人工智能ai芯片前景丨人工智能和ai芯片哪个好
【人工智能ai芯片前景丨人工智能和ai芯片哪个好】lot物联网小编为你整理了的相关内容，希望能为你解答。
我们尽量不搞大量显得很牛x的名词和术语或公式，必要时用一下。（如有谬误敬请谅解；本文图片采自网络）
一，概念
人类的发展从来都是循序渐进的，划时代的东西出现是比较稀疏的事件，比如说铜器，铁器，蒸汽，电，互联网等。阿法狗的事突然激起了万众对人工智能的激情，人工智能应该是17、18年的年度词汇，但人工智能这件事实际上是新瓶装旧酒。
随便翻翻看几件事，计算器，闹钟，计算机，机器人，手机等等，凡此种种，这些东西样样都符合广义的人工智能的定义。我们搞技术的有时候也需要搞个新词来充充门面，来吸引一下关注，或者获得一些资源，相比来说也还都算克制的。（行行都有混混，这个不在讨论范围。）
我们再进一步看看，如果再特指一下人工智能，代表机器模仿人脑进行信息收集，学习，思考，判断等等工作，那么这件事其实也不是新鲜事，也至少有几十年历史。再想一步，这些动作之所以能够做是因为我们有了计算机，以及相应的能模拟人脑的算法。
所谓算法，就是一系列由输入能得到想要的输出结果的数学公式（函数），这么说有些白，但你这么理解完全没有问题。而这些基础的算法，就像我们刚才介绍的，已经存在很久了。我们现在需要做的第一件事，那就是结合应用去优化一下这些基础公式。顺便提一下，不能看见算法两个字就觉得牛X的不得了，y=x也是一种算法。
而所有包含在人工智能里的一系列任务中，有两个大的步骤：一个，‘学习’是其中的重点，意思是根据大量的数据去训练这些公式，优化这些公式，说的再直白一些就是要通过大量样本数据确认这些公式的系数，或者根据不同场景改变不同系数，甚至阶数，以便算得我们想要的结果。另外一个，就是接下来根据学习的结果，对应用场景的某种输入进行‘’推断，从而达到我们需要的某种场景的‘智能化’。参考下图模型。
根据这些算法，以及配上CPU，是不是就可以算人工智能了呢。可以说是的，比如阿法狗（也借助xPU）。顺便提一下，任何这种没有感情的计算任务，人是不可能赢的了机器的，这是常识，以后不要拿这个打赌。但是，还有一个问题，那就是资源，我们想做一件事情，如果调用大量的CPU，耗费大量的时间和能源，那就不是应用级别的产品。
所以，这就涉及到怎么把这些学习算法真正的高效的用起来。三种途径：1.软件方法，就是类似阿法狗的方法（可软件的东西比较多，也借助了xPU）；2.可配置的硬件FPGA，就是把算法硬化，随着算法的升级，重新刷一下硬件；3.硬件加速器，就是把算法做成硬件，改不了了，但是当然了他可以有可配置的系数变量。这几种方法灵活性递减，效率递增。
所以，自然的，人工智能芯片的核心就是把一定的算法做成硬件加速器，并且为了合理的划分加速器单元以及实现加速器的有效使用，投入了很大的精力。
二，几个关键问题
1.首先是算法。先看场景：虽然我们是想构建一个会学习能思考的大脑，但对于不同的应用，我们做一个大而全的东西总是有效率上的问题。这就带来了一个问题，就是所谓的AI必须结合场景，必须找到自己的赛道。比如图像识别，语音识别，再比如距离，速度判断，下围棋等等应用不一而足，也可以稍夸张点说，我们碰到的所有问题都是数学问题。另外一方面，既然是场景应用，那么很多即使是显得比较low的应用，也可以挂个AI的名。
算法的种类很多，分法也很多，如果我们拿神经网络学习算法说事，就是我们常见的xNN算法。补充一下，我们所有的自然现象都可以用数学公式表达出来，所以我们可以根据我们对人脑的认识（当然现在认识还很简陋，但也可以凑合用），用一个数学模型表达出来人脑的工作模型，然后通过数据训练，得到一个相对合理的函数。
不同模型参见：
算法是各个AI公司的核心，算法可以复杂或简单，但完成的效果怎么样，这些是考量指标。虽然总体上有参考的东西，一般人也能完成个7/8成的模样，但最后的20%是考核你是否能达到顶尖水平的部分，毕竟市场上还是头部企业才能生存啊。
（特别说明：如果搞专业就得去仔细了解其中具体的数学意义，物理意义，挺多头大的公式，当然学会了也可以拿来唬人。）
2.其次就是硬化方法。算法再往下，所有的算法，到机器上，最后的基本单元就是乘和加。怎么把那么多的乘和加有机的组合起来，形成有效的算力，起到多快好省的目的，是我们想说的另外一个关键点。再具体点，我们常常听到的GPU、TPU，NPU，BPU，等等xPU，就是基于不同应用（有时是相同应用）搞出来的不同算法，然后根据自己的定位，搞出来的不同硬件。这些硬件往往已经细化到了适应场景的基本的运算单元（已经不是最简单的乘和加）。
一个算法可以有不同的形式呈现出来，简单说，可以用不同的语言和相关平台呈现，比如Fortran，C，Java，Python等等语言，同时，一个算法的数据输入形式也是不一样的。所以，相应的这些表达是不能直接用的，需要变成机器识别的东西。所以，无论是用那种硬件xPU，都需要编译工具把这些代码编译到这些可执行的硬件上。打个通常的比喻C编译到x86类型的CPU上，针对TPU/GPU，也得编译到适合这样硬件运行的指令，等等。方法不一样，但是道理是一样的。为了效率，必须做这样的工作。
举几个栗子，比如Nvidia以图像和语音识别为基本场景，采用pascal/volta等演进的硬件架构处理DNN模型，应该说这都还算比较通用的，属于处理器类的硬件，属于我们前面说的第一类偏软的。而Google发布的TPU是号称专用的机器学习芯片，这样的话就属于我们说的第三类偏硬的。总的说来，都是基于基本硬件单元进行架构，软和硬是相对的。同样基于此，也给不同的公司做所谓的差异化提供了空间，也可以有的牛可吹，到底差别多少就要看效果，看人品了。
上图GPU的小绿块就是基本的计算单元，黄色的是控制逻辑，可以看到可以并行处理很多具体的计算工作。同时，我们观察到针对不同的算法采用了不同的计算架构，同时还有不同的输入语言，基于不同的硬件架构，又有不同的编译软件，等等。 组合起来就是一个挺多路径的技术取向。仅作为基本了解，下面的图可以不看。有兴趣的可以再看看CUDA，或者TensorFlow等算法实现流程。
另外，像Nvidia、VTA等都将整个流程开源，号称软硬件全栈开源。有兴趣的可以更多去了解。
有一些林林总总的缩写我们大概的区分一下，有助于您以后理解相关的文章。
算法模型类：DNN/ANN/CNN/SNN
流程类：XLA/LLVM/TVM/NNVM
硬核架构类的：xPU
三，芯片
1.先看看芯片架构。所有基于冯氏GPU架构的SoC芯片长相都差不多，就像人都长得差不多一样，但人与人之间的差别又是巨大的。下图中两种芯片架构的画法是一样的，无非或繁或简，通过架构看芯片性能只能是犹抱琵琶半遮面，真东西在细节。您注意一下我在右边的总线上挂了一个xPU。
上面我们讲了AI算法概况，讲了怎么把算法映射到硬件上面，那现在我们讲讲硬件本身。刚才提到SoC的架构其实差不多，那AI芯片的差别在哪里？AI芯片也是一个SoC芯片，无非是为了做与算法相关的工作，在SoC芯片中加入了xPU的硬件处理子系统，这个子系统是为了不同的应用设计的，具有不同加速结构的硬核。
下图中是TPU/GPU子系统的硬件架构图，而其中的运算部分用红色框框标出来了，这是不同xPU微结构上的差别。总结的话，算法，编译，以及下图的硬件结构是三位一体，互相适应，找到最优解当然最好，但凡事总有tradeoff。比如说，CPU与xPU工作分工的比例，xPU的大小和能力，xPU面向的应用，是不是xNN模型，等等，都可以定义出不同的芯片。算不算AI，算多少，这条从算法到硬件的链路上有多少自己的东西，这些由您自己判断。也许我们可以只判断是否生意上成功就好，但也需要考虑是否能持续。
2.再看看微观的部分。
我们做芯片总是希望面积越来越小，功耗越来越低，速度越来越快，能力越来越强，多快好省吧。围绕着这些个目标，我们会有不同策略。
比如小，采用先进工艺，会使芯片面积越来越小，像矿机芯片，本身算法很简单，为了小就需要不断的追求新工艺，现在已经到7nm了。
比如快，有人将很多工作用在优化代工厂foundry的标准库上，达到快和省的目的。再如，有人希望重新采用异步结构的电路设计等等。为了快，从芯片的微架构上进行调整和优化，比如所谓存算一体，减少存储器的访问次数和时间，等等。
四，AI场景和物联网终端芯片
前面我们大致介绍了采用xNN模型的AI芯片的原理和流程。
通常来说，这种芯片是用在中心场景的，需要大的数据运算，完成一个完整的场景。当然除了用在云上面，手机，车载电脑，或者一些更小的场景等等应该也都属于这个范畴。从个人看来，对电源没有特别省电需要的场景下，各种AI芯片可以做的比较复杂一些，处理能力大一些。
此类芯片有很多国际大厂在前面跑，还给你开源，做通用的xPU感觉基本上是非常难以生存的，此类厂家需要结合特定的场景，争取做到效率高一点点，面积小一点点。
针对于对功耗敏感的场景，尤其是小电池容量的场景，所谓AI只能做到很简洁，这里多数算是端的场景。做个简单的语音识别，指纹识别，这种交互类的，应该也不需要我们前文提到的那么复杂的流程。当然此类芯片算不算AI，大家自己根据自己的需要进行解说。
在物联网终端应用场景下面，有很多不同的场景有交互需求，这里也应当能创造一定的机会。详细的就不便多说了。
好了，就说到这里，您是不是和我一样觉得，这东西并不神秘。不过，任何东西想要搞的漂亮，都有很多艰苦的工作。
以上内容为【人工智能ai芯片前景丨人工智能和ai芯片哪个好】的相关内容，更多相关内容关注lot物联网。
