智能終端AI芯片的發(fā)展前景會是怎樣的

智能終端AI芯片產(chǎn)業(yè)呈現(xiàn)快速擴張之勢，未來可期。

2017年，華為率先發(fā)布麒麟970芯片，集成寒武紀的深度學習內(nèi)核。同年，蘋果發(fā)布雙核架構神經(jīng)網(wǎng)絡引擎（NeuralEngine）的A11Bionic芯片。2018年，華為和蘋果相繼發(fā)布7nm工藝的麒麟980和A12。2019年，華為和蘋果推出麒麟990和A13，AI處理性能進一步提升。目前AI處理能力已逐漸向中端產(chǎn)品滲透，除追求性能提升外，大部分終端AI芯片專注于基于推斷計算的應用場景進行優(yōu)化，少數(shù)的終端AI芯片具備訓練能力。根據(jù)ABIRe-search預測，2024年，終端AI芯片市場規(guī)模將增長至710億美元，2019年至2024年間的年復合增長率將達31%。

AI算力從云端向終端遷移

傳統(tǒng)意義上，大多數(shù)對神經(jīng)網(wǎng)絡的訓練和推理都是在云端或基于服務器完成的。隨著終端處理器性能的不斷提升，很多人工智能的推理工作，如模式匹配、建模檢測、分類和識別等逐漸從云端轉移到終端側。

這主要有三點原因。首先，AI能力的端側遷移是用戶使用場景所需的必然結果。數(shù)據(jù)由云走向邊緣。IDC數(shù)據(jù)統(tǒng)計，未來幾年內(nèi)邊緣側數(shù)據(jù)將達到總數(shù)據(jù)量的50%，這些數(shù)據(jù)由終端采集和產(chǎn)生，也需要端側AI芯片就近分析處理。其次，AI能力的端側遷移亦是提升人工智能用戶體驗的重要方式。在端側，人工智能關鍵優(yōu)勢包括即時響應、隱私保護增強、可靠性提升，此外，還能確保在沒有網(wǎng)絡連接的情況下用戶的人工智能體驗得到保障。最后，AI處理能力的端側遷移是人工智能數(shù)據(jù)隱私保護的需要。

終端AI芯片不斷演化

AI芯片也被稱為AI加速器或計算卡，即專門用于處理人工智能應用中涉及的各類算法的AI加速計算模塊（其他非AI加速計算任務仍由CPU負責）。作為AI技術的三大核心要素之一，芯片承載著AI應用部署的堅實基礎——計算能力。AI芯片算力的高速發(fā)展，是工業(yè)場景和自動駕駛等高實時性AI終端應用的有力保障。同時，芯片的算力和功耗之間的兼顧和優(yōu)化，是AI芯片未來發(fā)展的主題。各種類型的智能終端AI芯片還將在多種多樣的人工智能應用場景中進行差異化競爭。

AI終端芯片技術現(xiàn)狀

從通用芯片、專用芯片和異構結合三個維度，對基于人工智能場景的終端芯片的技術現(xiàn)狀進行分析。

通用芯片方面，智能終端常用的通用AI處理芯片主要是CPU、GPU、FPGA三種，在傳統(tǒng)CPU（CentralProcess-ingUnit）中，僅有單獨的ALU（邏輯運算單元）模塊是用來完成指令數(shù)據(jù)計算的，其他各種模塊的存在是為保證指令能串行有序執(zhí)行。這種通用結構對于傳統(tǒng)的編程計算模式非常適合，但是對于需要海量數(shù)據(jù)運算的深度學習的計算需求，無法提供足夠的AI專用計算支撐。

GPU依靠通用靈活的強大并行運算能力，契合當前人工智能中廣泛采用的深度學習所需要的密集數(shù)據(jù)和多維并算處理需求。按照比例來說，在CPU上約有20％的晶體管是用作計算的，而在GPU上有80％的晶體管可用作計算。高效的算數(shù)運算單元和簡化的邏輯控制單元，把串行訪問拆分成多個簡單的并行訪問，同時進行運算。如向量相加，可讓CPU串行循環(huán)對每一個分量做加法，也可讓GPU采用大量并行線程對應各個分量同時相加。

FPGA（FieldProgram-mableGateArray）即現(xiàn)場可編程門陣列，依靠電路級別的通用性，加上可編程性，適用于開發(fā)周期較短的IoT產(chǎn)品、傳感器數(shù)據(jù)預處理工作以及小型開發(fā)試錯升級迭代工作等。FPGA可靈活支持各類深度學習的計算任務，適合在推斷環(huán)節(jié)支撐海量的用戶實時計算請求。FPGA的可編程性是關鍵，讓智能終端及其應用設計公司能提供與其競爭對手不同的解決方案。

專用芯片方面，ASIC（ApplicationSpecificIn-tegratedCircuit，專用集成電路）細分市場需求確定后，以TPU為代表的ASIC定制化芯片，將在確定性執(zhí)行模型的應用需求中發(fā)揮作用。ASIC的特點是需要大量的研發(fā)投入，如果不能保證出貨量，其芯片成本難以下降，而且芯片的功能一旦流水線生產(chǎn)后則無更改余地，若市場深度學習方向一旦改變，ASIC前期投入將無法回收，具有較大的市場風險。但ASIC性能高于FPGA，在高出貨量下，其芯片成本可遠低于FPGA。

異構結合方面，AI處理芯片還可通過統(tǒng)籌多芯片任務處理，提高任務處理效率，幫助AI應用程序對數(shù)據(jù)進行分類及排序處理。這樣的處理模式并非完全依賴于專用AI芯片，芯片廠家可通過采用異構的芯片構架實現(xiàn)。由于AI場景眾多，神經(jīng)網(wǎng)絡自定義層繁復，單種處理器硬件已無法滿足所有需求，通過軟硬結合解決方案，如在已有芯片平臺加入神經(jīng)網(wǎng)絡處理引擎（NeuralPro-cessingEngine，NPE）來調(diào)動處理器中已有的CPU、GPU及其他計算模塊，可以實現(xiàn)面向人工智能任務的異構計算。通過軟硬結合的開放型異構計算可滿足AI的多場景需求、面向整個手機平臺所需的通用性和靈活性，也可更好地利用終端原有計算資源完成AI計算。

智能終端AI芯片展望

雖然我國智能終端芯片廠商在核心技術方面仍然依賴于國外廠商，但機遇與挑戰(zhàn)并存。依托國家政策并抓住發(fā)展機遇，我國相關AI芯片業(yè)的前景可期。同時，當前各廠商AI芯片不受制于傳統(tǒng)CPU芯片和軟件應用生態(tài)（如英特爾X86芯片），這對自主AI芯片的發(fā)展十分有利。

當前，國家政策持續(xù)利好。繼2017年國務院發(fā)布《新一代人工智能發(fā)展規(guī)劃》后，《促進新一代人工智能產(chǎn)業(yè)發(fā)展三年行動計劃（2018-2020年）》又吹響了前進的號角。同時從芯片資本市場來看，國家集成電路產(chǎn)業(yè)投資基金（二期）的募資工作已經(jīng)完成，規(guī)模在2000億元左右，撬動的社會資金規(guī)模可達6000億元左右。

面向未來，在技術發(fā)展策略層面，需要積極構建生態(tài)圈，支持國內(nèi)AI芯片企業(yè)自有指令集的研發(fā)。在產(chǎn)業(yè)應用方面，政府、事業(yè)單位和國有企業(yè)應優(yōu)先使用國產(chǎn)AI芯片，為國產(chǎn)芯片操作系統(tǒng)生態(tài)提供支持。同時，鼓勵我國智能終端AI芯片、框架和自主操作系統(tǒng)深度耦合全生態(tài)發(fā)展，研發(fā)與深度學習框架結合的AI芯片，構建芯片、操作系統(tǒng)和應用一體的軟硬結合技術體系。

責任編輯：ct