算力至上？四大AI芯片大对决( 三 ) 来源|老石谈芯（ID:laoshi_tanxi

文章插图
但是，研发这样的芯片有着极高的成本和风险。与软件开发不同，芯片开发全程都需要大量的人力物力投入，开发周期往往长达数年，而且失败的风险极大。放眼全球，同时拥有雄厚的资金实力和技术储备以进行这类研发的公司，大概用两只手就能数的出来。也就是说，这种方案对于大多数公司而言并可能没有直接的借鉴意义。
此外呢， AI专用芯片的灵活性往往比较低。顾名思义，包括谷歌TPU在内的AI专用芯片，通常是针对某种特定应用而设计开发，因此它可能很难适用于其他的应用。在使用成本的角度，如果要采用基于ASIC的方案，就需要这类目标应用有足够的使用量，以分摊高昂的研发费用。同时，这类应用需要足够稳定，避免核心的算法和协议不断变化。而这对于很多AI应用来说是不现实的。
值得一提的是，我国在人工智能专用芯片领域涌现出来了一波优秀的公司，比如寒武纪、地平线，还有之前被赛灵思收购的深鉴科技等等。受篇幅限制，关于这些公司的具体产品和技术，这里就不再展开了。
文章插图
FPGA
最后再来说一下FPGA 。我个人认为， FPGA能够在这些性能指标中达到比较理想的平衡。当然了，我目前的职业就和FPGA紧密相关，所以这个结论有屁股决定脑袋之嫌，谨供大家借鉴。
文章插图
在性能方面， FPGA可以实现定制化的硬件流水线，并且可以在硬件层面进行大规模的并行运算，而且有着很高的吞吐量。
FPGA最主要的特点其实是它的灵活性，它可以很好的应对包括计算密集型和通信密集型在内的各类应用。此外， FPGA有着动态可编程、部分可编程的特点，也就是说， FPGA可以在同一时刻处理多个应用，也可以在不同时刻处理不同的应用。
在数据中心里，目前FPGA通常以加速卡的形式配合现有的CPU进行大规模部署。 FPGA的功耗通常为几十瓦，对额外的供电和散热等环节没有特殊要求，因此可以兼容数据中心的现有硬件基础设施。
在衡量AI芯片的时候，我们也经常使用性能功耗比这个标准。也就是说，即使某种芯片的性能非常高，但是功耗也非常高的话，那么这个芯片的性能功耗比就很低。这也是FPGA相比GPU更有优势的地方。
文章插图
在开发成本方面， FPGA的一次性成本其实远低于ASIC ，因为FPGA在制造出来之后，可以通过重复编程来改变它的逻辑功能。而专用芯片一旦流片完成就不能修改了，但是每次流片都会耗资巨大。这也是为什么包括深鉴在内的很多AI芯片的初创企业，都使用FPGA作为实现平台的原因。
所以说，相比其他硬件加速单元而言， FPGA在性能、灵活性、同构性、成本和功耗五个方面达到了比较理想的平衡，这也是微软最终选用FPGA ，并在数据中心里进行大规模部署的主要原因，有兴趣的朋友，可以看之前的文章《FPGA在微软数据中心的前世今生》。
文章插图
结语
在这篇文章里，我们讨论了人工智能芯片的主要分类，比如按应用场景，可以分成服务器端和移动端两类。我们介绍了四种可以用来执行人工智能应用的芯片，分别是CPU、GPU、ASIC和FPGA 。我们还根据一个思维框架，从性能、灵活性、同构性、功耗、成本五个方面，分别衡量了这四种芯片的优缺点。
事实上，对于这个问题并没有一个唯一的答案。我们只有根据特定的“Context” ，也就是具体情况具体分析，才能找到最适用于某个应用的AI芯片。而这种理性的思维方式，其实也适用于我们日常工作和生活的各种事情，这也是本文想要传达的最重要的内容。
文章插图
【算力至上？四大AI芯片大对决】（注：本文仅代表作者个人观点，与任职单位无关。）
文章插图
文章插图