浅谈人工智能芯片的发展与应用

吕星辰

摘要：本文首先介绍了人工智能的要素与发展现状，论述了人工智能芯片的概念与发展目的;接着阐述了人工智能芯片的发展历程，介绍了其市场情况及主要的人工智能企业;之后对不同类型的人工智能芯片进行了说明，最后讨论了人工智能芯片面临的挑战及发展趋势。

关键词：人工智能   芯片   算力   类脑

1956年，在美国达特茅斯学院召开的夏季研讨会议上，时任该学院数学系助理教授的麦卡锡提出了人工智能这一载入史册的概念。60多年来，人工智能技术已经在许多领域取得了重大的突破，如自动驾驶、医学诊断、公共安全等。人工智能之所以能够取得这些突破，主要是由于三个方面的原因：充足的计算力、以深度学习为代表的算法、海量的数据资源。现阶段，绝大多数人工智能其智能来自于海量的数据，借助海量数据、强大的算力训练不同的人工智能模型，从而使得其具有较高的智能。其中，算力是人工智能的基础资源，对其发展起着至关重要的作用。随着人工智能的发展，传统的硬件已不能满足其对算力的需求。因此，业界开始研究用于人工智能领域的专用芯片[1]。

人工智能芯片作为人工智能技术的基础，其重要性自然不言而喻。人工智能芯片目前还没有一个具体的公开的定义和标准，在多数情况下AI芯片被认为只要是应用于AI的芯片都可以称为AI芯片。必须要说明， AI芯片本身并不具有智能，其主要是为人工智能模型提供计算力，从而加速人工智能模型的训练。由于AI智能执行任务的特殊性与多样性，对芯片的计算处理速度有着较高的要求 [2]。

一、发展历程

人工智能芯片的发展与人工智能的发展进程密切相关。在2007年前，人工智能的发展经历了数次高潮和低谷，但大都停留在学术领域，还未形成相关的产业;另一方面，这一时期人工智能相关的算法对计算能力的需求一般，处理的数据量相对较少，因而对芯片的算力需求较低。通用的CPU芯片完全能够满足这一时期人工智能的算力需求。由于高清视频、游戏等行业的发展需求，GPU产品的性能不断提升，同时，得益于GPU的并行计算特性，研究人员发现GPU在处理海量数据的计算问题时效率较高，因此研究者将GPU大范围地应用于人工智能的计算领域。2010年后，云计算技术在全球范围内广泛应用。云计算技术是将计算资源、存储资源、网络资源进行统一管理，按需分配，其实现需要依靠互联网技术。在进行人工智能相关的研究过程中，人们可以利用云计算技术实现高性能的计算。近年来，随着相关算法的进步以及数据资源的快速积累，人工智能对于计算能力的需求快速增长，同时也促进了AI芯片的发展。从2015年开始，业界对AI芯片的研发呈现出快速增长的局面。研究者希望在相关的硬件及芯片结构上进行突破，以此带来计算效率上的提升[3]。

二、发展现状

（一）市场情况

随着人工智能技术的逐步成熟，以及应用场景不断扩大，人工智能整体的市场规模也不断增大。据统计， 2018年我国人工智能市场规模接近240亿人民币，实现了超过50%的高速增长。根据测算，2019年中国的人工智能市场规模将接近280亿人民币。人工智能市场的高速增长也为企业、用户带来了巨大的发展空间。人工智能整体的市场增长也促进了AI芯片的增长，预计到2020年，AI芯片领域预计将超过100亿美元[3]。

（二）AI芯片公司

不管是国内还是国外，许多企业都开始参与AI芯片的研发。如谷歌、Facebook、亚马逊、百度、阿里等互联网巨头。与此同时，全球各大芯片公司都在积极进行AI芯片布局，涌现出许多新生代公司，如Graph core、Cerbras、寒武纪等。这些公司陆续推出了各自的AI芯片和硬件系统[4]，希望在AI芯片市场占有一席之地。

早在2011年，苹果公司首次推出Siri时，就可以看到苹果在人工智能方面的尝试。在2018年Apple推出了全新的A12處理器，苹果新的神经引擎系统使得苹果在人脸识别、语音识别方面做出了一定成就。谷歌公司在2017年度创新大会上展示了其研发的新一代人工智能专用处理器（Tensor Processing Units TPU）。该芯片具有强大的计算能力（据称TPU比标准CPU和GPU快15-30倍），发布后很快就引起了军方的关注。寒武纪是在2016年成立的，虽然其成立时间较短，但发展很快，已经拥有成熟的AI芯片产品。特别是在2018年，华为集成了寒武纪的1H芯片，发布了麒麟980芯片，让搭载该芯片的智能手机的AI计算性能大幅攀升。

三、人工智能芯片的类型

目前主要有三种类型的人工智能芯片：AI加速芯片（GPU、FPGA、DSP、ASIC、众核处理器），类脑芯片，通用AI芯片[5]。

（一）AI加速芯片

这类芯片简单的来讲就是以现有的芯片为框架，构成基础，对某一特定的场合下的算速、成本和功耗进行优化。目前已经有许多用于自动驾驶、语音识别、图像识别等领域的芯片产品。现阶段，设计AI加速芯片的主流方案有两类：在GPU、DPS等芯片的基础上进行整合，以异构计算的方式来实现;针对具体的需求，设计专用的ASIC（Application-Specific Integrated Circuit）芯片。

（二）类脑芯片

类脑芯片是希望通过模拟人脑的运转机制，使计算机能低能耗、高功效地运行，甚至使计算机拥有优于类人的智能。类脑芯片试图构建芯片结构类似于大脑的电子芯片，即“仿生电子脑”。类脑芯片不只是从功能上去模仿大脑，而是希望从架构层面模拟大脑。例如IBM设计的相变神经元架构就包括输入端、神经薄膜、信号发生器与输出端四个层面，这与生物神经元十分类似。此外，类脑芯片还具有功耗方面的绝对优势。例如，英特尔设计的自学习芯片Loihi，其学习效率是其它智能芯片的100万倍，但完成同样的学习任务其功耗比传统芯片节省近1000倍。

（三）通用AI芯片

人工智能对于芯片的需求不仅仅是计算能力，还包括通用的计算引擎。现有的AI芯片只能用于特定的任务或适用于某一类算法，通用性方面还存在很大差距。通用AI芯片应该具有可编程性（适用算法的演进）、架构动态可变性（适应不同的算法）。由于通用人工智能发展的难度较大，目前还没有真正意义上的通用AI芯片问世。

四、讨论

（一）当下挑战

如今，全球人工智能产业仍处于高速发展和迅速变化之中，尚还有很多变数。但人工智能的广泛应用为芯片的发展提供了广阔空间。

芯片是人工智能的基础。从指标上来说，AI芯片发展过程中的挑战来源于性能、功耗、体积三个方面。这与传统的芯片并无不同。但是AI芯片的特点使得其还面临与传统芯片不同的挑战。现阶段，AI 芯片需要解决的是两大挑战：第一是芯片需要适应算法的演进，由于目前AI算法的发展较快，各种新算法、新模型不断出现，AI芯片需要能够适应这种变化;第二是要有面向人工智能领域的新的架构，从而提高芯片的通用性。

（二）未来趋势

2016 年 3 月， AlphaGo 与韩国围棋世界冠军李世石进行了举世瞩目的围棋人机大战，并以3：1获胜，这次比赛使得人工智能家喻户晓; 2017 年 5 月，AlphaGo与当时排名第一的围棋选手柯洁进行了又一次人机大战，并以3：0完胜，再次震惊了世人。现阶段，人工智能的应用已经出现在许多领域。但这些应用只是初级的，智能程度还不是很高，人工智能的大规模商业化应用还有很长的路要走。短期来看，AI芯片还是以增加算力，适应算法为主;长期来看，企业还是要以研发通用AI芯片作为发展目标。

五、结语

虽然现有AI产品并不是十分智能，但在某些方面至少已经表现出超越人类智能水平的潜力。在不久的将来，人工智能将会变得更智能。AI芯片的发展还处在早期，还需要进行更多的投入。

芯片是AI发展的重要基础，拥有巨大的产业价值和战略地位。从全球范围来看，国外芯片巨头占据绝对优势。而国内人工智能公司大都刚刚起步，技术实力相比国外还存在差距。未来，需要企业、政府一同努力，加大在AI芯片领域中的研发与投入，从而使我国在即将到来的人工智能时代占得先机。

参考文献：

[1]尹首一，郭珩，魏少军.人工智能芯片发展的现状及趋势[J].科技导报，2018，（17）：45-51.

[2]李丽婷.人工智能芯片技术进展及產业发展研究报告[J].厦门科技，2019，（01）：1-9.

[3]刘晓桦.国产AI芯片：崛起时更应回归理性[J].经济，2018，（11）：28-29.

[4]张蔚敏，蒋阿芳，纪学毅.人工智能芯片产业现状[J].电信网技术，2018，（02）：67-71.

[5]Ty Garibay.人工智能芯片的发展进程展望[J].集成电路应用，2018，（10）：43-44+51.

（作者单位：江苏省睢宁高级中学）