重新定義AI芯片

人工智能芯片經(jīng)歷了從CPU->GPU->FPGA->AI芯片的發(fā)展歷程。

阿爾法狗的首次戰(zhàn)勝人類可謂是費了“洪荒之力”，本質上是基于馮.諾依曼計算架構所決定的。于是具備強大并行計算能力與浮點計算能力GPU一度成為深度學習模型訓練和推理的標配。相比CPU，GPU提供更快的處理速度，需要更少的服務器投入和更低的功耗，成為近些年來深度學習訓練的主流模式。

但GPU無法滿足所有場景深度學習計算任務。除前面所述，再舉個例子，比如L4自動駕駛，需要識別道路、行人、紅綠燈等狀況，如果基于CPU計算，時延無法滿足要求，恐怕車翻到河里還沒發(fā)現(xiàn)前方是河；如果用GPU計算，雖然時延可以滿足要求，但是功耗大，汽車電池無法長時間運行。此外，1塊GPU卡少則萬元多則近10萬人民幣，無法普及大多數(shù)普通消費者。

本質上，GPU不是專門針對AI算法開發(fā)的ASIC，人們亟需找到既能解決深度學習訓練和推理的運算能力，又能解決功耗和成本問題的芯片，F(xiàn)PGA芯片在這樣背景下誕生。

FPGA可編程的陣列（Field-ProgrammableGateArray），作為ASIC領域中的一種半定制電路而出現(xiàn)，本質上是基于無指令，無需共享內存的體系架構創(chuàng)新，滿足了特定場景的需求。

FPGA主要通過以下手段提升性能、降低時延；減少能耗、降低成本：

通過燒入可配置、可反復刷寫的FPGA配置文件來定義大量門電路和存儲器間的連線。

通過配置文件，將FPGA變成不同的處理器，支持各種不同的深度學習計算任務。

FPGA中的寄存器和片上內存，屬于各自的控制邏輯，無需不必要的沖裁和緩存。

根據(jù)研究發(fā)現(xiàn)，對于大量的矩陣運算GPU計算能力遠高于FPGA，但是由于FPGA體系結構特點，非常適用于低時延、流式計算密集型任務處理。在類似海量并發(fā)的云端推斷，比如語音云識別場景，F(xiàn)PGA相比GPU具備更低計算時延的優(yōu)勢，能夠提供更佳的消費者體驗。