人工智能芯片报告和半导体行业现状(聚合帖)

1、麦肯锡报告：2017年机器学习和人工智能现状

包括百度和谷歌在内的科技巨头，2016年在人工智能上的投入在200亿至300亿美元之间，其中90%投入研发和部署上，还有10%用于人工智能收购。目前的人工智能投资速度3倍于2013年以来的外部投资增长。麦肯锡发现，有人工智能意识的公司有20%是早期尝鲜者，主要集中于高科技/电信、汽车/组装和金融服务行业。下图显示了研究团队在他们的分析过程中发现的趋势。

http://www.openhw.org/module/forum/thread-658114-1-1.html

2、人工智能芯片（一）：发展史

人工智能算法的实现需要强大的计算能力支撑，特别是深度学习算法的大规模使用，对计算能力提出了更高的要求。深度学习模型参数多、计算量大、数据的规模更大，在早期使用深度学习算法进行语音识别的模型中，拥有429个神经元的输入层，整个网络拥有156M个参数，训练时间超过75天；人工智能领军人物Andrew Ng和Jeff Dean打造的Google Brain项目，使用包含16000个CPU核的并行计算平台，训练超过10亿个神经元的深度神经网络。下一步，如果模拟人类大脑的神经系统，需要模拟1000亿个神经元，计算能力将有数个量级的提升。

http://www.openhw.org/module/forum/thread-658119-1-1.html

3、人工智能芯片（二）：GPU

传统的通用CPU之所以不适合人工智能算法的执行，主要原因在于其计算指令遵循串行执行的方式，没能发挥出芯片的全部潜力。与之不同的是，GPU具有高并行结构，在处理图形数据和复杂算法方面拥有比CPU更高的效率。对比GPU和CPU在结构上的差异，CPU大部分面积为控制器和寄存器，而GPU拥有更多的ALU（ARITHMETIC LOGIC UNIT，逻辑运算单元）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。CPU执行计算任务时，一个时刻只处理一个数据，不存在真正意义上的并行，而GPU具有多个处理器核，在一个时刻可以并行处理多个数据。程序在GPU系统上的运行速度相较于单核CPU往往提升几十倍乃至上千倍。随着英伟达、AMD等公司不断推进其GPU的大规模并行架构支持，面向通用计算的GPU（即GPGPU，GENERAL PURPOSE GPU，通用计算图形处理器）已成为加速可并行应用程序的重要手段。

http://www.openhw.org/module/forum/thread-658120-1-1.html

4、人工智能或是半导体产业的"假春药"

杨瑞临表示，未来AI时代商机将离硬件越来越远，半导体厂投资回收难度增高，风险加剧，业者不能只卖芯片；数字内容才是AI 时代最具产值的范畴，芯片厂应朝系统与服务领域发展。

http://www.openhw.org/module/forum/thread-658187-1-1.html

5、深度学习-人工智能大爆炸的核心驱动

2015年以来，人工智能开始大爆发。很大一部分是由于GPU的广泛应用，使得并行计算变得更快、更便宜、更有效。当然，无限拓展的存储能力和骤然爆发的数据洪流（大数据）的组合拳，也使得图像数据、文本数据、交易数据、映射数据全面海量爆发。

http://www.openhw.org/module/forum/thread-658018-1-1.html