二、AI芯片发展的技能方向

广义而言，AI芯片指的是专门用于处理人工智能运用中大量打算任务的模块，即面向人工智能领域的芯片均被称为AI芯片。
狭义的AI芯片指的是针对人工智能算法做了分外加速设计的芯片[1,2]。
从技能架构来看，AI芯片紧张分为图形处理器（GPU）、现场可编程门阵列（FPGA）、专用集成电路（ASIC）、类脑芯片四大类。
个中，GPU为通用型人工智能芯片，FPGA和ASIC是针对AI需求特色的半定制和全定制芯片，类脑芯片则是一种模拟人脑神经系统构造和功能的处理器。

（一）图形处理器（GPU）。
GPU最初是专门用来做图像处理的，如图像渲染、殊效制作等，后因其精良的矩阵打算能力和并发打算的架构，被广泛利用于AI领域。
目前，GPU已成为AI领域最为成熟和广泛运用的通用型芯片，在数据中央、超级打算机等大型打算举动步伐中备受青睐，在AI芯片市场中霸占主导地位。

在环球GPU厂商中，英伟达GPU技能一贯处于领先水平，其领悟了统一打算设备架构CUDA，构建起软硬件高性能打算的生态壁垒。
2022年3月，英伟达在GPU技能大会（GPU Technology Conference）上发布了基于新一代Hopper架构的高性能GPU芯片H100，其配备第四代Tensor Core和Transformer引擎，与上一代产品比较，H100的综合技能创新可以将AI大型措辞模型的速率提高30倍。

（二）现场可编程门阵列（FPGA）。
FPGA是一种灵巧可编程的硬件平台，具备较高的打算性能和可定制性等优点，能够对AI算法进行加速和优化。
在不断迭代的AI算刑场景下，FPGA凭借其灵巧性、低功耗和低延时的技能优点，在AI推理运用中表现出色。
2022年11月，英特尔发布基于第二代英特尔Hyperflex FPGA架构的Agilex FPGA芯片，个中整合引入了AI张量模块的增强型数字旗子暗记处理（DSP）功能模块，能够更好支持AI/图像/***处理以及可实行复数打算的DSP密集型运用。

（三）专用集成电路（ASIC）。
ASIC是针对用户对特定电子系统的需求而设计的专用集成电路，其打算能力和打算效率可根据算法须要进行定制，是固定算法最优化设计的产物。
2016年，谷歌发布ASIC芯片TPU v1，紧张运用于AI推理过程。
自此，ASIC战胜了GPU价格昂贵、功耗高的缺陷，开始逐渐运用于AI领域，成为AI芯片的主要分支。
2017年5月，谷歌发布TPU v2，比较于TPU v1，TPU v2最大的特色在于它既可以用于AI演习，又可以用于AI推理。
2018年5月，谷歌发布TPU v3，可实现超过100PFLOPS的处理能力，险些是TPU v2的8倍。
2022年5月，谷歌又推出TPU v4，比较于英伟达A100芯片，处理速率最高快1.7倍，节能效率提高1.9倍。

2022年3月，中国寒武纪公司推出训推一体AI加速卡MLU370-X8，搭载双芯片四芯粒思元370，集成寒武纪MLU-Link多芯互联技能，可运用于YOLOv3、Transformer等AI演习任务中，每张加速卡可得到200GB/s的通讯吞吐性能，是PCIe4.0带宽的3.1倍，可高效实行多芯多卡AI演习和分布式AI推理任务。

（四）类脑芯片。
类脑芯片是结合微电子技能和新型神经形态器件，模拟人脑神经系统进行设计的AI处理器，旨在打破“冯·诺依曼瓶颈”，实现超低功耗和并行打算能力。
类脑芯片被认为是后摩尔时期主要的发展方向之一，可能成为未来智能打算的打破口。

2017年，清华大学研发出第二代异构领悟类脑芯片“天机芯”，其具有高速率、高性能、低功耗的特点，制程为28纳米。
比较于当时天下前辈的IBM的TrueNorth芯片，其功能更全、灵巧性和扩展性更好，密度提升20%，速率提高至少10倍，带宽提高至少100倍。
2019年，基于“天机芯”研究成果的论文《面向人工通用智能的异构天机芯片架构》（Towards Artificial General Intelligence with Hybrid Tianjic Chip Architecture）作为封面文章登上《自然》（Nature）杂志。
2021年4月，英特尔发布第二代神经拟态芯片Loihi 2，其集成神经元达到100万个，是上一代的7.8倍，处理速率提高10倍。

作者简介

刘纪铖 *** 发展研究中央国际技能经济研究所研究二室

研究方向：信息领域计策、技能和家当前沿

联系办法：liujc206@163.com