来源：文章转载自期刊《微纳电子与智能制造》，作者：安宝磊随着深度学习领域[1-4]带来的技术性突破，人工智能（artificial intelligence，AI）无论在科研还是在产业应用方面都取得了快速的发展。深度学习算法需要大量的矩阵乘加运算，对大规模并行计算能力有很高的要求，CPU和传统计算架构无法满足对于并行计算能力的需求[5]，需要特殊定制的芯片。目前，AI芯片行业已经起步并且发展迅速[6]。
广义上所有面向AI应用的芯片都可以称为AI芯片。目前一般认为是针对AI算法做了特殊加速设计的芯片。现阶段，这些人工智能算法一般以深度学习算法为主，也可以包括其他浅层机器学习算法[7-8]。（1）训练。对大量的数据在平台上进行学习，并形成具备特定功能的神经网络模型。对AI芯片有高算力、高容量和访问速率、高传输速率、通用性的要求。（2）推理。利用已经训练好的模型通过计算对输入的数据得到各种结论。对于 AI芯片主要注重算力功耗比、时延、价格成本的综合能力。实验证明低精度运算（如float16，int8）可达到几乎和float32同等的推理效果，所以AI推理芯片有低精度算力的要求。表1列出了AI芯片的几种技术架构，并对其优缺点进行比较。
用于云端训练和推理，目前大多数的训练工作都在云端完成[9]。移动互联网的视频内容审核、个性化推荐等都是典型的云端推理应用。Nvidia GPU在训练方面一家独大，在推理方面也保持领军位置。FPGA和ASIC因为低功耗、低成本的优势，在持续抢夺GPU的市场的份额。云端主要的代表芯片有Nvidia-TESLA V100、华为昇腾910、Nvidia-TESLA T4、寒武纪MLU270等。主要用于移动端的推理，解决云端推理因网络延迟带来的用户体验等问题。典型应用如视频特效、语音助手等。通过在手机系统芯片（system on
chip，SoC）中加入增加协处理器或专用加速单元来实现。受制于手机电量，对芯片的功耗有严格的限制。代表芯片有Apple A12 Neural Engine（加速引擎）和华为麒麟990。目前最为明确的AI芯片应用场景，主要任务是视频结构化。摄像头终端加入AI芯片，可以实现实时响应、降低带宽压力。也可以将推理功能集成在边缘的服务器级产品中。AI芯片要有视频处理和解码能力。主要考虑的是可处理的视频路数以及单路视频结构化的成本[10]。代表芯片有华为Hi3559-AV100和比特大陆BM1684等。AI芯片作为无人车的大脑，需要对汽车上大量传感器产生的数据做实时处理[11]，对芯片的算力、功耗、可靠性都有非常高的要求，同时芯片需要满足车规标准，因此设计的难度较大[12]。面向自动驾驶的芯片目前主要有Nvidia Orin、Xavier和Tesla的FSD等。在AI+IoT时代，智能家居中的每个设备都需要具备一定的感知、推断以及决策功能。为了得到更好的智能语音交互用户体验，语音AI芯片进入了端侧市场。语音AI芯片相对来说设计难度低，开发周期短。代表芯片有思必驰TH1520和云知声雨燕UniOne等。
（1）AI芯片当前的核心是利用乘加计算（multiplier and accumulation，MAC）阵列来实现卷积神经网络中最主要的卷积运算的加速。MAC阵列的大量运算，会造成功耗的增加。很多AI应用的场景对于功耗都有严格的限制，如何达到优异的性能功耗比是AI芯片研发的一个重要目标。
（2）深度学习算法中参与计算的数据和模型参数很多，数据量庞大，导致内存带宽成为了整个系统的一个瓶颈“，Memory Wall”也是需要优化和突破的主要问题[13]。（3）除了芯片本身硬件的设计以外，软件对于AI芯片性能的发挥也有着十分重要的作用，编译器和工具链软件的优化能力、易用性现在也得到越来越多的重视。基准测试平台（Benchmark）为AI芯片建立了标准的评估体系，主要职责和意义有：（1）基于调研和集群信息收集，真实反映AI芯片的使用情况。（3）对AI芯片的架构定义和优化指引方向。基准测试平台的评估指标包括延时（ms）、吞吐量（ims/s）、能效比（ims/s/W）、利用率（ims/s/T）等。主要的基准测试台有MLPerf、DawnBench（Stanford）、DeepBench（百度）、AI Matrix（阿里巴巴）。
神经形态芯片是指颠覆经典的冯·诺依曼计算架构，采用电子技术模拟已经被证明了的生物脑的运作规则，从而构建类似于生物脑的芯片[14]。（1）计算和存储融合，突破Memory Wall瓶颈。（3）更好的在线学习能力。清华大学、Intel、IBM等学校和企业都在做此方面的研究工作。可重构计算芯片也叫做软件定义芯片[6]，主要针对目前AI芯片存在的以下问题和任务需求：（2）复杂的AI任务需要不同类型AI算法任务的组合。（3）不同任务需要的计算精度不同。可重构计算芯片的设计思想在于软硬件可编程，允许硬件架构和功能随软件变化而变化，从而可以兼顾灵活性和实现超高的能效比。
本研究团队从2017年开始研发AI芯片，并在当年发售了第一代云端专用AI芯片 BM1680。在2019年发布了第三代AI芯片BM1684。BM1684采用TSMC-12 nm工艺，有17.6Tops的int8和2.2Tflops的float32算力，典型功耗为16W，可以支持32路1080P的高清视频解码。基于BM1684芯片，研发了深度学习加速板卡SC5（如图1所示）、高密度计算服务器SA5、边缘计算盒子SE5、边缘计算模组SM5等面向各种不同人工智能应用的产品。
本团队的AI产品已经在云端和边缘侧的多种应用场景下落地使用，包括智慧园区（如图2所示）、城市大脑（如图3所示）、视频结构化、人脸布控、智能支付等。
AI芯片行业尚处于起步阶段，已经有越来越多的项目开始落地和商业化，它的快速发展有助于推动整个人工智能产业的进展。本文对AI芯片的现状和未来可能的技术方向做了调研和分析，希望可以帮助读者更好地了解AI芯片行业，AI 芯片拥有巨大的产业价值和战略地位，相信中国的科研机构和企业会努力抓住机遇，让中国的人工智能产业蓬勃发展。
安宝磊.AI芯片发展现状及前景分析[J].微纳电子与智能制造, 2020, 2(1): 91-94.《微纳电子与智能制造》刊号：CN10-1594/TN投稿邮箱：tougao@mneim.org.cn（网站：www.mneim.org.cn）[1] LECUN Y，BOTTOU L，BENGIO Y，et al. Gradient-based
learning applied to document recognition[J]. Proceedings of the IEEE，1998，86( 11) : 2278-2324.[2] KRIZHEVSKY A, SUTSKEVER I, HINTON G E. Imagenet classification with deep convolutional neural networks[C]// Proceedings of the 25th International Conference on Neural Information Processing Systems.ACM,
2012: 1097-1105. [3] VINCENT P，LAROCHELLE H，BENGIO Y，et al. Extracting and composing robust features wi- h denoising
autoencoders[C]// Proc of the 25th International Conference on Machine Learning. ACM Press，2008: 1096-
1103. [4] VINCENT P，LAROCHELLE H，LAJOIE I，et al. Stacked denoising autoencoders: learning useful representations in a deep network with a local denoising criterion
[J]. Journal of Machine Learning Research，2010，11(
12) : 3371-3408. [5] 施羽暇 . 人工智能芯片技术研究[J]. 电信网技术,
2016, 12(12) : 11-13.
SHI Y X. Research on artificial intelligence process chip
technology[J]. Telecommunication network technology,
2016, 12(12) : 11-13.[6] 清华大学 . 人工智能芯片技术白皮书 (2018)[R/OL].
(2018-12-11) [2010-01-20]. https://www.tsinghua.edu.cn/
publish/thunews/9659/2018/20181217102627644168087/
20181217102627644168087_.html.
Tsinghua University. 2018 White Paper on AI Chip Technologies[R/OL]. (2018-12-11)[2010-01-20]. https://www.
tsinghua.edu.cn/publish/thunews/9659/2018/2018121710
2627644168087/20181217102627644168087_.html. [7] BENGIO Y. Learning deep architectures for AI[J]. Foundations and Trends in Machine Learning，2009，2(1) : 1-
127. [8] HINTON G E. Learning distributed representations of concepts[C]// Proc of the 8th Annual Conference of the Cognitive Science Society. 1986: 1-12. [9] 尹首一, 郭珩, 魏少军 . 人工智能芯片发展的现状及
趋势[J]. 科技导报, 2018, 17: 45-51.
YIN S Y, GUO H, WEI S J. Present situation and future
trend of artificial intelligence chips[J]. Science & Technology Review, 2018, 17: 45-51. [10] 汤炜伟 . AI 安防芯片的发展现状与前景分析[J]. 中
国安防, 2018, 7: 47-50.
TANG W W. Analysis of the development and
Prospect of AI security chip[J]. China Security&Protection, 2018, 7: 47-50. [11] 尹首一 . 人工智能芯片概述[J]. 微纳电子与智能制
造, 2019, 2: 7-11.
YIN S Y. Overview of artificial intelligence chip[J].
Micro/nano Electronics and Intelligent Manufacturing,
2019, 2: 7-11. [12] 谭洪贺,余凯 . 端侧 AI 芯片的挑战和展望[J]. 人工智
能, 2018, 2: 113-121.
TAN H H,YU K. The challenge and prospect of edge AI
chip[J]. Artificial Intelligence, 2018, 2: 113-121. [13] 邱赐云, 李礼, 张欢, 等 . 大数据时代——从冯 · 诺依
曼到计算存储融合[J]. 计算机科学, 2018, 45(2): 71-
75.
QIU C Y, LI L, Z H, et al. Age of big data: from von
neumann to computing storage fusion[J]. Computer Science, 2018, 45(2): 71-75. [14] 赵正平 . 纳电子学与神经形态芯片的新进展[J]. 微纳
电子技术, 2018, 55(1): 1-5.
ZHAO Z P. New progress of nanoelectronics and neuromorphic chips[J]. Micronanoelectronic Technology,
2018, 55(1): 1-5
End
声明：部分内容来源于网络，仅供读者学术交流之目的。文章版权归原作者所有。如有不妥，请联系删除。
