为什么很多国内公司在做 AI 芯片？

2020 年 10 月 9 日
筆記

据网上搜到的新闻报道，截止2019年，已经有20家企业投入到 AI 芯片的研发中，其中有很多厂商的芯片已经流片甚至商用了。为何有这么多公司在做AI芯片呢？简单来讲就是四个字：有利可图。具体来说有以下三点。

1. 算法对算力需求很大

其实神经网络、反向传播的算法早在1986年就提出来了，但是深度学习从2012年开始才大放异彩，原因是它需要输入海量数据和非常大的算力，在当时不具备这样的条件。如今随着人工智能在图像识别、语音识别、自动翻译等领域的飞速发展，新的模型每天都在出现。他们对算力的要求越来越高，据统计算力需求在2012年之后每3.4个月翻一番。算力即完成任务所需的计算次数。Google 2019年提出的 EfficientNet B7的深度学习模型，每次推理需要360亿次基本运算，是七年前同类模型(AlexNet)运算需求的50倍。人工智能领域所涉及运算常具有大运算量、高并发、访存带宽高的特点。

2. AI 落地对能效要求高

首先明确两个概念：能效和通用性。能效指单位功耗内能做多少次运算，通用性指能覆盖多大应用面。能效使用TOPS/W(Tera Operations per Second per Watt)，即每秒每瓦可进行的十亿次操作数量来衡量。AI 专用芯片可以做到 100 TOPS/W以上，是 CPU 的万倍，GPU 的百倍以上。

传统芯片的速度和能效难以满足大规模深度学习应用的需求。传统的 CPU 等通用处理器类似瑞士军刀，什么都可以做，但是效果一般。比如在某些特定领域如深度学习类型的运算上速度不够快。GPU 因为支持大规模并发，可以用于深度学习运算。但是它最初是面向图形渲染领域，并不是专用于神经网络运算的，所以能效并不高，价格很贵，只适合在服务器上使用。2016年 Alpha Go 与李世石对弈时，用了1202个CPU和176个GPU，每盘棋耗资上千美元的电费，而人类选手李世石的功耗仅为20瓦。

目前 AI 行业迅猛发展，市场容量越来越大，单纯安防这个视频分析领域就能诞生四个独角兽，所以研究机构及公司就有动力去设计制造更专用的处理器芯片。设计芯片的目标就是算的更快、更精确，价格更低。未来每台计算机可能都需要配备 AI 芯片，就跟现在的 GPU 一样。目前国内的一些 AI 厂商在落地时，成本中有一大半是硬件的成本，而硬件中绝大部分成本都在 GPU 上。所以目前深度学习的落地成本还很高，要想让 AI 走进寻常百姓家还有待时日。

3. 国家政策支持

自2015年以来，国务院、工信部、国家发改委、财政部等陆续颁布了很多针对性的优惠政策，确定了很多重大专项，明确了要重点突破高端处理器领域。这些政策为行业提供了财政、税收、技术和人才等多方面的支持，可以说 AI 及芯片领域未来可期。

国内多家做 AI 芯片的公司

今年年中上市的寒武纪做通用的 AI 芯片，产品覆盖云边端，有推理也有训练。华为在19年前在手机上采用的寒武纪芯片，后来自研的芯片出来之后跟寒武纪分道扬镳。华为产品也是覆盖云边端，强调云边一体的开发体验。创业公司地平线主要做自动驾驶和AIoT场景下的边缘侧芯片。紫光展锐推出的“虎贲”和“春藤”，主要覆盖通信和物联网芯片。还有一些区块链企业，比如嘉楠科技和比特大陆。一线互联网公司如阿里平头哥的玄铁910，百度昆仑，腾讯云等。新晋的人工智能企业如依图也发布了了自己的AI芯片求索。

如果希望看到更多人工智能领域的科普，请点右下角“推荐”！