隨著人工智能的發(fā)展，芯片的設(shè)計(jì)不僅要能夠滿足人工智能對計(jì)算力的需求，還要能夠適應(yīng)不斷變化的產(chǎn)業(yè)需要。在不同的應(yīng)用領(lǐng)域和不同的位置，前端還是數(shù)據(jù)中心，甚至邊緣計(jì)算等應(yīng)用場景。劉斌表示：一種芯片是沒辦法解決所有問題的。從移動設(shè)備，到服務(wù)器，再到云服務(wù)、機(jī)器學(xué)習(xí)和人工智能的加速，需要不同種類的技術(shù)支持，需要能夠支持從毫瓦級到千瓦級的多種架構(gòu)。

在英特爾人工智能領(lǐng)域，除了FPGA之外，還提供了ASIC方案下的NNP神經(jīng)網(wǎng)絡(luò)計(jì)算加速器、Movidius專注前端智能攝像頭領(lǐng)域和Mobieye加速芯片，在無人車領(lǐng)域做視覺相關(guān)的物體、道路、異常情況的監(jiān)測。

過去30多年，摩爾定律幾乎每年都會推動微處理器的性能提升50%，而半導(dǎo)體的物理學(xué)限制卻讓其放慢了腳步。如今，CPU的性能每年只能提升10%左右。事實(shí)上，英偉達(dá)CEO黃仁勛在每年的GTC上都會提到同一件事——摩爾定律失靈了。也就是說，人們要獲得更強(qiáng)的計(jì)算力，需要花費(fèi)更多的成本。與此同時，GPU的崛起速度令人咂舌，看看英偉達(dá)近兩年的股價就知道了。

隨著人工智能、深度學(xué)習(xí)等技術(shù)的興起與成熟，起初為圖像渲染而生的GPU找到了新的用武之地，以GPU驅(qū)動的計(jì)算環(huán)境隨處可見，從HPC到AI訓(xùn)練。站在數(shù)字世界、高性能計(jì)算、人工智能的交叉口，GPU悄然成為了計(jì)算機(jī)的大腦。將性能從10倍提升至100倍，GPU的加速能力遠(yuǎn)超以X86架構(gòu)構(gòu)建的CPU系統(tǒng)，將時間壓縮至分鐘級別，功耗也相對較低。

2006年，借助CUDA（Compute Unified Device Architecture，通用計(jì)算架構(gòu)）和Tesla GPU平臺，英偉達(dá)將通用型計(jì)算帶入了GPU并行處理時代，這也為其在HPC領(lǐng)域的應(yīng)用奠定了基礎(chǔ)。作為并行處理器，GPU擅長處理大量相似的數(shù)據(jù)，可以將任務(wù)分解為數(shù)百或數(shù)千塊同時處理，而傳統(tǒng)CPU則是為串行任務(wù)所設(shè)計(jì)，在X86架構(gòu)下進(jìn)行多核編程是很困難的，并且從單核到四核、再到16核有時會導(dǎo)致邊際性能增益。同時，內(nèi)存帶寬也會成為進(jìn)一步提高性能的瓶頸。

與以往的通用算法相比，深度學(xué)習(xí)對計(jì)算性能的要求則到了另一個量級上。盡管在GPU中運(yùn)行并行核心時處理的應(yīng)用數(shù)量相同，但在系統(tǒng)中單個內(nèi)核的使用效率卻更高。此外，經(jīng)過重寫的并行函數(shù)在應(yīng)用程序關(guān)鍵部分運(yùn)行時，在GPU上跑的速度更快。

更重要的是，英偉達(dá)在利用GPU構(gòu)建訓(xùn)練環(huán)境時還考慮到了生態(tài)的重要性，這也是一直以來困擾人工智能發(fā)展的難題。首先，英偉達(dá)的NVIDIA GPU Cloud上線了AWS、阿里云等云平臺，觸及到了更多云平臺上的開發(fā)者，預(yù)集成的高性能AI容器包括TensorFlow、PyTorch、MXNet等主流DL框架，降低了開發(fā)門檻、確保了多平臺的兼容性。

其次，英偉達(dá)也與研究機(jī)構(gòu)、大學(xué)院校，以及向Facebook、YouTube這樣的科技巨頭合作，部署GPU服務(wù)器的數(shù)據(jù)中心。同時，還為全球數(shù)千家創(chuàng)業(yè)公司推出了Inception項(xiàng)目，除了提供技術(shù)和營銷的支持，還會幫助這些公司在進(jìn)入不同國家或地區(qū)的市場時，尋找潛在的投資機(jī)會。

可以說，英偉達(dá)之于GPU領(lǐng)域的成功除了歸功于Tesla加速器、NVIDIA DGX、NVIDIA HGX-2這些專屬的工作站或云服務(wù)器平臺，更依托于構(gòu)建了完整的產(chǎn)業(yè)鏈通路，讓新技術(shù)和產(chǎn)品有的放矢，從而形成了自己的生態(tài)圈，這也是英特爾難以去打破的。

在不久前舉行的谷歌I/O 2018開發(fā)者大會上，TPU3.0正式亮相。根據(jù)官方介紹，TPU3.0的計(jì)算能力最高可達(dá)100PFlops，是TPU2.0的8倍多。TPU的英文全名是Tensor Processor Unit，它是谷歌自主研發(fā)的針對深度學(xué)習(xí)加速的專用人工智能芯片。TPU是專為谷歌深度學(xué)習(xí)框架TensorFlow設(shè)計(jì)的人工智能芯片。著名的AlphaGo使用的就是TPU2.0芯片。

目前大多數(shù)人工智能企業(yè)青睞于GPU芯片，而TPU相對于GPU而言，采用8位低精度計(jì)算節(jié)省晶體管，對精度影響很小但是卻可以大幅節(jié)約功耗。尤其是當(dāng)大面積集成系統(tǒng)時，TPU不僅性能更強(qiáng)，功耗也會大幅低于GPU集成系統(tǒng)。由于芯片能力非常強(qiáng)大，谷歌使用了液冷散熱技術(shù)，可以幫助TPU更好的為數(shù)據(jù)中心服務(wù)。

除了強(qiáng)大的性能外，谷歌在生態(tài)系統(tǒng)的建設(shè)上做了大量的工作。在TPU1.0和2.0的初期，谷歌并沒有大規(guī)模推進(jìn)其商業(yè)化，而是圍繞生態(tài)做文章。這就意味著要投入巨額的成本，而且冒著極大的市場風(fēng)險(xiǎn)。當(dāng)然，背后的潛在市場也是巨大的。在人工智能市場競爭激烈的形勢下，吸引到更多的開發(fā)者到谷歌的生態(tài)系統(tǒng)中，將會比對手有更強(qiáng)的競爭優(yōu)勢。

目前谷歌正快速擴(kuò)張自己的云計(jì)算業(yè)務(wù)，TPU也依托于云平臺運(yùn)行。通過更低的售價讓人工智能開發(fā)企業(yè)拋棄GPU，轉(zhuǎn)投成本更低的TPU服務(wù)，是谷歌目前正在大力發(fā)展的業(yè)務(wù)。如果TPU無法獲得巨大的市場份額從而降低單顆TPU的成本，那么谷歌將很難在人工智能市場盈利。不過，TPU強(qiáng)勁的計(jì)算性能和集群計(jì)算陣列可以讓人工智能開發(fā)企業(yè)更快的開展業(yè)務(wù)。TPU的強(qiáng)大，讓谷歌在人工智能芯片領(lǐng)域已稱霸一方。

上游廠商喊得再歡，落地到千人千面的行業(yè)場景中也要由解決方案商來幫忙，無論是GPU、FPGA還是TPU，最終還是要聽聽客戶的使用感受。為此，我們采訪了人工智能產(chǎn)品和行業(yè)解決方案提供商曠視科技。曠視科技利用自主研發(fā)的深度學(xué)習(xí)算法引擎Brain++，服務(wù)于金融安全、城市安防、手機(jī)AR、商業(yè)物聯(lián)、工業(yè)機(jī)器人等五大核心行業(yè)。

在曠視科技看來，GPU、FPGA、TPU在通用性和能效比之間的取舍不同。其中，GPU最成熟，但也最耗資源，常用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)和服務(wù)端；FPGA最靈活，能支持應(yīng)用中出現(xiàn)的特殊操作，但要考慮靈活度和效率之間的trade-off；TPU相對最不靈活，但如果場景合適則能發(fā)揮出最大功用。

如果拿汽車類比，GPU是大巴車，適合多人同目標(biāo)；FPGA是小轎車，能到任何地方，但得自己會開；而TPU是火車，只能在比公路少的多的鐵軌上開，但開的飛快。人工智能還在快速發(fā)展，還處于在各個行業(yè)落地的過程中。這個階段對GPU，F(xiàn)PGA和TPU都有需求。

目前，曠視科技選擇的是T型技術(shù)方案，即在維持一定廣度的同時，深耕某些應(yīng)用場景，因此在算法實(shí)際落地的過程中，自然而然地產(chǎn)生了從GPU/CPU到FPGA的需求。GPU主要用于訓(xùn)練，而FPGA能在端上能提供比GPU更好的性能功耗比。CPU則是無處不在的“默認(rèn)"選擇。未來，不排除采用TPU的方案來進(jìn)一步提高端上的能力。

從行業(yè)來看，當(dāng)前IoT領(lǐng)域?qū)I芯片的需求最為迫切，原因是IoT領(lǐng)域要求在有限的功耗下完成相應(yīng)的AI任務(wù)，最需要性能功耗比高的AI芯片。至于未來要借助AI賦能各個行業(yè)，曠視科技認(rèn)為，最初階段可能都會先用GPU的AI方案，因?yàn)楹驮搭^（即神經(jīng)網(wǎng)絡(luò)訓(xùn)練階段）銜接最好。另外對于中心化的應(yīng)用，只要GPU按現(xiàn)在的“黃定律”的速度迭代前進(jìn)，基于GPU在大批量處理數(shù)據(jù)的場景下仍然經(jīng)常是公開可得的最佳方案。