AI（人工智能）沉浮數(shù)十載，在“預(yù)期－失望－進步－預(yù)期”周期中破浪前行。

根據(jù)賽迪咨詢發(fā)布報告,，2016年全球人工智能市場規(guī)模達到293億美元,。我們預(yù)計2020年全球人工智能市場規(guī)模將達到1200億美元，復(fù)合增長率約為20％。人工智能芯片是人工智能市場中重要一環(huán)，根據(jù)英偉達，AMD,，賽靈思，谷歌等相關(guān)公司數(shù)據(jù),，我們測算2016年人工智能芯片市場規(guī)達到23．88億美元,，約占全球人工智能市場規(guī)模8．15％，而到2020年人工智能芯片市場規(guī)模將達到146．16億美元,，約占全球人工智能市場規(guī)模12．18％,。人工智能芯片市場空間極其廣闊,。

芯片承載算法，是競爭的制高點

人工智能的基礎(chǔ)是算法,，深度學習是目前最主流的人工智能算法,。深度學習又叫深度神經(jīng)網(wǎng)絡(luò)（DNN：Deep Neural Networks），從之前的人工神經(jīng)網(wǎng)絡(luò)（ANN：Artificial Neural Networks）模型發(fā)展而來,。這種模型一般采用計算機科學中的圖模型來直觀表達,，深度學習的“深度”便指的是圖模型的層數(shù)以及每一層的節(jié)點數(shù)量。神經(jīng)網(wǎng)絡(luò)復(fù)雜度不斷提升,，從最早單一的神經(jīng)元,，到2012年提出的AlexNet（8個網(wǎng)絡(luò)層），再到2015年提出的ResNET（150個網(wǎng)絡(luò)層）,，層次間的復(fù)雜度呈幾何倍數(shù)遞增,，對應(yīng)的是對處理器運算能力需求的爆炸式增長。深度學習帶來計算量急劇增加,，對計算硬件帶來更高要求,。

深度學習算法分“訓(xùn)練”和“推斷”兩個過程。簡單來講,，人工智能需要通過以大數(shù)據(jù)為基礎(chǔ),，通過“訓(xùn)練”得到各種參數(shù)，把這些參數(shù)傳遞給“推斷”部分,，得到最終結(jié)果,。

“訓(xùn)練”和“推斷”所需要的神經(jīng)網(wǎng)絡(luò)運算類型不同。神經(jīng)網(wǎng)絡(luò)分為前向計算（包括矩陣相乘,、卷積,、循環(huán)層）和后向更新（主要是梯度運算）兩類,，兩者都包含大量并行運算,。“訓(xùn)練”所需的運算包括“前向計算＋后向更新”,；“推斷”則主要是“前向計算”,。一般而言訓(xùn)練過程相比于推斷過程計算量更大。一般來說,，云端人工智能硬件負責“訓(xùn)練＋推斷”,，終端人工智能硬件只負責“推斷”。

“訓(xùn)練”需大數(shù)據(jù)支撐并保持較高靈活性,，一般在“云端”（即服務(wù)器端）進行,。人工智能訓(xùn)練過程中，頂層上需要有一個海量的數(shù)據(jù)集,，并選定某種深度學習模型,。每個模型都有一些內(nèi)部參數(shù)需要靈活調(diào)整,，以便學習數(shù)據(jù)。而這種參數(shù)調(diào)整實際上可以歸結(jié)為優(yōu)化問題,，在調(diào)整這些參數(shù)時,，就相當于在優(yōu)化特定的約束條件，這就是所謂的“訓(xùn)練”,。云端服務(wù)器收集用戶大數(shù)據(jù)后,，依靠其強大的計算資源和專屬硬件，實現(xiàn)訓(xùn)練過程,，提取出相應(yīng)的訓(xùn)練參數(shù),。由于深度學習訓(xùn)練過程需要海量數(shù)據(jù)集及龐大計算量，因此對服務(wù)器也提出了更高的要求,。未來云端AI服務(wù)器平臺需具備相當數(shù)據(jù)級別,、流程化的并行性、多線程,、高內(nèi)存帶寬等特性,。

“推斷”過程可在云端（服務(wù)器端）進行，也可以在終端（產(chǎn)品端）進行,。等待模型訓(xùn)練完成后,，將訓(xùn)練完成的模型（主要是各種通過訓(xùn)練得到的參數(shù)）用于各種應(yīng)用場景（如圖像識別、語音識別,、文本翻譯等）,。“應(yīng)用”過程主要包含大量的乘累加矩陣運算,，并行計算量很大,，但和“訓(xùn)練”過程比參數(shù)相對固化，不需要大數(shù)據(jù)支撐,，除在服務(wù)器端實現(xiàn)外,，也可以在終端實現(xiàn)?！巴茢唷彼鑵?shù)可由云端“訓(xùn)練”完畢后,，定期下載更新到終端。

傳統(tǒng)CPU算力不足,，新架構(gòu)芯片支撐AI成必須,。核心芯片決定計算平臺的基礎(chǔ)架構(gòu)和發(fā)展生態(tài)，由于AI所需的深度學習需要很高的內(nèi)在并行度,、大量浮點計算能力以及矩陣運算,，基于CPU的傳統(tǒng)計算架構(gòu)無法充分滿足人工智能高性能并行計算（HPC）的需求，因此需要發(fā)展適合人工智能架構(gòu)的專屬芯片。

專屬硬件加速是新架構(gòu)芯片發(fā)展主流,。目前處理器芯片面向人工智能硬件優(yōu)化升級有兩種發(fā)展路徑：（1）延續(xù)傳統(tǒng)計算架構(gòu),，加速硬件計算能力：以GPU、FPGA,、ASIC（TPU,、NPU等）芯片為代表，采用這些專屬芯片作為輔助,，配合CPU的控制,，專門進行人工智能相關(guān)的各種運算；（2）徹底顛覆傳統(tǒng)計算架構(gòu),，采用模擬人腦神經(jīng)元結(jié)構(gòu)來提升計算能力,，以IBM TrueNorth芯片為代表，由于技術(shù)和底層硬件的限制,，第二種路徑尚處于前期研發(fā)階段,，目前不具備大規(guī)模商業(yè)應(yīng)用的可能性。從技術(shù)成熟度和商業(yè)可行性兩個角度,，我們判斷使用AI專屬硬件進行加速運算是今后五年及以上的市場主流,。

云端終端雙場景，三種專屬芯片各顯其能

我們把人工智能硬件應(yīng)用場景歸納為云端場景和終端場景兩大類,。云端主要指服務(wù)器端,，包括各種共有云、私有云,、數(shù)據(jù)中心等業(yè)務(wù)范疇,；終端主要指包括安防、車載,、手機,、音箱、機器人等各種應(yīng)用在內(nèi)的移動終端,。由于算法效率和底層硬件選擇密切相關(guān),，“云端”（服務(wù)器端）和“終端”（產(chǎn)品端）場景對硬件的需求也不同。

除CPU外,，人工智能目前主流使用三種專用核心芯片,，分別是GPU,，F(xiàn)PGA,，ASIC。

GPU：先發(fā)制人的“十項全能”選手,，云端終端均拔頭籌,。GPU（Graphics Processing Unit）又稱圖形處理器，之前是專門用作圖像運算工作的微處理器。相比CPU,，GPU由于更適合執(zhí)行復(fù)雜的數(shù)學和幾何計算（尤其是并行運算）,，剛好與包含大量的并行運算的人工智能深度學習算法相匹配，因此在人工智能時代剛好被賦予了新的使命,，成為人工智能硬件首選,，在云端和終端各種場景均率先落地。目前在云端作為AI“訓(xùn)練”的主力芯片,，在終端的安防,、汽車等領(lǐng)域，GPU也率先落地,，是目前應(yīng)用范圍最廣,、靈活度最高的AI硬件。

FPGA：“變形金剛”,，算法未定型前的階段性最佳選擇,。FPGA（Field－Programmable Gate Array）即現(xiàn)場可編程門陣列，是一種用戶可根據(jù)自身需求進行重復(fù)編程的“萬能芯片”,。編程完畢后功能相當于ASIC（專用集成電路）,，具備效率高、功耗低的特點,，但同時由于要保證編程的靈活性,，電路上會有大量冗余，因此成本上不能像ASIC做到最優(yōu),，并且工作頻率不能太高（一般主頻低于500MHz）,。FPGA相比GPU具有低功耗優(yōu)勢，同時相比ASIC具有開發(fā)周期快,，更加靈活編程等特點,。FPGA于“應(yīng)用爆發(fā)”與“ASIC量產(chǎn)”夾縫中尋求發(fā)展，是效率和靈活性的較好折衷,，“和時間賽跑”,，在算法未定型之前具較大優(yōu)勢。在現(xiàn)階段云端數(shù)據(jù)中心業(yè)務(wù)中,，F(xiàn)PGA以其靈活性和可深度優(yōu)化的特點,，有望繼GPU之后在該市場爆發(fā)；在目前的終端智能安防領(lǐng)域,，目前也有廠商采用FPGA方案實現(xiàn)AI硬件加速,。

ASIC：“專精職業(yè)選手”，專一決定效率,，AI芯片未來最佳選擇,。ASIC（Application Specific Integrated Circuit）即專用集成電路,，本文中特指專門為AI應(yīng)用設(shè)計、專屬架構(gòu)的處理器芯片,。近年來涌現(xiàn)的類似TPU,、NPU、VPU,、BPU等令人眼花繚亂的各種芯片,，本質(zhì)上都屬于ASIC。無論是從性能,、面積,、功耗等各方面，AISC都優(yōu)于GPU和FPGA,，長期來看無論在云端和終端,，ASIC都代表AI芯片的未來。但在AI算法尚處于蓬勃發(fā)展,、快速迭代的今天,，ASIC存在開發(fā)周期較長、需要底層硬件編程,、靈活性較低等劣勢,，因此發(fā)展速度不及GPU和FPGA。

本報告我們分別仔細分析云端和終端兩種應(yīng)用場景下,，這三種專屬AI芯片的應(yīng)用現(xiàn)狀,、發(fā)展前景及可能變革。

云端場景：GPU生態(tài)領(lǐng)先,，未來多芯片互補共存

核心結(jié)論：GPU,、TPU等適合并行運算的處理器未來成為支撐人工智能運算的主力器件，既存在競爭又長期共存,，一定程度可相互配合,；FPGA有望在數(shù)據(jù)中心業(yè)務(wù)承擔較多角色，在云端主要作為有效補充存在,；CPU會“變小”,，依舊作為控制中心。未來芯片的發(fā)展前景取決于生態(tài),，有望統(tǒng)一在主流的幾個軟件框架下,，形成云端CPU＋GPU／TPU＋FPGA（可選）的多芯片協(xié)同場景。

（1）依托大數(shù)據(jù),，科技巨頭不同技術(shù)路徑布局AI云平臺

基于云平臺,，各大科技巨頭大力布局人工智能。云計算分為三層,，分別是Infrastructure（基礎(chǔ)設(shè)施）－as－a－Service（IaaS）,，Platform（平臺）－as－a－Service（Paas）,，Software（軟件）－as－a－Service（Saas）,?；A(chǔ)設(shè)施在最下端，平臺在中間,，軟件在頂端,。IaaS公司提供場外服務(wù)器，存儲和網(wǎng)絡(luò)硬件,。大數(shù)據(jù)為人工智能提供信息來源,，云計算為人工智能提供平臺，人工智能關(guān)鍵技術(shù)是在云計算和大數(shù)據(jù)日益成熟的背景下取得了突破性進展,。目前各大科技巨頭看好未來人工智能走向云端的發(fā)展態(tài)勢,，紛紛在自有云平臺基礎(chǔ)上搭載人工智能系統(tǒng)，以期利用沉淀在云端的大數(shù)據(jù)挖掘價值,。

（2）千億美元云服務(wù)市場,，AI芯片發(fā)展?jié)摿薮?/p>

千億美元云服務(wù)市場，云計算硬件市場規(guī)模巨大,。云計算的市場規(guī)模在逐漸擴大,。據(jù)Gartner的統(tǒng)計，2015年以IaaS,、PaaS和SaaS為代表的典型云服務(wù)市場規(guī)模達到522．4億美元,，增速20．6％，預(yù)計2020年將達到1435．3億美元,，年復(fù)合增長率達22％,。其中IaaS公司到2020年市場空間達到615億美元，占整個云計算市場達43％,，云計算硬件市場空間巨大,，而云計算和人工智能各種加速算法關(guān)系密切，未來的云計算硬件離不開AI芯片加速,。

云端AI芯片發(fā)展?jié)摿薮?。根?jù)英偉達與AMD財務(wù)數(shù)據(jù)，我們預(yù)計GPU到2020年在數(shù)據(jù)中心業(yè)務(wù)中將達到約50億美元市場規(guī)模,。同時根據(jù)賽靈思與阿爾特拉等FPGA廠商,，我們預(yù)計2020年FPAG數(shù)據(jù)中心業(yè)務(wù)將達到20億美元。加上即將爆發(fā)的ASIC云端市場空間,，我們預(yù)計到2020年云端AI芯片市場規(guī)模將達到105．68億美元,，AI芯片在云端會成為云計算的重要組成部分，發(fā)展?jié)摿薮蟆?/p>

（3）云端芯片現(xiàn)狀總結(jié)：GPU領(lǐng)先,，F(xiàn)PGA隨后,，ASIC萌芽

AI芯片在云端基于大數(shù)據(jù),，核心負責“訓(xùn)練”。云端的特征就是“大數(shù)據(jù)＋云計算”,，用戶依靠大數(shù)據(jù)可進行充分的數(shù)據(jù)分析和數(shù)據(jù)挖掘,、提取各類數(shù)據(jù)特征，與人工智能算法充分結(jié)合進行云計算,，從而衍生出服務(wù)器端各種AI＋應(yīng)用,。AI芯片是負責加速人工智能各種復(fù)雜算法的硬件。由于相關(guān)計算量巨大,，CPU架構(gòu)被證明不能滿足需要處理大量并行計算的人工智能算法,，需要更適合并行計算的芯片，所以GPU,、FPGA,、TPU等各種芯片應(yīng)運而生。AI芯片在云端可同時承擔人工智能的“訓(xùn)練”和“推斷”過程,。

云端芯片現(xiàn)狀：GPU占據(jù)云端人工智能主導(dǎo)市場,，以TPU為代表的ASIC目前只運用在巨頭的閉環(huán)生態(tài)，F(xiàn)PGA在數(shù)據(jù)中心業(yè)務(wù)中發(fā)展較快,。

GPU應(yīng)用開發(fā)周期短,，成本相對低，技術(shù)體系成熟,，目前全球各大公司云計算中心如谷歌,、微軟、亞馬遜,、阿里巴巴等主流公司均采用GPU進行AI計算,。

谷歌除大量使用GPU外，努力發(fā)展自己的AI專屬的ASIC芯片,。今年5月推出的TPU與GPU相比耗電量降低60％,，芯片面積下降40％，能更好的滿足其龐大的AI算力要求,，但由于目前人工智能算法迭代較快,，目前TPU只供谷歌自身使用，后續(xù)隨著TensorFlow的成熟,，TPU也有外供可能,，但通用性還有很長路要走。

百度等廠商目前在數(shù)據(jù)中心業(yè)務(wù)中也積極采用FPGA進行云端加速,。FPGA可以看做從GPU到ASIC重點過渡方案,。相對于GPU可深入到硬件級優(yōu)化，相比ASIC在目前算法不斷迭代演進情況下更具靈活性,，且開發(fā)時間更短,。AI領(lǐng)域?qū)Ｓ眉軜?gòu)芯片（ASIC）已經(jīng)被證明可能具有更好的性能和功耗,，有望成為未來人工智能硬件的主流方向。

（4）云端GPU：云端AI芯片主流,，先發(fā)優(yōu)勢明顯

發(fā)展現(xiàn)狀：GPU天然適合并行計算,，是目前云端AI應(yīng)用最廣的芯片

GPU目前云端應(yīng)用范圍最廣。目前大量涉足人工智能的企業(yè)都采用GPU進行加速,。根據(jù)英偉達官方資料,，與英偉達合作開發(fā)深度學習項目的公司2016年超過19000家,，對比2014年數(shù)量1500 家,。目前百度、Google,、Facebook 和微軟等IT巨頭都采用英偉達的GPU對其人工智能項目進行加速,，GPU目前在云端AI深度學習場景應(yīng)用最為廣泛， 由于其良好的編程環(huán)境帶來的先發(fā)優(yōu)勢,，預(yù)計未來仍將持續(xù)強勢,。

GPU芯片架構(gòu)脫胎圖像處理，并行計算能力強大,。GPU（Graphics Processing Unit）,，又稱視覺處理器，是之前應(yīng)用在個人電腦,、工作站,、游戲機、移動設(shè)備（如平板電腦,、智能手機等）等芯片內(nèi)部,，專門用作圖像運算工作的微處理器。與CPU類似可以編程,，但相比CPU更適合執(zhí)行復(fù)雜的數(shù)學和幾何計算,，尤其是并行運算。內(nèi)部具有高并行結(jié)構(gòu)（highly paralle lstructure）,，在處理圖形數(shù)據(jù)和復(fù)雜算法方面擁有比CPU更高的效率,。

GPU較CPU結(jié)構(gòu)差異明顯，更適合并行計算,。對比GPU和CPU在結(jié)構(gòu)上的差異,，CPU大部分面積為控制器和寄存器，GPU擁有更多的ALU（Arithmetic Logic Unit,，邏輯運算單元）用于數(shù)據(jù)處理,，而非數(shù)據(jù)高速緩存和流控制，這樣的結(jié)構(gòu)適合對密集型數(shù)據(jù)進行并行處理,。CPU執(zhí)行計算任務(wù)時,，一個時刻只處理一個數(shù)據(jù),，不存在真正意義上的并行，而GPU具有多個處理器核,，同一時刻可并行處理多個數(shù)據(jù),。

與CPU相比，GPU在AI領(lǐng)域的性能具備絕對優(yōu)勢,。深度學習在神經(jīng)網(wǎng)絡(luò)訓(xùn)練中,，需要很高的內(nèi)在并行度、大量的浮點計算能力以及矩陣運算,，而GPU可以提供這些能力,，并且在相同的精度下，相對傳統(tǒng)CPU的方式,，擁有更快的處理速度,、更少的服務(wù)器投入和更低的功耗。在2017年5月11日的加州圣何塞GPU技術(shù)大會上,，NVIDIA就已經(jīng)發(fā)布了Tesla V100,。這個目前性能最強的GPU運算架構(gòu)Volta采用臺積電12nm FFN制程并整合210億顆電晶體，在處理深度學習的性能上等同于250顆CPU,。