葡京信誉博彩(3)

专用芯片(ASIC)深度学习算法加速应用增多，可提供更高能效表现和计算效率ASIC(ApplicationSpecificIntegratedCircuits)，即专用芯片，是一种为特定目的、面向特定用户需求设计的定制芯片，具备性能更强、体积小、功耗低、可靠性更高等优点。在大规模量产的情况下，还具备成本低的特点。

ASIC与GPU、FPGA不同，GPU、FPGA除了是一种技术路线之外，还是实实在在的确定产品，而ASIC只是一种技术路线或者方案，其呈现出的最终形态与功能也是多种多样的。

近年来，越来越多的公司开始采用ASIC芯片进行深度学习算法加速，其中表现最为突出的ASIC就是Google的TPU(张量处理芯片)。

TPU是谷歌为提升AI计算能力同时大幅降低功耗而专门设计的芯片。该芯片正式发布于2016年5月。

TPU之所以称为AI专用芯片，是因为它是专门针对TensorFlow等机器学习平台而打造，该芯片可以在相同时间内处理更复杂、更强大的机器学习模型。

谷歌通过数据中心测试显示，TPU平均比当时的GPU或CPU快15-30倍，性能功耗比(TFOPS/Watt)高出约30-80倍。

但是，ASIC一旦制造完成以后就不能修改了，且研发周期较长、商业应用风险较大，目前只有大企业或背靠大企业的团队愿意投入到它的完整开发中。

国外主要是谷歌在主导，国内企业寒武纪开发的Cambricon系列处理器也广泛受到关注。其中，华为海思的麒麟980处理器所搭载的NPU就是寒武纪的处理器IP。

短期内GPU仍将是AI芯片主导，长期看三大技术路线将呈现并行态势

短期内GPU仍将主导AI芯片市场，FPGA的使用将更为广泛

GPU短期将延续AI芯片的领导地位。GPU作为市场上AI计算最成熟、应用最广泛的通用型芯片，应用潜力较大。凭借其强大的计算能力、较高的通用性，GPU将继续占领AI芯片的主要市场份额。

当前，两大GPU厂商都还在不断升级架构并推出新品，深度学习性能提升明显，未来应用的场景将更为丰富。

英伟达凭借着其在矩阵运算上的优势，率先推出了专为深度学习优化的PascalGPU，而且针对GPU在深度学习上的短板，2018年推出了Volta架构，正在完成加速-运算-AI构建的闭环;AMD针对深度学习，2018年推出RadeonInstinct系列，未来将应用于数据中心、超算等AI基础设施上。

我们预计，在效率和场景应用要求大幅提升之前，作为数据中心和大型计算力支撑的主力军，GPU仍具有很大的优势。

FPGA是短期内AI芯片市场上的重要增长点，FPGA的最大优势在于可编程带来的配置灵活性，在当前技术与运用都在快速更迭的时期，FPGA具有明显的实用性。

企业通过FPGA可以有效降低研发调试成本，提高市场响应能力，推出差异化产品。

在专业芯片发展得足够完善之前，FPGA是最好的过渡产品，正因为如此，科技巨头纷纷布局云计算+FPGA的平台。

随着FPGA的开发者生态逐渐丰富，适用的编程语言增加，FPGA运用会更加广泛。因此短期内，FPGA作为兼顾效率和灵活性的硬件选择仍将是热点所在。

长期来看GPU、FPGA以及ASIC三大类技术路线将并存

GPU主要方向是高级复杂算法和通用型人工智能平台。

(1) 高端复杂算法实现方向。由于GPU本身就具备高性能计算优势，同时对于指令的逻辑控制上可以做的更复杂，在面向复杂AI计算的应用方面具有较大优势。

(2) 通用型的人工智能平台方向。GPU由于通用性强，性能较高，可以应用于大型人工智能平台够高效地完成不同种类的调用需求。

FPGA未来在垂直行业有着较大的空间。由于在灵活性方面的优势，FPGA对于部分市场变化迅速的行业最为实用。

同时，FPGA的高端器件中也可以逐渐增加DSP、ARM核等高级模块，以实现较为复杂的算法。

随着FPGA应用生态的逐步成熟，FPGA的优势也会逐渐为更多用户所认可，并得以广泛应用。

ASIC长远来看非常适用于人工智能，尤其是应对未来爆发的面向应用场景的定制化芯片需求。

ASIC的潜力体现在，AI算法厂商有望通过算法嵌入切入该领域，以进入如安防、智能驾驶等场景。