。
关键词： 人工智能; 芯片; 技术路径; 国产化; 发展思路;
以深度学习为核心的新一代人工智能技术, 近年来在机器视觉、语音识别等领域迅速发展, 已经开始像水电煤一样赋能于各个行业。作为引领新一轮科技革命和产业变革的战略性技术, 人工智能受到各国政府的高度重视, 我国也将其提升到了国家战略层面。本轮人工智能产业的迅猛发展主要得益于算法、数据和算力三大要素, 目前我国在数据和算法方面具备一定优势, 而为人工智能产业发展和应用落地提供强大算力支撑的芯片是较大短板, 极大依赖进口。本文从人工智能芯片发展现状和主流技术路径入手, 通过分析人工智能芯片国产化现状与瓶颈问题, 进而得出发展思路建议。
1 、人工智能芯片市场分析
根据中商产业研究院数据, 2017年全球人工智能芯片市场规模达到44.7亿美金, 约占全球半导体市场总规模的1.1%;预计2020年有望突破百亿大关, 发展空间巨大。而我国的人工智能芯片行业发展尚处于起步阶段, 2017年中国人工智能芯片市场规模为33.3亿元, 同比增长75%;预计随着5G、物联网、大数据等应用的发展, 人工智能芯片未来3年将迎来新一轮的爆发, 市场前景十分广阔 (图1-2) 。
图1 2016-2020年全球人工智能芯片市场预测
资料来源:中商产业研究院
2、人工智能芯片技术路径对比分析
人工智能芯片是一个方兴未艾的领域, 尚未形成统一的标准和方案。最初的深度学习场景采用的芯片是CPU, 但CPU的并行计算能力太低, 很快便无法满足深度学习对算力的需求, 目前业界主流的技术路径主要有GPU、FPGA、ASIC等, 针对神经网络算法而言, 在通用性和性能功耗比等方面各有优劣。
GPU。即图形处理器, 最初是用作绘图运算的微处理器, 可以快速地处理图像上的每一个像素点, 后来发现, 其海量数据并行运算的能力与深度学习需求不谋而合, 因此较早被引入深度学习。GPU目前已成为深度学习训练的首要选择。GPU的关键性能是并行计算, 适合深度学习计算的主要原因一是高带宽的缓存有效提升大量数据交互时的效率。GPU的缓存结构为共享缓存, 相比于CPU, GPU线程之间的数据通讯不需要访问全局内存, 而在共享内存中就可以直接访问。二是多计算核心提升并行计算能力。GPU具有数以千计的计算核心、可实现10-100倍于CPU的应用吞吐量。
图2 2016-2020年中国人工智能芯片市场预测
资料来源:中商产业研究院
FPGA。即现场可编程门阵列, 一种集成大量基本门电路及存储器的芯片, 可通过烧入FPGA配置文件定义这些门电路及存储器间的连线, 进而实现特定功能。FPGA没有预先定义的指令集概念和确定的数据位宽, 可基于应用场景高度定制, 因此FPGA在应用于深度学习时具备可定制、可重构的特点。此外, FPGA适合用于低延迟的流式计算密集型任务处理, 所以FPGA做面向海量用户高并发的云端推断, 相比GPU具备更低计算延迟的优势。FPGA广泛使用的主要瓶颈是成本高昂, 且使用者必须具备电路设计能力。
ASIC。即专用集成电路, 是不可配置的高度定制专用芯片。不同于GPU和FPGA的通用性和灵活性, 定制化的ASIC一旦流片后则无更改余地, 若市场深度学习方向一旦改变, ASIC前期投入将无法回收, 意味着ASIC具有较大的市场风险。但ASIC作为专用芯片性能高于GPU和FPGA, 如能实现高出货量, 其单颗成本可做到远低于FPGA。
类脑芯片。类脑芯片架构是一款模拟人脑的新型芯片编程架构, 完全不同于传统的冯诺依曼架构。这种芯片的功能类似于大脑的神经突触, 处理器类似于神经元, 而其通讯系统类似于神经纤维, 可以允许开发者为类脑芯片设计应用程序。通过这种神经元网络系统, 计算机可以感知、记忆和处理大量不同的情况。类脑芯片尚处于实验室研发阶段, 如IBM研发的真北芯片 (True North) 。
从功能上看, 深度学习可分为训练 (training) 和推断 (inference) 两个环节, 基于上述各类人工智能芯片的性能特点。在训练环节, 主要以GPU为主;在云端推断环节, 除了使用GPU进行运算外, FPGA和ASIC也发挥了重大作用;终端推断环节, 所用芯片则主要以ASIC为主。
表1 主流人工智能芯片性能特点及主要厂商
3、 人工智能芯片国产化现状
GPU、FPGA依赖进口, 国产化程度低。全球70%的人工智能GPU芯片市场都被NVIDIA占据。FPGA行业呈现典型的寡头竞争格局, 主要有4家生产厂家都在美国。根据Gartner的数据, FPGA器件的厂家主要有Xilinx (赛灵思) 、Altera (阿尔特拉) 、Lattice (莱迪思) 和Microsemi (美高森美) , 这四家公司都在美国, 总共占据了98%以上的市场份额。其中全球份额Xilinx占49%, 另一家Altera占39%, 剩余的占比12%。国内厂商在GPU方面鲜有布局, FPGA方面也仅有复旦微电子等少数芯片厂商涉足, 但与国外差距巨大。
ASIC芯片国产化程度较好。由于ASIC芯片的高度定制化和专用性, 因此市场集中度不高, 芯片供应厂商较多, 或是由终端应用厂商自行研发设计。ASIC主要企业包括如Google的TPU系列处理器, 以及国内的寒武纪、地平线、深鉴科技等公司。
4、 人工智能芯片国产化瓶颈问题
4.1、 通用芯片被国外牢牢把控, 仅在定制化芯片有布局
美国在人工智能芯片的各条技术路线均有布局, Nvidia、Xilinx、Google三家龙头企业分别沿着GPU、FPGA、ASIC路线不断大力投入人工智能芯片研发, 三管齐下, 无论哪家公司最终取得成功, 都将大大增强美国在人工智能领域的话语权和领导力。而相比国内, 包括寒武纪、地平线、华为海思等各家公司在都是基于ASIC技术发展AI芯片, 未能进入GPU、FPGA等通用芯片领域。
4.2、 人工智能计算框架及芯片生态由国际巨头主导
计算框架是人工智能技术体系的核心, 而目前主流的深度学习框架如Tensor Flow、Caffe等主要由谷歌、亚马逊等国际巨头主导, 人工智能芯片公司在芯片设计和编译器开发过程中都需要考虑到与主流计算框架之间的适应性。其次, 国际芯片巨头如英伟达等厂商已经具备较强的生态优势, 市场对其芯片的指令集和配套软件都较为熟悉, 易于用户编程开发。此外, EDA等芯片设计的基础开发工具也长期受制于人。这些生态及软件问题都极大限制国产人工智能芯片的发展。
4.3、 国产人工智能芯片需求前景不明朗
鉴于可靠性和风险考量, 国内人工智能应用层厂商使用国产芯片替换的意愿不强。而且大型终端应用厂商漫长的芯片验证周期也加强力芯片国产替代的难度。目前国内的人工智能芯片如寒武纪, 主要与深圳海思合作, 在华为产品上试用;地平线以及依图科技旗下的Thinkforce等公司主要是自产自销, 难以大规模推广。
5、 人工智能芯片国产化发展思路
5.1、 强强联合, 打造国内人工智能软硬件生态
在PC时代和移动终端时代, Wintel体系 (微软+Intel) 和AA体系 (ARM+安卓) 通过打造生态的模式牢牢把控产业的主导权。而人工智能属于新兴领域, 尚未形成技术路径依赖, 产业生态也未完全成形。国内应强化顶层设计, 加强软硬件协同布局, 鼓励百度、商汤等软件算法企业与芯片企业合作, 重点布局开源计算框架+芯片的生态体系, 把控人工智能产业的基础核心环节。
5.2、 全面布局, 政府层面加强对通用芯片支持力度
在技术路径上, 遵循全面布局, 分步突破原则, 近期重点突破ASIC芯片, 远期突破GPU、FPGA等通用芯片;在应用环节上逐步拓展, 从边缘端逐步扩展到云端, 从推理芯片拓展到训练芯片;同时探索多种芯片高效协同运行的芯片解决方案。由于ASIC芯片专用性强, 不同厂商往往需根据应用场景需求自主研发;而GPU、FPGA等通用芯片由于有标准化产品, 国内终端应用厂商自主研发或国产化替代意愿不强。因此, 政府层面应在GPU和FPGA等通用芯片领域加强布局推广力度。
5.3、 加强类脑芯片等前沿性领域布局
充分发挥国内高校以及科研院所力量, 布局类脑芯片等前沿性领域。由于类脑芯片尚属于理论研究阶段, 国际巨头尚未形成技术及知识产权壁垒, 国内外在该领域处于同一起跑线, 因此提前布局将使我国在人工智能芯片领域存在换道超车的可能性。
人工智能芯片技术路径对比与国产化问题 来源：网络整理
免责声明：本文仅限学习分享，如产生版权问题，请联系我们及时删除。
相关文章