谈谈人工智能芯片那些事儿，老牌CPU都要被淘汰？

人工智能芯片发展路线图

设计芯片的目的是从加速深度学习算法到希望从底层结构模拟人脑来更好实现智能。

目前人工智能芯片涵盖了基于FPGA 的半定制、针对深度学习算法的全定制、类脑计算芯片三个阶段。

基于FPGA 的半定制人工智能芯片在芯片需求还未成规模、深度学习算法暂未稳定需要不断迭代改进的情况下，利用具备可重构特性的FPGA 芯片来实现半定制的人工智能芯片是最佳选择。这类芯片中的杰出代表是国内初创公司深鉴科技，该公司设计了"深度学习处理单元"（Deep Processing Unit，DPU）的芯片，希望以ASIC 级别的功耗来达到优于GPU 的性能，其第一批产品就是基于FPGA 平台。这种半定制芯片虽然依托于FPGA 平台，但是利用抽象出了指令集与编译器，可以快速开发、快速迭代，与专用的FPGA 加速器产品相比，也具有非常明显的优势。

　　针对深度学习算法的全定制人工智能芯片

这类芯片是完全采用ASIC 设计方法全定制，性能、功耗和面积等指标面向深度学习算法都做到了最优。谷歌的TPU 芯片、我国中科院计算所的寒武纪深度学习处理器芯片就是这类芯片的典型代表。

以寒武纪处理器为例，目前寒武纪系列已包含三种原型处理器结构：

寒武纪1 号（英文名DianNao，面向神经网络的原型处理器结构）、寒武纪2 号（英文名 DaDianNao，面向大规模神经网络）、寒武纪3 号（英文名 PuDianNao，面向多种深度学习算法）。

其中寒武纪2 号在28nm 工艺下主频为606MHz，面积67.7 mm2，功耗约16W。其单芯片性能超过了主流GPU 的21 倍，而能耗仅为主流GPU 的1/330。64 芯片组成的高效能计算系统较主流GPU 的性能提升甚至可达450 倍，但总能耗仅为1/150。

第三阶段：类脑计算芯片这类芯片的设计目的不再局限于仅仅加速深度学习算法，而是在芯片基本结构甚至器件层面上希望能够开发出新的类脑计算机体系结构，比如会采用忆阻器和 ReRAM 等新器件来提高存储密度。

这类芯片的研究离成为市场上可以大规模广泛使用的成熟技术还有很大的差距，甚至有很大的风险，但是长期来看类脑芯片有可能会带来计算体系的革命。这类芯片的典型代表是IBM 的TrueNorth 芯片。

TrueNorth 处理器由54 亿个连结晶体管组成，构成了包含100 万个数字神经元阵列，这些神经元又可通过2.56 亿个电突触彼此通信。该芯片采用跟传统冯诺依曼不一样的结构，将内存、处理器单元和通信部件完全集成在一起，因此信息的处理完全在本地进行，而且由于本地处理的数据量并不大，传统计算机内存与CPU之间的瓶颈不复存在。同时神经元之间可以方便快捷地相互沟通，只要接收到其他神经元发过来的脉冲（动作电位），这些神经元就会同时做动作实现事件驱动的异步电路特性。由于不需要同步时钟该芯片功耗极低：16 个TrueNorth 芯片的功耗仅为2.5 瓦，仅与平