网上搏彩新葡京
前 言：
当前，在算力、算法和大数据三驾马车的支撑下，全球人工智能进入第三次爆发期。然而，作为引爆点的深度学习算法，对现有的算力尤其是芯片提出了更为苛刻的要求。
在AI场景中，传统通用CPU由于计算效率低难以适应AI计算要求，GPU、FPGA以及ASIC等AI芯片凭借着自身特点，要么在云端，要么在边缘端，有着优异表现，应用更广。
从技术趋势看，短期内GPU仍将是AI芯片的主导，长期看GPU、FPGA以及ASIC三大技术路线将呈现并行态势。
从市场趋势看，全球AI芯片需求将保持较快增长势头，云端、边缘芯片均具备较大增长潜力，预计未来5年市场增速将接近50%;国内虽然芯片技术差距较大，但随着AI应用的快速落地，AI芯片需求增长可能更为迅速。
▌人工智能芯片发展现状及趋势
深度学习算法对芯片要求更为苛刻，通用CPU性价比相对较差
经历了60多年的起起伏伏之后，人工智能终于迎来了第三次爆发。
第三次爆发的核心引爆点是深度学习算法的出现，但其背后的支撑是数据和算力。对整个AI行业来讲，算法、数据和算力三大基本要素中，数据尤其是海量数据的获取和处理难度在下降，算法也在深度学习模型的基础上不断优化，而负责将数据和深度算法统一协调起来的芯片能否获得大的飞跃，成为市场关注的焦点。
深度学习算法对芯片性能需求主要表现在三个方面:
1.海量数据在计算和存储单元之间的高速通信需求。这不但需要芯片具备强大的缓存和片上存储能力，而且还需要计算和存储单元之间有较大的通信带宽。
2.专用计算能力需求高。深度学习算法中有大量卷积、残差网络、全连接等特殊计算需要处理，还需要提升运算速度，降低功耗。
3.海量数据自身处理同样也对芯片提出了新的要求，尤其是非结构化数据的增多，对传统芯片结构造成了较大的压力。
通用CPU在深度学习中可用但效率较低。比如在图像处理领域，主要用到的是CNN(卷积神经网络)，在自然语言识别、语音处理等领域，主要用到的是RNN(循环神经网络)，虽然这两种算法模型有着较大的区别，但本质上都是向量和矩阵运算，主要是加法和乘法，辅助一些除法和指数运算。
传统CPU可用于做上述运算，但是CPU还有大量的计算逻辑控制单元，这些单元在AI计算中是用不上的，造成了CPU在AI计算中的性价比较低。
关注乐晴智库 ( 网站:www.767stock.com，公众号ID: lqzk767) 获取更多深度行业研究报告。
GPU、FPGA以及ASIC各有优劣，成为当前AI芯片行业的主流
正因为CPU在AI计算上的弱点，给了可以实现海量并行计算且能够对进行计算加速的AI芯片留下了市场空间。
从广义上讲，面向AI计算的芯片都可以称为AI芯片，包括基于传统架构的GPU、FPGA以及ASIC(专用芯片)，也包括正在研究但离商用还有较大差距的类脑芯片、可重构AI芯片等。
云端训练芯片市场较为集中，而推理市场云、边两端均有大量企业参与按照部署位置划分，AI芯片可以分为云端芯片和边缘端芯片。
云端芯片部署位置包括公有云、私有云或者混合云等基础设施，主要用于处理海量数据和大规模计算，而且还要能够支持语音、图片、视频等非结构化应用的计算和传输，一般情况下都是用多个处理器并行完成相关任务;
边缘端AI芯片主要应用于嵌入式、移动终端等领域，如摄像头、智能手机、边缘服务器、工控设备等，此类芯片一般体积小、耗电低，性能要求略低，一般只需具备一两种AI能力。
按照承担的任务分，AI芯片可以划分为训练芯片和推理芯片。
训练是指通过大量标记过的数据在平台上进行“学习”，并形成具备特定功能的神经网络模型;推理则是利用已经训练好的模型输入新数据通过计算得到各种结论。
训练芯片对算力、精度要求非常之高，而且还需要具备一定的通用性，以适应多种算法的训练;推理芯片更加注重综合能力，包括算力能耗、时延、成本等因素。