天之家IT资讯平台

导读：科技新知 原创 作者 | 樟稻编辑 | 伊页 转瞬之间，ILSVRC比赛（又称ImageNet比赛）已经停办了四年。作为机器视觉领域最受追捧也是最具权威的学术竞赛之一，自2010年开办以来，全球各知名AI企业皆以取得此项比赛最高名次为殊荣。 2012年，Krizhevsky团队采用G...

科技新知 原创

作者 | 樟稻编辑 | 伊页

转瞬之间，ILSVRC比赛（又称ImageNet比赛）已经停办了四年。作为机器视觉领域最受追捧也是最具权威的学术竞赛之一，自2010年开办以来，全球各知名AI企业皆以取得此项比赛最高名次为殊荣。

2012年，Krizhevsky团队采用GPU架构结合CNN（卷积神经网络）算法，在大赛中将图像识别错误率降到15.4%，以领先第二名10%的悬殊差距夺下桂冠。AlexNet的横空出世，使得全球范围内掀起了一波深度学习热潮，这一年也被称作“深度学习元年”。

卷积神经网络、深度学习等技术的不断突破，使芯片算力持续提升;新架构的出现继而解决神经网络算力问题，掀起AI芯片的研究热潮；2014年9月，国家集成电路产业投资基金（亦称大基金）设立，此后，千亿美元投入半导体产业，更是使芯片行业沸腾。

各项条件日益成熟后，2015年至2016年，是AI芯片发展的一个小高潮。一时间，大批创业公司争相涌入，如今翻看国内AI芯片创业公司的成立时间表，几乎都是在2015年左右。

此后三年，AI芯片技术和产品研发进入“百家争鸣”阶段，这一时期，赛道内诞生了很多新技术、新架构和新模式。但好景不长，进入2020年，AI芯片行业的热度不断下降，关于行业泡沫化的呼声越发高涨。

显然，自2017年到2020年，AI芯片经历了融资火热到泡沫出清的过程。按照行业的发展规律，AI芯片无疑面临两种结局，一种是彻底无人问津，另一种则是泡沫出清后再次起热，现阶段，行业似乎处在后一种局面。

本篇文章旨在对于国内AI芯片行业的现有局势进行分析，力图还原一个真实的赛道近况。

01

更快、更高、更强

“围棋人机大战”作为人工智能发展史上里程碑式的事件，在各路媒体报道下，成为一场专门为AI打造的全球科普盛会，人们籍此了解到人工智能已经渗透到日常工作和生活中。

少为人知的是，此次人机大战的主角，击败李世石和柯洁的AlphaGo，前后共经历了5个版本的迭代。

在最早的版本中，AlphaGo采用了176块GPU来解决运算问题，但AlphaGo的技术并没有因此止步，随后在第二版本中采用48块TPU配合分布式计算解决运算问题，第三版本后因为优化深度学习算法，仅采用4块TPU和单机即可完成任务，并且超过之前的成就。

而GPU、TPU的源头，皆来自我们熟悉的CPU，中央处理器。

现今，在算力、算法和大数据三驾马车的拉动下，全球人工智能进入第三次爆发期。作为引领人工智能的深度学习算法，对现有的芯片算力提出了更高的要求，传统的通用CPU由于计算效率低，难以适应Al的计算要求。

这时，GPU出现了，同属芯片技术架构，不同的是，GPU中超过80%部分为运算单元(ALU)，而CPU仅有20%。市面上有一种说法，“CPU是大学教授，做的是高数难题。GPU是一群小学生，做的是普通加减乘除”。此说法不甚准确，但GPU确实更擅长于大规模并行运算。

任何事物的产生、发展都有其自身的规律和内在动因。

芯片架构从CPU向GPU演进，背后是通用处理器的架构已经无法适应人工智能算法的高需求，在这一主因的推动下，除了GPU外，也出现了FPGA(现场可编程门阵列)、ASIC(专用集成电路)等异构芯片，以及类脑神经元结构芯片。

而TPU，则是谷歌在2015年6月I/O开发者大会上推出的计算神经网络专用芯片，正是搭载于AlphaGo系统才让其名声大振，本质上TPU是一种ASIC芯片方案。

现在，基本凑够了目前市面上最常用的三类AI芯片的技术架构，即GPU，FPGA，ASIC，三者在架构上各有出入，特性自然有所区别。

这里可以参考保罗克鲁格曼提出的“不可能三角”原理，即不同架构的芯片在通用性、性能、功耗方面有各自的优点和缺点。