人工智能芯片主要包括GPU、FPGA、ASIC以及類腦芯片。在人工智能時代，它們各自發(fā)揮優(yōu)勢，呈現(xiàn)出百花齊放的狀態(tài)。現(xiàn)在，人工智能已經不再局限于機器學習上，而且更多可以以更快的速度運行AI系統(tǒng)的新型架構正在被開發(fā)出來。英偉達、高通、英特爾、IBM、谷歌、Facebook和其它公司正在加速涌入這個領域。

實際上，這些器件并不是真正的芯片，而是一種系統(tǒng)級封裝。它們通常包含一顆或者兩顆具有大規(guī)模處理能力的基于最新半導體制造工藝（16nm及以下）的ASIC，和大容量的超高帶寬內存（比如HBM2堆棧），所有這些芯片都通過先進封裝技術集成在一起。

人工智能相關ASIC近來漸獲市場注意，多家廠商如NVIDIA、英特爾、Google及部分新創(chuàng)企業(yè)均相繼搶進開發(fā)，有望在未來形成數(shù)十億美元市場商機規(guī)模。隨著NVIDIA將GPU重新定位成為云端AI引擎角色下，也確定帶動ASIC業(yè)務跟進發(fā)展，如Google如今已推出第二代TPU、英特爾在買下Nervana公司后也取得自有Nervana芯片，另外由多名前Google TPU員工創(chuàng)辦的新創(chuàng)企業(yè)Groq，近日也宣布將在2018年初推出自有下一代AI芯片等等。

Google的TPU，是專門為其深度學習算法Tensor Flow設計的，TPU也用在了AlphaGo系統(tǒng)中。今年發(fā)布的第二代Cloud TPU理論算力達到了180T Flops，能夠對機器學習模型的訓練和運行帶來顯著的加速效果，其實也是一款ASIC芯片。選擇做ASCI定制化研發(fā)，一方面是資金不愁，另一方面也是出于Google所需提供的服務考慮。包括Google圖像搜索、照片，云視覺API、Google翻譯等產品和服務都需要用到深度神經網絡。Google有這個需求以及能力去開發(fā)一種專門的芯片并具備規(guī)?；瘧茫ù罅糠謹傃邪l(fā)成本）的可能。

Nervana由英特爾購并后，計劃在2017年底前推出第一款AI專用化Nervana神經網絡處理器(NNP)。Nervana NNP也是一款ASIC芯片，能以極高運算效率從事深度學習演算法的訓練與執(zhí)行。英特爾舍棄了CPU上常見的快取，改由特殊軟件負責特定演算法的芯片存儲器管理，希望能借此將芯片的運算密度與性能提升到新的層次。

由前Google TPU員工創(chuàng)辦的新創(chuàng)企業(yè)Groq打算在2018年發(fā)布第一代AI芯片。這款芯片對標英偉達的GPU，是專門為人工智能重新定制一款芯片。官網資料顯示，這款芯片的運算速度將可以達到400萬億次每秒，每瓦特能進行8萬億次的運算。而谷歌最新一代的TPU才達到每秒180萬億次運算，Groq芯片的性能將會是谷歌TPU的兩倍多。

聯(lián)發(fā)科也將有所動作。聯(lián)發(fā)科共同CEO蔡力行表示，ASIC的布局聯(lián)發(fā)科會發(fā)揮既有資源，通過現(xiàn)有團隊實力，配合客戶需求積極開發(fā)ASIC領域。但畢竟才剛開始，現(xiàn)階段不會太挑客戶，還是以整體業(yè)務成長為優(yōu)先考慮。

全球AI芯片首個獨角獸寒武紀，走的也是ASIC路線。

事實上，由于定制化、低功耗等好處，在AI領域ASIC正在被越來越多地采用，帶動了ASIC設計及市場快速增長。根據(jù)Semico Research的最新調查報告，在2021年以前，人工智能聲控裝置ASIC的設計預計將以接近20%的年復合成長率成長，幾乎達到2016年至2021年間所有ASIC設計成長率(10.1%)的兩倍，去年全球ASIC出貨量增長為7.7%，明年物聯(lián)網ASIC單位出貨量將超過18億個單位。Semico Research指出，ASIC增長主要動力來自于工業(yè)與消費市場的成長，由于市場飽和加上需求減少，許多傳統(tǒng)終端應用的成長速度開始減慢，而與物聯(lián)網有關的應用正在起飛。

Semico Research指出，除了物聯(lián)網和人工智能以外，與智能電網、穿戴式電子產品、固態(tài)硬盤、無人機、工業(yè)物聯(lián)網、先進駕駛輔助系統(tǒng)(ADAS)和5G基礎設施相關的ASIC產品成長率預計也將較廣泛的市場更迅速。在2021年以前，消費電子領域的基礎SoC設計專案將以19%的CAGR成長，而工業(yè)物聯(lián)網ASIC設計專案則將成長25%。

ASIC設計研發(fā)成本難以負荷，設計服務浴火重生

盡管如此，ASIC在AI領域的應用還是面臨著不少難題。

ASIC是依照產品需求不同而定制化的集成電路，由特定用戶需求和特定電子系統(tǒng)的需求而設計、制造。一般來說，ASIC在特定功能上進行了專項強化，可以根據(jù)需要進行復雜的設計，可實現(xiàn)更高處理速度和更低功耗，相對地，ASIC的設計、制造成本也非常高。一般的IC公司很難承擔為深度學習開發(fā)專門處理器ASIC芯片的成本的風險。首先未來為了性能必須使用最好的半導體工藝制程，而現(xiàn)在用最新的工藝制造芯片一次性成本就要幾百萬美元，非常貴。就算有錢，還需要組建一個團隊從零開始設計，設計周期往往也非常長，可以說TIme to market時間太長，風險很大。且ASIC芯片還將必須不斷升級以跟上新技術及工藝水平，加上ASIC芯片設計者在開發(fā)過程初期便已固定其邏輯，因此若在AI這類快速演進的領域有新想法出現(xiàn)，ASIC芯片將無法對此快速做出反應。如果無法實現(xiàn)規(guī)?；膽?，就算開發(fā)成功也美元實際應用價值。所以，IC公司一般傾向于采用通用芯片如CPU、GPU，或者半定制化芯片F(xiàn)PGA。