目前,，全世界超過90%的數(shù)據(jù)都是在過去的兩三年之內(nèi)產(chǎn)生的,。隨著人工智能,、自動駕駛,、5G、云計算等各種技術(shù)的不斷發(fā)展,，海量數(shù)據(jù)都將會繼續(xù)源源不斷的產(chǎn)生,。預(yù)計到2025年，數(shù)據(jù)總量將比現(xiàn)在增長10倍,。在這些技術(shù)的發(fā)展中,，很大的一部分都基于對大數(shù)據(jù)的研究和分析。正因為如此,，很多人就形象的將數(shù)據(jù)比喻為人工智能時代的石油,。

　　為了對海量的數(shù)據(jù)進行處理，基于傳統(tǒng)CPU的計算結(jié)構(gòu)已經(jīng)很難滿足需求了,，我們需要更加強大的硬件和芯片,，來更快、更好的完成這些工作,。

　　此外,，我們也需要更好的方法，比如使用各種人工智能的算法和模型,，來幫助我們進行數(shù)據(jù)的分析和處理,，并得到有意義的結(jié)論。如果把這兩者結(jié)合起來,，就產(chǎn)生了各種各樣的人工智能芯片,。

　　在這篇文章里，我們來一起看一下關(guān)于人工智能芯片的幾個有意思的事情,。我想討論的重點,，是在實際的工程實踐和應(yīng)用場景里，如何對人工智能加速芯片進行合理的評價和選擇,，以及各種不同的AI芯片的優(yōu)缺點都有哪些,。我會給大家介紹一個簡單的思維框架，幫助大家理解和思考,。

　　討論：一個前提條件

　　在開始討論之前,，我們首先要明確一些討論的前提條件，這些對于接下來的分析至關(guān)重要,。很多人常犯的一個邏輯謬誤,，就是在討論問題的時候缺少一個特定的討論范圍，這個英文叫做context,，中文通常翻譯成語境,，或者上下文。

　　說白了,，這個就是我們在討論問題的時候,，要圈定一個討論的范圍,，大家都在這個圈圈里討論問題。這就像拳擊或者格斗比賽一樣,，要在那個擂臺上比拼,，不能跑到臺下打。否則的話,，就會像老郭和于大爺說的那樣：

　　你和他講道理,，他和你講法制；

　　你和他講法制,，他和你講政治,；

　　你和他講政治，他和你講國情,；

　　你和他講國情,，他和你講文化；

　　你和他講文化,，他和你講道理……

　　同樣的,，對于我們要討論的人工智能芯片，其實有很多不同的應(yīng)用領(lǐng)域,。從這個角度來看,，AI芯片可以分成移動端和服務(wù)器端兩大類，也有很多人把兩類稱為終端和云端,。

　　事實上,，在這兩類應(yīng)用中，人工智能芯片在設(shè)計要求上有著本質(zhì)區(qū)別,。比如,，移動端更加注重AI芯片的低功耗、低延時,、低成本,，而部署在云端的AI芯片，可能會更加注重算力,、擴展能力,，以及它對現(xiàn)有基礎(chǔ)設(shè)施的兼容性等等。

　　對于這兩類人工智能芯片,，我們很難直接進行比較,。這就好像一棵大樹，它的樹干負(fù)責(zé)支撐起這顆樹,，并且還能輸送各種營養(yǎng)物質(zhì),。它的樹葉就負(fù)責(zé)進行光合作用,，并生產(chǎn)營養(yǎng)物質(zhì),。但是我們很難比較樹干和樹葉,，究竟誰更有用。

　　在這篇文章里,，我們要把討論的范圍縮小,，只關(guān)注部署在服務(wù)器端的人工智能芯片的相關(guān)問題。

　　此外,，我們還需要明確一下具體討論哪些AI芯片,。這篇文章將主要對比四種最常見的芯片：CPU、GPU,、ASIC和FPGA,。其他的一些相對小眾的芯片種類，比如類腦芯片和量子芯片等等,，就不列入討論的范圍了,。

　　分析：一個思維框架

　　我們現(xiàn)在明確了討論的領(lǐng)域和對象，也就是部署在服務(wù)器端的四種常見的芯片,，接下來應(yīng)該確定的是,，通過什么樣的方式來衡量這些AI芯片的優(yōu)缺點。

　　在這里給大家介紹一個我們在工程實踐里經(jīng)常使用的思維框架,。具體來說,，當(dāng)我們考慮在數(shù)據(jù)中心里大量部署AI芯片的時候，通常需要考慮以下幾個重要的因素,。

　　首先就是算力,，也就是芯片的性能。這里的性能有很多方面,，比如這個芯片做浮點或者定點數(shù)運算的時候,，每秒的運算次數(shù)，以及這個芯片的峰值性能和平均性能等等,。

　　但是,，算力或者性能其實并不是衡量AI芯片好壞的唯一標(biāo)準(zhǔn)。事實上,，在很多時候它甚至不是最重要的標(biāo)準(zhǔn),。那么，還有哪些考慮的因素呢,？

　　在這個思維框架里,，一共有五個衡量因素。除了性能之外,，還有靈活性,、同構(gòu)性、成本和功耗四點。

　　其中,，靈活性指的是這個AI芯片對不同應(yīng)用場景的適應(yīng)程度,。也就是說，這個芯片能不能被用于各種不同的AI算法和應(yīng)用,。

　　同構(gòu)性指的是,，當(dāng)我們大量部署這個AI芯片的時候，我們能否重復(fù)的利用現(xiàn)有的軟硬件架構(gòu)和資源,，還是需要引入其他額外的東西,。舉個簡單的例子，比如我的電腦要外接一個顯示器,，如果這個顯示器的接口是HDMI,，那么就可以直接連。但是如果這個顯示器的接口只有VGA或者DVI或者其他接口,，那么我就要買額外的轉(zhuǎn)接頭才行,。這樣，我們就說這個設(shè)備,，也就是顯示器,，它對我現(xiàn)有系統(tǒng)的同構(gòu)性不好。

　　成本和功耗就比較好理解了,。成本指的就是錢和時間,，當(dāng)然如果細(xì)摳的話，還有投入的各種人力物力,，以及沒有選擇其他芯片帶來的機會成本等等,。不過歸根到底還是錢和時間。成本包含兩大部分,，一部分是芯片的研發(fā)成本,，另一部分是芯片的部署和運維成本。

　　功耗就更好理解了,，指的就是某種AI芯片對數(shù)據(jù)中心帶來的額外的功耗負(fù)擔(dān),。

　　比較：4種芯片，5個維度

　　現(xiàn)在我們知道了這個思維框架里的五個重要元素,，那么我們就能對前面提到的四種芯片,，也就是CPU、GPU,、ASIC和FPGA做一個定性的比較了,。這里聲明一下，這些對比僅代表我個人的觀點,，也歡迎大家在留言里和我交流你的想法,。

　　CPU

　　對于CPU來說,，它仍然是數(shù)據(jù)中心里的主要計算單元。事實上,，為了更好的支持各種人工智能應(yīng)用,，傳統(tǒng)CPU的結(jié)構(gòu)和指令集也在不斷迭代和變化。

　　比如,，英特爾最新的Xeon可擴展處理器，就引入了所謂的DL Boost,，也就是深度學(xué)習(xí)加速技術(shù),，來加速卷積神經(jīng)網(wǎng)絡(luò)和深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和推理性能。但是相比其他三種芯片,，CPU的AI性能還是有一定差距,。

　　CPU最大的優(yōu)勢就是它的靈活性和同構(gòu)性。對于大部分?jǐn)?shù)據(jù)中心來說,，它們的各種軟硬件基礎(chǔ)設(shè)施都是圍繞CPU設(shè)計建設(shè)的,。所以CPU在數(shù)據(jù)中心的部署、擴展,、運維,，包括生態(tài)其實都已經(jīng)非常成熟了。它的功耗和成本不算太低,，但也還在可接受的范圍內(nèi),。

　　GPU

　　GPU有著大規(guī)模的并行架構(gòu)，非常適合對數(shù)據(jù)密集型的應(yīng)用進行計算和處理,，比如深度學(xué)習(xí)的訓(xùn)練過程,。和CPU相比，GPU的性能會高幾十倍甚至上千倍,。因此業(yè)界的很多公司,，都在使用GPU對各種AI應(yīng)用進行加速。

　　GPU的另外一個優(yōu)勢,，是它有著比較成熟的編程框架,，比如CUDA，或者OpenCL等等,，這是GPU在AI領(lǐng)域得到爆發(fā)最直接的推動力量之一,，也是GPU相比FPGA或者ASIC的最大優(yōu)勢之一。

　　但是,，GPU的最大問題就是它的功耗,。比如，英偉達(dá)的P100,、V100和A100 GPU的功耗都在250W到400W之間,。相比于FPGA或ASIC的幾十瓦甚至幾瓦的功耗而言,，這個數(shù)字顯得過于驚人了。

　　而對于神經(jīng)網(wǎng)絡(luò)的訓(xùn)練來說,，它往往需要大量密集的GPU集群來提供充足的算力,。這樣一來，一個機柜的功耗就可能會超過幾十千瓦,。這就需要數(shù)據(jù)中心為它修改供電和散熱等結(jié)構(gòu),。比如傳統(tǒng)的數(shù)據(jù)中心大都靠風(fēng)扇散熱，但如果要部署GPU,，就可能要改成水冷散熱,。對于大數(shù)據(jù)中心來說，這是筆巨大的開銷,。

　　伴隨著高功耗,，更大的問題實際是高昂的電費開支。要知道,，現(xiàn)代數(shù)據(jù)中心的運維成本里,，電費開支占40%甚至更高。所以,，對于GPU在數(shù)據(jù)中心里的大規(guī)模部署,，我們通常考慮的是它所帶來的性能優(yōu)勢,，能否抵消它帶來的額外電費,。

　　ASIC

　　ASIC就是所謂的人工智能專用芯片。這里的典型代表,，就是谷歌阿爾法狗里用的TPU,。根據(jù)谷歌的數(shù)據(jù)，TPU在阿爾法狗里替代了一千多個CPU和上百個GPU,。

　　在我們的衡量體系里,，這種AI專用芯片的各項指標(biāo)都非常極端，比如它有著極高的性能和極低的功耗,，和GPU相比,，它的性能可能會高十倍，功耗會低100倍,。

　　但是,，研發(fā)這樣的芯片有著極高的成本和風(fēng)險。與軟件開發(fā)不同,，芯片開發(fā)全程都需要大量的人力物力投入,，開發(fā)周期往往長達(dá)數(shù)年，而且失敗的風(fēng)險極大,。放眼全球,，同時擁有雄厚的資金實力和技術(shù)儲備以進行這類研發(fā)的公司,，大概用兩只手就能數(shù)的出來。也就是說,，這種方案對于大多數(shù)公司而言并可能沒有直接的借鑒意義,。

　　此外呢，AI專用芯片的靈活性往往比較低,。顧名思義,，包括谷歌TPU在內(nèi)的AI專用芯片，通常是針對某種特定應(yīng)用而設(shè)計開發(fā),，因此它可能很難適用于其他的應(yīng)用,。在使用成本的角度，如果要采用基于ASIC的方案,，就需要這類目標(biāo)應(yīng)用有足夠的使用量，以分?jǐn)偢甙旱难邪l(fā)費用,。同時,，這類應(yīng)用需要足夠穩(wěn)定，避免核心的算法和協(xié)議不斷變化,。而這對于很多AI應(yīng)用來說是不現(xiàn)實的,。

　　值得一提的是，我國在人工智能專用芯片領(lǐng)域涌現(xiàn)出來了一波優(yōu)秀的公司,，比如寒武紀(jì),、地平線，還有之前被賽靈思收購的深鑒科技等等,。受篇幅限制,，關(guān)于這些公司的具體產(chǎn)品和技術(shù)，這里就不再展開了,。

　　FPGA

　　最后再來說一下FPGA,。我個人認(rèn)為，FPGA能夠在這些性能指標(biāo)中達(dá)到比較理想的平衡,。當(dāng)然了,，我目前的職業(yè)就和FPGA緊密相關(guān)，所以這個結(jié)論有屁股決定腦袋之嫌,，謹(jǐn)供大家借鑒,。

　　在性能方面，F(xiàn)PGA可以實現(xiàn)定制化的硬件流水線,，并且可以在硬件層面進行大規(guī)模的并行運算,，而且有著很高的吞吐量。

　　FPGA最主要的特點其實是它的靈活性,，它可以很好的應(yīng)對包括計算密集型和通信密集型在內(nèi)的各類應(yīng)用,。此外,，F(xiàn)PGA有著動態(tài)可編程、部分可編程的特點,，也就是說,，F(xiàn)PGA可以在同一時刻處理多個應(yīng)用，也可以在不同時刻處理不同的應(yīng)用,。

　　在數(shù)據(jù)中心里,，目前FPGA通常以加速卡的形式配合現(xiàn)有的CPU進行大規(guī)模部署。FPGA的功耗通常為幾十瓦,，對額外的供電和散熱等環(huán)節(jié)沒有特殊要求,，因此可以兼容數(shù)據(jù)中心的現(xiàn)有硬件基礎(chǔ)設(shè)施。

　　在衡量AI芯片的時候,，我們也經(jīng)常使用性能功耗比這個標(biāo)準(zhǔn),。也就是說，即使某種芯片的性能非常高,，但是功耗也非常高的話,，那么這個芯片的性能功耗比就很低。這也是FPGA相比GPU更有優(yōu)勢的地方,。

　　在開發(fā)成本方面,，F(xiàn)PGA的一次性成本其實遠(yuǎn)低于ASIC，因為FPGA在制造出來之后,，可以通過重復(fù)編程來改變它的邏輯功能,。而專用芯片一旦流片完成就不能修改了，但是每次流片都會耗資巨大,。這也是為什么包括深鑒在內(nèi)的很多AI芯片的初創(chuàng)企業(yè),，都使用FPGA作為實現(xiàn)平臺的原因。

　　所以說,，相比其他硬件加速單元而言,，F(xiàn)PGA在性能、靈活性,、同構(gòu)性,、成本和功耗五個方面達(dá)到了比較理想的平衡，這也是微軟最終選用FPGA,，并在數(shù)據(jù)中心里進行大規(guī)模部署的主要原因,，有興趣的朋友，可以看之前的文章《FPGA在微軟數(shù)據(jù)中心的前世今生》,。

　　結(jié)語

　　在這篇文章里,，我們討論了人工智能芯片的主要分類，比如按應(yīng)用場景,，可以分成服務(wù)器端和移動端兩類,。我們介紹了四種可以用來執(zhí)行人工智能應(yīng)用的芯片,，分別是CPU、GPU,、ASIC和FPGA,。我們還根據(jù)一個思維框架，從性能,、靈活性,、同構(gòu)性、功耗,、成本五個方面,，分別衡量了這四種芯片的優(yōu)缺點。

　　事實上,，對于這個問題并沒有一個唯一的答案,。我們只有根據(jù)特定的“Context”，也就是具體情況具體分析,，才能找到最適用于某個應(yīng)用的AI芯片,。而這種理性的思維方式，其實也適用于我們?nèi)粘９ぷ骱蜕畹母鞣N事情,，這也是本文想要傳達(dá)的最重要的內(nèi)容,。