（文章來源：百家號）

人工智能芯片目前有兩種發(fā)展路徑：一種是延續(xù)傳統(tǒng)計算架構(gòu)，加速硬件計算能力，主要以 3 種類型的芯片為代表，即 GPU、 FPGA、 ASIC，但 CPU依舊發(fā)揮著不可替代的作用；另一種是顛覆經(jīng)典的馮·諾依曼計算架構(gòu)，采用類腦神經(jīng)結(jié)構(gòu)來提升計算能力， 以 IBM TrueNorth 芯片為代表。GPU 作為最早從事并行加速計算的處理器，相比 CPU 速度快， 同時比其他加速器芯片編程靈活簡單。

程序在 GPU系統(tǒng)上的運行速度相較于單核 CPU往往提升幾十倍乃至上千倍。隨著英偉達、 AMD 等公司不斷推進其對 GPU 大規(guī)模并行架構(gòu)的支持，面向通用計算的 GPU(即GPGPU， GENERAL PURPOSE GPU，通用計算圖形處理器)已成為加速可并行應用程序的重要手段，GPU 的發(fā)展歷程可分為 3 個階段：

第一代GPU(1999年以前 ) ， 部分功能從CPU分離 ， 實現(xiàn)硬件加速 ， 以GE(GEOMETRY ENGINE)為代表，只能起到 3D 圖像處理的加速作用，不具有軟件編程特性。

第二代 GPU(1999-2005 年)， 實現(xiàn)進一步的硬件加速和有限的編程性。1999年，英偉達發(fā)布了“專為執(zhí)行復雜的數(shù)學和幾何計算的” GeForce256 圖像處理芯片，將更多的晶體管用作執(zhí)行單元， 而不是像 CPU 那樣用作復雜的控制單元和緩存，將 T&L (TRANSFORM AND LIGHTING) 等功能從 CPU 分離出來，實現(xiàn)了快速變換，這成為 GPU 真正出現(xiàn)的標志。

之后幾年， GPU 技術(shù)快速發(fā)展，運算速度迅速超過 CPU。2001 年英偉達和 ATI 分別推出的GEFORCE3 和 RADEON 8500，圖形硬件的流水線被定義為流處理器，出現(xiàn)了頂點級可編程性，同時像素級也具有有限的編程性，但 GPU 的整體編程性仍然比較有限。

第三代 GPU(2006年以后)， GPU實現(xiàn)方便的編程環(huán)境創(chuàng)建， 可以直接編寫程序。2006年英偉達與 ATI分別推出了 CUDA (Compute United Device Architecture，計算統(tǒng)一設備架構(gòu))編程環(huán)境和 CTM(CLOSE TO THE METAL)編程環(huán)境， 使得 GPU 打破圖形語言的局限成為真正的并行數(shù)據(jù)處理超級加速器。

2008年，蘋果公司提出一個通用的并行計算編程平臺 OPENCL（OPEN COMPUTING LANGUAGE，開放運算語言），與CUDA綁定在英偉達的顯卡上不同，OPENCL 和具體的計算設備無關(guān)。

目前， GPU 已經(jīng)發(fā)展到較為成熟的階段。谷歌、 FACEBOOK、微軟、 TWITTER 和百度等公司都在使用 GPU 分析圖片、視頻和音頻文件，以改進搜索和圖像標簽等應用功能。此外，很多汽車生產(chǎn)商也在使用 GPU 芯片發(fā)展無人駕駛。不僅如此， GPU 也被應用于VR/AR 相關(guān)的產(chǎn)業(yè)。

但是 GPU也有一定的局限性。深度學習算法分為訓練和推斷兩部分， GPU 平臺在算法訓練上非常高效。但在推斷中對于單項輸入進行處理的時候，并行計算的優(yōu)勢不能完全發(fā)揮出來。

FPGA 是在 PAL、 GAL、 CPLD 等可編程器件基礎上進一步發(fā)展的產(chǎn)物。用戶可以通過燒入 FPGA 配置文件來定義這些門電路以及存儲器之間的連線。這種燒入不是一次性的，比如用戶可以把 FPGA 配置成一個微控制器 MCU，使用完畢后可以編輯配置文件把同一個FPGA 配置成一個音頻編解碼器。因此， 它既解決了定制電路靈活性的不足，又克服了原有可編程器件門電路數(shù)有限的缺點。

FPGA 可同時進行數(shù)據(jù)并行和任務并行計算，在處理特定應用時有更加明顯的效率提升。對于某個特定運算，通用 CPU 可能需要多個時鐘周期；而 FPGA 可以通過編程重組電路，直接生成專用電路，僅消耗少量甚至一次時鐘周期就可完成運算。

此外，由于 FPGA的靈活性，很多使用通用處理器或 ASIC難以實現(xiàn)的底層硬件控制操作技術(shù)， 利用 FPGA 可以很方便的實現(xiàn)。這個特性為算法的功能實現(xiàn)和優(yōu)化留出了更大空間。同時 FPGA 一次性成本(光刻掩模制作成本)遠低于 ASIC，在芯片需求還未成規(guī)模、深度學習算法暫未穩(wěn)定， 需要不斷迭代改進的情況下，利用 FPGA 芯片具備可重構(gòu)的特性來實現(xiàn)半定制的人工智能芯片是最佳選擇之一。

功耗方面，從體系結(jié)構(gòu)而言， FPGA 也具有天生的優(yōu)勢。傳統(tǒng)的馮氏結(jié)構(gòu)中，執(zhí)行單元(如 CPU 核)執(zhí)行任意指令，都需要有指令存儲器、譯碼器、各種指令的運算器及分支跳轉(zhuǎn)處理邏輯參與運行， 而 FPGA 每個邏輯單元的功能在重編程（即燒入）時就已經(jīng)確定，不需要指令，無需共享內(nèi)存，從而可以極大的降低單位執(zhí)行的功耗，提高整體的能耗比。

目前以深度學習為代表的人工智能計算需求，主要采用 GPU、 FPGA 等已有的適合并行計算的通用芯片來實現(xiàn)加速。在產(chǎn)業(yè)應用沒有大規(guī)模興起之時，使用這類已有的通用芯片可以避免專門研發(fā)定制芯片(ASIC)的高投入和高風險。但是，由于這類通用芯片設計初衷并非專門針對深度學習，因而天然存在性能、 功耗等方面的局限性。隨著人工智能應用規(guī)模的擴大，這類問題日益突顯。

深度學習算法穩(wěn)定后， AI 芯片可采用 ASIC 設計方法進行全定制， 使性能、功耗和面積等指標面向深度學習算法做到最優(yōu)。

（責任編輯：fqj）