清华-人工智能芯片报告-2018.10-44页-2mb

人工智能芯片研究报告总结

核心内容

人工智能芯片是支撑人工智能算法执行的核心硬件，其发展与人工智能算法、数据量及计算需求密切相关。AI芯片主要分为传统CPU、GPU、FPGA、ASIC和类脑芯片五类，每类芯片都有其独特的技术特点和应用场景。AI芯片的发展历程经历了多个阶段，从最初的通用计算架构到现在的专用加速芯片，推动了人工智能的广泛应用。

主要观点

1. AI芯片分类：

   • 技术架构分类：GPU、FPGA、ASIC，以及新兴的类脑芯片。
   • 功能分类：训练和推断。
   • 应用场景分类：服务器端和移动端。

2. AI芯片的发展历程：

   • 2007年以前，AI芯片未形成独立产业。
   • 2007-2010年，GPU因并行计算优势被广泛用于AI算法。
   • 2010年后，云计算推动了AI芯片的深入应用。
   • 2015年后，专用芯片开始出现，以提升AI计算效率和能耗比。

3. 我国AI芯片发展情况：

   • 我国AI芯片行业尚处于起步阶段。
   • 与国外相比，国内公司尚未形成大规模市场，但已有多个初创公司和研究机构在AI芯片领域取得进展。
   • AI芯片的应用已覆盖多个行业，如安防、金融、无人驾驶等。

关键信息

• 传统CPU：通用性强，但计算效率低，难以满足AI的大规模并行计算需求。
• GPU：并行计算能力强，适合深度学习训练，但推断效率较低。
• FPGA：可编程性强，适合需要灵活调整的AI应用，但成本较高。
• ASIC：针对特定AI算法进行优化，具有高性能和低功耗优势，但开发周期长，灵活性差。
• 类脑芯片：模仿生物神经网络结构，具有低功耗和高效计算能力，但技术尚未成熟。

产业篇

国内外代表性企业

• 国内：

  • 寒武纪科技：全球首个成功流片并拥有成熟产品的AI芯片公司。
  • 中星微：专注于数字多媒体芯片，推出了首款NPU。
  • 地平线机器人：专注于自动驾驶和智能家居的AI芯片研发。
  • 深鉴科技：基于FPGA平台开发AI芯片，2018年被赛灵思收购。
  • 灵汐科技：开发新一代神经网络处理器，支持DNN和SNN混合模式。
  • 启英泰伦：专注于语音识别芯片，如CI1006。
  • 华为：麒麟970搭载NPU，实现高性能的本地AI推断。

• 国外：

  • 英伟达：GPU领域的领导者，推出Tesla系列芯片，如P100和V100。
  • 谷歌：推出TPU芯片，专为机器学习设计。
  • 高通：在智能手机和物联网领域布局AI芯片，如骁龙820。
  • IBM：开发TrueNorth芯片，采用类脑计算架构。
  • Movidius（被Intel收购）：专注于视觉处理芯片，如Myriad系列。
  • 苹果：A11 Bionic芯片内置Neural Engine，提升AI性能。
  • 三星：投资Graphcore等AI芯片企业。

人物篇

国内外代表性研究学者

• Jeff Dean：谷歌大脑创始人，推动了TensorFlow和深度学习的发展。
• 黄仁勋：英伟达创始人，推动GPU在AI领域的应用。
• Vivienne Sze：MIT副教授，领导Eyeriss项目，提升AI能效。
• 谢源：加州大学圣芭芭拉分校教授，研究领域涵盖VLSI设计和AI架构。
• 陈天石：中科院研究员，寒武纪科技创始人，推动AI芯片研发。
• 施路平：清华大学教授，类脑芯片研究的先驱。
• 余凯：前百度研究院副院长，地平线机器人创始人，推动AI在自动驾驶和智能家居的应用。

应用趋势篇

AI芯片的应用领域

1. 智能手机：

   • 华为麒麟970搭载NPU，实现本地AI推断，提升图像处理能力。
   • 苹果A11 Bionic内置Neural Engine，支持FaceID等AI功能。

2. ADAS（高级辅助驾驶系统）：

   • 需要处理大量实时数据，AI芯片在智能控制和深度学习中发挥重要作用。
   • 英伟达推出Drive PX2，成为ADAS芯片的重要参与者。

3. 计算机视觉（CV）设备：

   • 用于智能摄像头、无人机、行车记录仪等，需本地推断能力。
   • Movidius Myriad系列芯片被广泛应用。

4. VR设备：

   • 微软Hololens使用HPU芯片，支持计算机视觉和CNN加速。

5. 语音交互设备：

   • 启英泰伦和云知声提供深度神经网络加速方案，实现语音识别和语义理解。

6. 机器人：

   • 需要专用AI芯片，地平线机器人提供相关解决方案。

趋势篇

AI芯片的发展趋势

1. 更高效的卷积分解与复用：

   • 减少数据通信，提升计算效率。

2. 更低的Inference计算/存储位宽：

   • 从32位浮点到8位甚至4位定点，降低功耗。

3. 更多样的存储器定制设计：

   • 推动存储器与计算部件的协同优化。

4. 更稀疏的大规模向量实现：

   • 利用稀疏计算减少无用功耗。

5. 计算与存储一体化：

   • 通过新型存储器（如ReRAM）实现计算存储一体化，提升能效。

总结

AI芯片是人工智能发展的关键支撑，其技术路线和应用场景不断演进。GPU、FPGA、ASIC等芯片在不同阶段发挥重要作用，而类脑芯片则代表未来发展方向。我国在AI芯片领域虽起步较晚，但已涌现出多家具有竞争力的企业和研究机构。未来，随着深度学习算法的优化和硬件技术的进步，AI芯片将朝着更高效、更低功耗、更灵活的方向发展，形成多样化的市场格局。