2021-2027年中国人工智能芯片市场发展规
划及投资战略可行性预测报告
中金企信(北京)国际信息咨询有限公司-国统报告网
2021年中国人工智能芯片行业全产业链市场运行态势监测调研及项目可行性研究预
测
人工智能芯片指应用在人工智能算法加速,主要实现大规模并行计算的芯片。而在更广泛的概念下,任何应用在人工智能领域的芯片都可被称为人工智能芯片。
(1)人工智能芯片以场景和功能分类:人工智能芯片可根据场景和功能分为云端训练、云端推理、终端训练和终端推理四个类别:
(2)人工智能芯片以技术路线分类:深度学习架构下的人工智能芯片以技术路线进行划分,主要包括 GPU、FPGA、ASIC、ASIP 等类别:GPU 使用 SIMD 让多个执行单元同时处理不同的数据,其离散化和分布式的特征,以及用矩阵运算替代布尔运算的设计使之适合处理深度学习所需要的非线性离散数据。与同样基于冯·诺依曼架构的 CPU 不同的是,在传统的冯·诺依曼结构中,CPU 每执行一条指令都需要存储读取、指令分析、分支跳转才能进行运算,从而限制了处理器的性能;而 GPU 大部分的晶体管可以组成各类专用电路、多条流水线,运算单元明显增多,适合大规模的并行计算。GPU 拥有更多的 ALU 用于数据处理,这样的结构适合对密集型数据进行并行处理,获得高于 CPU 几十倍甚至上千倍的运行速度。在云端,通用 GPU,被广泛应用于深度神经网络训练和推理。但是,GPU 并非专门针对 AI
算法,在执行算法中能耗相对较高、效率相对较低,有一定的时延问题。
FPGA 利用门电路直接运算,而用户可以自由定义这些门电路和存储器之间的布线,改变执行方案。其基本原理是集成大量的基本门电路以及存储器,通过大量的可编程逻辑单元实现针对性的算法设计,即实现以硬件定义软件。FPGA通过可编程逻辑综合,在并行计算上能够获得和 GPU 接近的并行计算性能,相比 CPU,有明显的性能提升,同时在功耗上优势明显在深度学习算法仍处于高速迭代的状态下,FPGA 因其可重构特性而具有显著优势。FPGA 市场化的阻碍主要在于高昂的硬件和开发成本,编程相对复杂,为实现重构而降低了计算资源占比,整体运算能力受到影响。
ASIC 则为专用定制芯片的统称,在架构、设计、成本等方面存在更大的多样性,其中 VPU 是为图像处理和视觉处理设计的定制芯片。ASIC 的架构相对简单,性能和功耗与通用型产品相比更低。由于不需要包含 FPGA 用于实现重构的可配置片上路由与连线,相同工艺的 ASIC 计算芯片可以拥有 FPGA5-10 倍的运算速度,实现 PPA 最优化设计。ASIC 针对场景的定制化设计使其更适合终端推理场景,而如今它的主要劣势在于初期设计的资金投入和研发周期,且针对性设计限制了芯片的通用性。
ASIP 是一种新型的定制化指令集的处理器芯片,它为某个或某一类型应用而专门设计,通过权衡速度、功耗、成本、灵活性等多个方面的设计约束,设计者可以定制 ASIP 以达到最好的平衡点,从而适应嵌入式系统的需要。ASIP 集合了 FPGA 和 ASIC 各自的优点,不仅可以提供 ASIC 级别的高性能和低功耗,还能提供处理器级别的指令集灵活性,实现可重新编程,更适用于需求尚未被明确定义、需要芯片具备一定通用性和可编程性的应用场景,从而满足 AI 算法快速更新迭代的需求,并延长芯片的使用生命周期。
未来,类脑芯片的神经拟态计算将带来更大的想象空间,其内存、CPU 和通信部件将集成为一体,信息处理可以在本地进行。类脑芯片的设计目的也将不局限于加速深度学习算法,而是在芯片结构甚至器件层面上改变设计,开发出全新的类脑计算机体系结构。目前此项技