葡京信誉博彩(2)

综合来看，训练芯片由于对算力的特殊要求，只适合在云端部署，而且多采用的是“CPU+加速芯片”类似的异构模式，加速芯片可以是GPU，也可以是FPGA或者是ASIC专用芯片。

AI训练芯片市场集中度高，英伟达和谷歌领先，英特尔和AMD正在积极切入。推理在云端和终端都可进行，市场门槛相对较低，市场参与者较多。

云端推理芯片除了传统的英伟达、谷歌、赛灵思等芯片大厂外，Groq等国际新兴力量也在加入竞争，国内寒武纪、比特大陆也有不错表现;终端推理芯片市场较为分散，场景各异，参与者除了英伟达、英特尔、ARM和高通之外，国内企业如寒武纪、地平线、云知声、云天励飞等在各自细分领域均有所建树。

GPU擅长云端训练，但需与CPU异构、功耗高且推理效率一般

GPU(GraphicsProcessingUnit)是一种由大量核心组成的大规模并行计算架构，专为同时处理多重任务而设计的芯片。

正是由于其具备良好的矩阵计算能力和并行计算优势，最早被用于AI计算，并在云端获得大量应用。

GPU中超过80%部分为运算单元(ALU)，而CPU仅有20%，因此GPU更擅长于大规模并行运算。以英伟达的GPUTITANX为例，该产品在深度学习中所需训练时间只有CPU的1/10不到。

但GPU用于云端训练也有短板，GPU需要同CPU进行异构，通过CPU调用才能工作，而且本身功耗非常高。

同时，GPU在推理方面需要对单项输入进行处理时，并行计算的优势未必能够得到很好的发挥，会出现较多的资源浪费。

FPGA芯片算力强、灵活度高，但技术难度大国内差距较为明显

FPGA(Field-ProgrammableGateArray)即现场可编程门阵列，该芯片集成了大量的基本门电路以及存储器，其灵活性介于CPU、GPU等通用处理器和专用集成电路ASIC之间，在硬件固定之前，允许使用者灵活使用软件进行编程。

FPGA在出厂时是“万能芯片”，用户可根据自身需求，用硬件描述语言对FPGA的硬件电路进行设计;每完成一次烧录，FPGA内部的硬件电路就有了确定的连接方式，具有了一定的功能;输入的数据只需要依次经过各个门电路，就可以得到输出结果。

FPGA应用于AI有以下优势:

(1) 算力强劲。

由于FPGA可以同时进行数据并行和任务并行计算，在处理特定应用时效果更加明显，对于某一个特定的运算，FPGA可以通过编辑重组电路，生成专用电路，大幅压缩计算周期。从赛灵思推出的FPGA产品看，其吞吐量和时延指标都好于CPU和GPU产品。

(2) 功耗优势明显。

FPGA能耗比是CPU的10倍以上、GPU的3倍。由于在FPGA中没有取指令与指令译码操作，没有这部分功耗;而在复杂指令集(X86)的CPU中仅仅译码就占整个芯片能耗的约50%，在GPU里取指与译码也会消耗10%至20%的能耗。

(3)灵活性好。

使用通用处理器或ASIC难以实现的下层硬件控制操作技术，利用FPGA可以很方便的实现，从而为算法的功能实现和优化留出了更大空间。

(4)成本相对ASIC具备一定优势。

FPGA一次性成本(光刻掩模制作成本)远低于ASIC，在芯片需求还未成规模、深度学习算法暂未稳定需要不断迭代改进的情况下，利用具备可重构特性的FPGA芯片来实现半定制的人工智能芯片是最佳选择。

正因为存在上述优势，FPGA被广泛用于AI云端和终端的推理。国外包括亚马逊、微软都推出了基于FPGA的云计算服务，而国内包括腾讯云、阿里云均在2017年推出了基于FPGA的服务，百度大脑也使用了FPGA芯片。

从市场格局上看，全球FPGA长期被Xilinx(赛灵思)、Intel(英特尔)、Lattice(莱迪思)、Microsemi(美高森美)四大巨头垄断。其中，赛灵思和英特尔合计占到市场的90%左右，赛灵思的市场份额超过50%，国内厂商刚刚起步，差距较大。