侵权投诉
订阅
纠错
加入自媒体

2019年AI芯片产业深度研究报告

2019-07-02 09:28
来源: 芯智讯

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。

image.png

image.png

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(Application Specific Integrated Circuits),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。

image.png

image.png

3、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 Pascal GPU,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 Radeon Instinct 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。

image.png

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。由于其具备高性能低消耗的特点,可以基于多个人工智能算法进行定制,以应对不同的场景,未来在训练和推理市场上都有较大空间。

<上一页  1  2  3  4  5  6  下一页>  
声明: 本文系OFweek根据授权转载自其它媒体或授权刊载,目的在于信息传递,并不代表本站赞同其观点和对其真实性负责,如有新闻稿件和图片作品的内容、版权以及其它问题的,请联系我们。

发表评论

0条评论,0人参与

请输入评论内容...

请输入评论/评论长度6~500个字

您提交的评论过于频繁,请输入验证码继续

暂无评论

暂无评论

文章纠错
x
*文字标题:
*纠错内容:
联系邮箱:
*验 证 码:

粤公网安备 44030502002758号