蒋思莹作者

当我们再谈AI芯片,有些东西已经变了

据相关统计数据显示,2019年全球人工智能芯片市场规模为110亿美元。随着人工智能技术日趋成熟,数字化基础设施不断完善,AI芯片市场也迎来了高速增长的时期,预计2025年全球人工智能芯片市场规模将达726亿美元。

从市场情况中看,在经历百家争鸣、群雄并起等不同阶段后,AI芯片独角兽开始迈向上市,初创企业也在加速规模化落地,并进入了生态对抗阶段。如何在这个阶段赢得市场的青睐,抢食未来价值726亿美元的市场,成为了业界的新课题。

对此,在中国光学工程学会举办的2020第十二届光电子产业博览会同期还召开了GTIC 2020 AI芯片创新峰会。本次峰会以“拥抱芯世界 开创新未来”为主题,设置了多个板块,分别邀请了涉及AI芯片各个领域的企业和专家,共议AI芯片在中国半导体黄金时代的创新与未来。

AI芯片有了明确的发展方向


AI芯片经过数年的探索,已经开始在多个市场应用中初露锋芒。在这个过程当中,AI芯片发展的挑战和技术方向也逐渐明晰了起来。

清华大学微纳电子系副主任、微电子所副所长尹首一教授指出,在推动智能化的发展中,AI芯片发挥着两个核心的作用,一是人工智能的上限是由芯片的算力决定的,二是芯片的能效直接影响了人工智能所能覆盖的应用场景。他表示:“人工智能仍处于起步阶段,AI芯片的需求推动了集成电路的发展,促使业界去探索颠覆性的技术,用以突破传统架构的性能和能效瓶颈。”

图片

清华大学微电子学研究所副所长、微纳电子系副主任尹首一教授

就此话题,安谋中国市场及生态副总裁梁泉为我们进行了更详细的解析。他指出,架构创新、通用以及专用芯片更多演变为CPU + NPU 的形态、软硬一体是AI芯片发展的三大趋势。梁泉表示:“当前内存的存取速度严重滞后于处理器的计算速度,内存瓶颈导致高性能处理器难以发挥出应有的功效。因此新的完全可编程、可重构架构(CGRA)芯片、内存计算芯片,以及具有高存储带宽的全新处理器架构IPU,可以解决此类“内存墙”问题;另一方面,AI芯片创新的目标在于保持芯片高能效比的同时还能适应AI算法的不断演进,未来市场需要的是通用加专用芯片,并且适用范围更广。在软硬件协同方面,打造易用、完整的异构计算平台,对于AI芯片的发展也十分重要。”

有了明确的技术发展方向,实现产品落地的应用场景也值得业界去关注。通过现场的演讲,我们发现,数据中心和汽车电子是未来AI芯片可以大展拳脚的主要领域。

数据中心中的AI芯片

AI芯片在数据中将发挥重要作用。在安谋中国看来,目前数据中心的AI芯片以GPU及FPGA为主。GPU主要应用于云端训练及推理等,而FPGA及ASIC芯片,主要应用于云端推理。结合市场情况来看,根据IDC预计的数据,2022年AI服务器云端推断市场将超过训练的市场规模,这就意味着FPGA尤其是ASIC芯片在云端推理领域在未来将有大规模的增长。由于GPU/FPGA成本高昂,国产替代正在加速,因此未来国内芯片/服务器/云计算厂商自研AI芯片将成为主流。

图片

▲安谋中国市场及生态副总裁梁泉

针对这种发展趋势,安谋中国推出了“周易”。据安谋中国市场及生态副总裁梁泉介绍,“周易”AIPU能够帮助客户定制应用于数据中心的专用AI芯片,提供高算力及高能效比的解决方案。今年10月,安谋中国已经将“周易”系列迭代发布到Z2版本。他表示:“未来几年云端推理市场将是安谋中国的重点领域之一。我们将根据市场需求持续改进和完善产品服务。”

壁仞科技联合创始人、总裁徐凌杰表示,当前的数据中心正经历着大型化、解耦化、智能化的变化,“去CPU中心化”的数据中心将是未来可预见的发展趋势之一。在这个过程当中,新基建为AI芯片在数据中心中的应用提供了引领的方向。他表示:“未来我们拼的是算力,算力不仅是芯片本身,也不是仅软硬结合,它更涉及到了基础设施。”

图片

▲壁仞科技联合创始人、总裁徐凌杰

从实现商用的角度上看,燧原科技创始人兼COO张亚林则表示:“AI系统要落地数据中心,实现“全垒打”,必须具备系统集群、板卡、高性能/高算力芯片,以及全栈软件四大要素,并从完备性、生产率、成本、功耗和性能五个维度去衡量AI系统是否具备市场化、产业化和规模化的可能性。”

图片

▲燧原科技创始人&COO张亚林

智慧城市或许是AI芯片落地基础建设中的一个例子。比特大陆AI业务线CEO王俊在本次峰会中表示,以智能计算中心为代表的算力基础设施为算力和算法提供了动力引擎。为此,比特大陆算丰推出AI加速产品矩阵,以助力智慧城市的建设。

图片

▲比特大陆AI业务线CEO王俊

汽车电子领域发展离不开AI芯片

汽车电子领域是被众多AI芯片玩家看好的一块市场,他们的到来为这个市场带来了变革。

黑芝麻智能科技CMO杨宇欣表示:“实现自动驾驶需要的不仅仅是AI一个功能,更多是需要一个计算平台,为汽车提供更多的计算能力。”他认为自动驾驶要实现突围,大算力芯片是自动驾驶技术的基础,还需要高性能的车规级计算平台作支撑。同时,自主研发核心IP、车规安全认证和成熟的工具链,以及围绕车规级高性能计算平台构建完整生态系统,都是重要的解决思路。

图片

黑芝麻智能科技CMO杨宇欣

Imagination作为核心半导体IP公司,其NPU的IP可以覆盖从智能驾舱到ADAS直至自动驾驶的广泛应用领域,凭借着高性能、低延迟、低带宽、低能耗的优点其汽车芯片系列IP受到了市场的青睐。在他们看来,AI已经改变了汽车芯片的游戏规则。终局来看,未来的汽车就像是架在轮子上的数据中心,而AI芯片就是这个数据中心的大脑。这种集中式的电子架构需要同时运行多个基于神经网络的计算,无论从AI能力,安全性和功耗都对汽车芯片的设计带来了更大的挑战。

图片

▲Imagination公司副总裁&中国区总经理刘国军

Imagination副总裁&中国区总经理刘国军认为软件标准化,硬件平台化,IP定制化是未来的发展方向。所谓IP 定制化是基于IP产品的主线,针对各家自驾算法的实现在SoC NPU IP级别进行定制化,达到MAC利用率最优。他表示:“IP定制化是目前来说最安全和快速,低成本的打造自主汽车智能芯片的路径。”

据了解,Imagination在今年针对汽车领域推出的4NX系列NNA核心,就能支持高达500Tops的算力。刘国军表示:“Imagination期待与中国主机厂和软件伙伴紧密合作,提供AI能力的原厂支持,达到AI应用落地, AI芯片上车的共同目标。”

AI芯片对汽车领域的影响不仅仅止于芯片,刘国军表示:“AI芯片的应用也势必改变汽车产业链的分工。过去中国汽车厂商更习惯于集成的工作,即把若干功能域的实现交给Tier1,但未来中国汽车厂商则需要搭建从AI应用场景到算法数据,软件架构,直至AI芯片的产业链条,并主导产业的协同发展。”

此外,地平线首席战略官郑治泰还指出了另外一个AI企业需要重视的问题。他表示:“AI企业需要聚焦在提升打造数据系统的闭环以及提升数据闭环的效率。同时结合软件和硬件底层的逻辑设计,把计算的效率和计算的性能逐渐提高。”那么,打造数据闭环需要AI企业做些什么——第一,需要持续提升芯片的有效计算效率和计算能力;第二,持续提升算法的效率;第三,根据解决物理世界的实际问题联合调优得到最优解。郑治泰补充道:“有一些传统模型已经过时,自动驾驶场景需要更先进的模型,而这就要求在进行芯片设计时,考虑对未来模型、算法引进的趋势。”

图片

地平线首席战略官郑治泰

AI芯片的商用化难在哪里

就像我们前文所提到的那样,AI芯片的竞争已经进入到了商用化的阶段,在这个时期当中,如何加速落地商用以及怎样实现大规模商用,成为了业界关注的焦点。

亿智电子联合创始人兼COO吴浪认为,AI芯片落地难主要是存在四点挑战。一是由于落地需要基于算法,尤其需要结合海量数据和不同应用场景,但目前做算法的人太少;二是应用碎片化,没有办法用一个或者几个算法去满足所有或者大部分的规模化场景;三是数据量极其庞大,导致AI从大数据中获取适合场景算法数据的难度很大;四是缺少统一的跨平台软件,服务器端、PC端训练好的数据如何能够快速地适配到设备端是个不小的挑战。

图片

亿智电子联合创始人&COO吴浪

除此之外,安谋中国市场及生态副总裁梁泉认为,技术路线同质化容易导致产品同质化、AI芯片性能标准、AI芯片研发与算法发展不平衡以及市场接受度不高,AI应用所需要的数据闭环难以形成也是AI芯片在实现商用化的过程中所要面临的挑战。

就众多厂商都提到的软件领域上看,AI也为这个领域的发展产生了重大的影响。从最源头的设计软件来看,“我们不再是单点或者局部去看待芯片设计本身,除了芯片的封装本身,还要考虑系统的设计,考虑用户可能有算法的需求、软硬件协同的需求,并且引入AI的算法等”,Cadence公司验证事业部产品工程总监孙晓阳表示:“我们也在引入AI算法,来一起应对挑战。”

图片

▲Cadence公司验证事业部产品工程总监孙晓阳

从市场表现来看,即使在商用化落地的过程中存在着诸多挑战,但也有不少企业完成了这项任务。而是否能够成功商用化也成为了衡量优秀AI企业的标准之一。

站在投资方的角度看,北极光创投合伙人杨磊表示,市场对AI芯片的需求为众多企业带来了发展机会,但市场也会进行选择,大浪淘沙过后,可能会造就一批有价值的本土半导体企业。中芯聚源管理合伙人张焕麟则表示,虽然,AI芯片还具有发展的潜力,但需要注意的是做芯片还要做生产。与此前不同的是,英伟达和ARM已经建立了比较完善的生态,在这种情况下,创始企业就不仅需要做芯片,还要注重解决方案和生态的发展,才更有机会分食AI市场的蛋糕。

创新是AI芯片的DNA

创新驱动着AI芯片的发展,创新或许不能在短期内见效,但却必不可少。

赛灵思人工智能业务资深总监、前深鉴科技CEO姚颂指出,随着摩尔定律发展放缓,未来正面战场无法单纯依靠架构技术创新取得实质性提升,因此新的技术路线开始得到关注,例如存内计算、光计算等。未来,行业最终将会形成云端相对统一,终端相对垂直的竞争格局。

图片

▲赛灵思人工智能业务资深总监姚颂

针对这些领域,也有不少嘉宾发表了他们的看法。光子算数CEO白冰表示,光子芯片处于比较早期的阶段,这一领域才刚刚起步,但它也为AI芯片行业提供了另一种可能。

图片

▲光子算数CEO白冰

在存算一体方面,知存科技是这个领域的代表之一。在知存科技CEO王绍迪看来,随着工艺发展到现在的先进工艺,包括5纳米,未来的3纳米,后来也可以到1纳米,实际上存储墙的问题越来越严重。而存算一体则是解决这个问题的方法之一。存算一体的本质是用存储器直接做计算,但高算力、低功耗的特性使其应用场景与传统SoC芯片不同,因此需要在AI音频、健康等领域做更多应用创新。目前基于Flash的存算一体芯片技术停留在28nm阶段,但存储密度和运算效率高于最先进的冯诺依曼架构芯片,未来将有机会进入22nm和基于Chiplet的应用方式,让存算一体以更多形式与现有芯片集成,丰富应用场景。

图片

知存科技CEO王绍迪

除此之外,内存与计算之间的连接也受到了市场的关注。浙江豪微科技联合创始人兼CEO胡楠表示,如今大多数企业对于计算性能的提升主要强调计算和存储两个方面的结合,但豪微科技更关注连接,因为计算体系性能提升的挑战是计算和连接并重。他提到,公司的FPU应用产品拥有高宽带、低延时、计算存储连接一体化优势,在区块链HPC计算领域已经取得了一定的成绩。

图片

▲浙江豪微科技联合创始人、CEO胡楠

Powered by Froala Editor

半导体行业观察
半导体行业观察

最有深度的半导体新媒体,实时、专业、原创、深度,30万半导体精英关注!专注观察全球半导体最新资讯、技术前沿、发展趋势。

产业AI芯片
相关数据
清华大学机构

清华大学(Tsinghua University),简称“清华”,由中华人民共和国教育部直属,中央直管副部级建制,位列“211工程”、“985工程”、“世界一流大学和一流学科”,入选“基础学科拔尖学生培养试验计划”、“高等学校创新能力提升计划”、“高等学校学科创新引智计划”,为九校联盟、中国大学校长联谊会、东亚研究型大学协会、亚洲大学联盟、环太平洋大学联盟、清华—剑桥—MIT低碳大学联盟成员,被誉为“红色工程师的摇篮”。 清华大学的前身清华学堂始建于1911年,因水木清华而得名,是清政府设立的留美预备学校,其建校的资金源于1908年美国退还的部分庚子赔款。1912年更名为清华学校。1928年更名为国立清华大学。1937年抗日战争全面爆发后南迁长沙,与北京大学、南开大学组建国立长沙临时大学,1938年迁至昆明改名为国立西南联合大学。1946年迁回清华园。1949年中华人民共和国成立,清华大学进入了新的发展阶段。1952年全国高等学校院系调整后成为多科性工业大学。1978年以来逐步恢复和发展为综合性的研究型大学。

http://www.tsinghua.edu.cn/
相关技术
黑芝麻智能机构

黑芝麻智能科技是一家专注于视觉感知技术与自主IP芯片开发的企业。公司主攻领域为嵌入式图像和计算机视觉,核心业务是提供基于图像处理、计算图像以及人工智能的嵌入式视觉感知芯片计算平台,为ADAS及自动驾驶提供完整的商业落地方案。在算力、功耗、算法和车规级要求等核心能力方面已经跻身行业领跑者的行列。

http://bst.ai/
深鉴科技机构

深鉴科技成立于2016年3月,定位为深度学习硬件解决方案公司,将以自主研发的深度压缩与深度学习处理器(DPU)为核心,打造最好用的解决方案和最高效的整体系统,提供硬件+芯片+软件+算法的完整方案,方便所有人使用。同时,深鉴主要瞄准智慧城市和数据中心两大市场,可帮助用户为多种智能安防场景打造稳定高效的解决方案。

相关技术
地平线机构

地平线具有领先的人工智能算法和芯片设计能力,通过软硬结合,设计开发高性能、低成本、低功耗的边缘人工智能芯片及解决方案,开放赋能合作伙伴。面向智能驾驶和AIoT,地平线可提供超高性价比的边缘AI芯片、极致的功耗效率、开放的工具链、丰富的算法模型样例和全面的赋能服务。

horizon.ai
区块链技术

区块链是用分布式数据库识别、传播和记载信息的智能化对等网络, 也称为价值互联网。 中本聪在2008年,于《比特币白皮书》中提出“区块链”概念,并在2009年创立了比特币社会网络,开发出第一个区块,即“创世区块”。

自动驾驶技术技术

从 20 世纪 80 年代首次成功演示以来(Dickmanns & Mysliwetz (1992); Dickmanns & Graefe (1988); Thorpe et al. (1988)),自动驾驶汽车领域已经取得了巨大进展。尽管有了这些进展,但在任意复杂环境中实现完全自动驾驶导航仍被认为还需要数十年的发展。原因有两个:首先,在复杂的动态环境中运行的自动驾驶系统需要人工智能归纳不可预测的情境,从而进行实时推论。第二,信息性决策需要准确的感知,目前大部分已有的计算机视觉系统有一定的错误率,这是自动驾驶导航所无法接受的。

人工智能技术

在学术研究领域,人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体(intelligent agent)

提升算法技术

Boosting是一种主要用于减少偏差的机器学习集成元算法,也是监督学习的一个变化,是一种将弱学习器转换为强学习器的机器学习算法家族。 Boosting是基于Kearns和Valiant(1988,1989)提出的问题:一组弱学习器能创造一个强大的学习器吗?一个弱的学习器被定义为一个分类器,它与真实的分类只有轻微的相关性(它可以比随机猜测更好地标注示例)。相反,强大的学习器是一个与真实分类任意相关的分类器。

神经网络技术

(人工)神经网络是一种起源于 20 世纪 50 年代的监督式机器学习模型,那时候研究者构想了「感知器(perceptron)」的想法。这一领域的研究者通常被称为「联结主义者(Connectionist)」,因为这种模型模拟了人脑的功能。神经网络模型通常是通过反向传播算法应用梯度下降训练的。目前神经网络有两大主要类型,它们都是前馈神经网络:卷积神经网络(CNN)和循环神经网络(RNN),其中 RNN 又包含长短期记忆(LSTM)、门控循环单元(GRU)等等。深度学习是一种主要应用于神经网络帮助其取得更好结果的技术。尽管神经网络主要用于监督学习,但也有一些为无监督学习设计的变体,比如自动编码器和生成对抗网络(GAN)。

云计算技术

云计算(英语:cloud computing),是一种基于互联网的计算方式,通过这种方式,共享的软硬件资源和信息可以按需求提供给计算机各种终端和其他设备。

逻辑技术

人工智能领域用逻辑来理解智能推理问题;它可以提供用于分析编程语言的技术,也可用作分析、表征知识或编程的工具。目前人们常用的逻辑分支有命题逻辑(Propositional Logic )以及一阶逻辑(FOL)等谓词逻辑。

摩尔定律技术

摩尔定律是由英特尔创始人之一戈登·摩尔提出来的。其内容为:积体电路上可容纳的电晶体数目,约每隔两年便会增加一倍;经常被引用的“18个月”,是由英特尔首席执行官大卫·豪斯所说:预计18个月会将芯片的性能提高一倍。

亿智电子机构

亿智科技是一家集成电路芯片生产商,以数模混合Soc芯片设计为核心技术,产品为音视频集成电路,主要应用于工业控制、消费类电子、汽车电子、智能家居等领域,同时公司还可为用户提供相关领域的芯片解决方案。

http://www.eeasytech.com/
知存科技机构

知存科技成立于2017年10月,专注于模拟存算一体人工智能芯片设计,创新地使用Flash存储器完成神经网络的存储和运算,解决AI的存储墙问题,提高运算效率,降低成本。

http://www.witintech.com/
推荐文章
暂无评论
暂无评论~