GPU原本需求大部分都来源于PC端大型游戏对图形处理的需求,现由于科技发展渐渐在移动端也慢慢崛起。当下芯片的技术架构发展分为四个类型。
1、通用类芯片 代表如GPU、FPGA
GPU:Graphics Processing Unit图形处理器
GPU原本需求大部分都来源于PC端大型游戏对图形处理的需求,现由于科技发展渐渐在移动端也慢慢崛起。
而做GPU的大佬正是英伟达NVIDIA,从游戏、数据中心到人工智能,市场对英伟达芯片的需求越来越大,在游戏业中甚至增加了对加密货币挖矿者用户的服务,等过去三年时间内,英伟达依靠自身在 GPU 方面的技术积累,搭上了人工智能发展的快车道,其股价也在三年内翻了10 倍。
与股价上涨发生的,还有这家公司的转型,英伟达也正在经历从一个图形芯片公司到AI平台搭建者的转型,聚焦于底层计算,致力于搭建高效平台的战略,使英伟达在当下的技术革命中,占得了一席之地。除了英伟达,还有AMD,ARM家的Mali,Imagination的PowerVR,Qualcomm的Adreno等
FPGA:Field-Programmable Gate Array现场可编程门阵列
它在PAL、GAL、CPLD等可编程器件的基础上进一步发展的产物。它是作为专用集成电路(ASIC)领域中的一种半定制电路而出现的,既解决了定制电路的不足,又克服了原有可编程器件门电路数有限的缺点。
全球知名的FPGA生产厂商有:Altera, Xilinx,Actel , Lattice,Atmel。其中Altera作为世界老牌可编程逻辑器件的厂家,是可编程逻辑器件的发明者,开发软件MAX+PLUSII和QuartusII。Xilinx是FPGA的发明者,拥有世界一半以上的市场,提供90%的高端65nmFPGA产品,开发软件为ISE,其产品主要用于军用和宇航。
Altera和Xilinx主要生产一般用途FPGA,其主要产品采用RAM工艺。Actel主要提供非易失性FPGA,产品主要基于反熔丝工艺和FLASH工艺。
2、基于FPGA的半定制化芯片 代表如DPU、XPU等
DPU:Deep-Learning Processing Unit深度学习处理器
Deephi Tech深鉴,一家位于北京的清华背景start-up,深鉴将其开发的基于FPGA的神经网络处理器称为DPU。深鉴已经公开发布了两款DPU:亚里士多德架构和笛卡尔架构,分别针对CNN以及DNN/RNN。
百度也发布了XPU,这是一款256核、基于FPGA的云计算加速芯片,合作伙伴是赛思灵(Xilinx)。XPU的目标是在性能和效率之间实现平衡,并处理多样化的计算任务。XPU的256个内核,集成了一个共享内存用于数据同步,所有内核都运行在600MHz
3、全定制化ASIC芯片 代表如TPU、Cambricon-1A等
ASIC:Application Specific Integrated Circuit
ASIC在集成电路界被认为是一种为专门目的而设计的集成电路。ASIC芯片技术发展迅速,目前ASIC芯片间的转发性能通常可达到1Gbs甚至更高,于是给交换矩阵提供了极好的物质基础。
TPU:Tensor Processing Unit Google 的张量处理器
Google在2017年5月的开发者大会上正是公布了TPU2,又称Cloud TPU.相比于TPU1,TPU2既可以勇于training,又可以用于inferrence.TPU1实用了脉动阵列的流处理结构。
4、类脑计算芯片 代表如IBM TrueNorth、westwell、高通Zeroth等
类脑计算:是指借鉴大脑中进行信息处理的基本规律,在硬件实现与软件算法等多个层面,对于现有的计算体系与系统做出本质的变革,从而实现在计算能耗、计算能力与计算效率等诸多方面的大幅改进
TrueNorth:IBM 2014年发布的仿人脑芯片,在这个只有邮票大小的硅片上,集成了100万个“神经元”,256个“突触”,4096个并行分布的神经内核,用了54亿个晶体管,然而功耗却只有70mW。
WestWell Lab:西井科技是一家专注研究Neuromorphic Engineering神经形态工程的类脑强人工智能商业公司,即模拟人脑神经元工作原理而制造出的芯片,它既具备人脑的学习能力,又具备强大的特定运算能力,仅需一块邮票大小的芯片,就能模仿人类大脑在短时间内处理海量的感官信息。
本人认为,以上4种技术架构的类型随着科技的发展不断最终将殊途同归,区别在于不同时期不同需求,这也是各个AI芯片创业公司为什么要进行卡位战的原因。但无论怎么发展,技术永远都是第一要义。