GPU、FPGA、ASIC、TPU四大AI芯片简单剖析！

原文链接：https://mp.weixin.qq.com/s/IqIs2idWU-reSw-v7sDrfQ
AI芯片是当前科技产业和社会关注的热点，也是AI技术发展过程中不可逾越的关键一环，不管有什么好的AI算法，要想最终应用，就必然要通过芯片实现。


谈AI芯片，就必须先对AI下一个定义。在莱迪斯半导体亚太区资深事业发展经理陈英仁看来，“AI神经网络”不是简单定义为某类产品，而是一个新的设计方法，“传统的一些算法，是照规则、照逻辑的，神经网络是用数据训练出来的结果。”那今天小编就给大家剖析四大AI芯片。

四大AI芯片
GPU：又称显示核心、视觉处理器、显示芯片，是一种专门在个人电脑、工作站、游戏机和一些移动设备（如平板电脑、智能手机等）上图像运算工作的微处理器。其用途是将计算机系统所需要的显示信息进行转换驱动，并向显示器提供行扫描信号，控制显示器的正确显示，是连接显示器和个人电脑主板的重要元件，也是“人机对话”的重要设备之一。

在当前的人工智能芯片领域，GPU的应用领域不容小觑。据数据显示，在2008至2015年期间，除了2008年GPU市场规模稍有下降，其余年份全球独立显卡的出货量和销售额都呈现出明显的上升趋势，并且在2012至2015年有加速上升的表现。

FPGA：即现场可编程门阵列，它是在PAL、GAL、CPLD等可编程器件的基础上进一步发展的产物。作为专用集成电路（ASIC）领域中的一种半定制电路而出现的芯片，既解决了定制电路的不足，又克服了原有可编程器件门电路数有限的缺点。系统设计师可以根据需要通过可编辑的连接把FPGA内部的逻辑块连接起来，就好像一个电路试验板被放在了一个芯片里。

目前，国内有许多创业企业，自动加入FPGA阵营，提供基于FPGA的解决方案。比如源于清华大学的深鉴科技，专注于深度学习处理器与编译器技术，深鉴科技研发了一种名为“深度压缩”的技术，它不仅可以将神经网络压缩数十倍而不影响准确度，还可以使用“片上存储”来存储深度学习算法模型，减少内存读取，大幅度减少功耗。

ASIC：即专用集成电路，是指应特定用户要求和特定电子系统的需要而设计、制造的集成电路。目前用CPLD（复杂可编程逻辑器件）和FPGA（现场可编程逻辑阵列）来进行ASIC设计是最为流行的方式之一，它们的共性是都具有用户现场可编程特性，都支持边界扫描技术，但两者在集成度、速度以及编程方式上具有各自的特点。

ASIC的特点是面向特定用户的需求，品种多、批量少，要求设计和生产周期短，它作为集成电路技术与特定用户的整机或系统技术紧密结合的产物，与通用集成电路相比具有体积更小、重量更轻、功耗更低、可靠性提高、性能提高、保密性增强、成本降低等优点。

TPU（Tensor Processing Unit）：是谷歌研发的一种神经网络训练的处理器，主要用于深度学习、AI运算。TPU具有像GPU和CPU一样的编程，以及一套CISC指令集。作为机器学习处理器，不仅仅支持某一种神经网络，还支持卷积神经网络、LSTM、全连接网络等多种。TPU采用低精度（8位）计算，以降低每步操作使用的晶体管数量。

虽然降低精度对于深度学习的准确度影响很小，但却可以大幅降低功耗、加快运算速度。同时，TPU使用了脉动阵列的设计，用来优化矩阵乘法与卷积运算，减少I/O操作。此外，TPU还采用了更大的片上内存，以此减少对DRAM的访问，从而更大程度地提升性能。

GPU、FPGA、ASIC、TPU四大AI芯片简单剖析！