芯片种类这么多，人工智能为啥还要专用芯片？

去年"阿尔法狗"战胜韩国棋手李世石，需要耗电数万瓦、依赖体积巨大的云服务器。一年多后，一个小小的人工智能芯片，就可让手机、手表甚至摄像头都能和"阿尔法狗"一样"聪明"。
　　

随着中国企业率先推出市场化的人工智能手机芯片，这样的手机之"芯"正掀起全球热潮。它将带来怎样的影响，传统芯片命运几何？
　　

专"芯"专用
2017年柏林国际消费电子展上，华为推出麒麟970人工智能手机芯片，内置神经元网络单元（NPU），通过人工智能深度学习，让手机的运行更加高效。
　　

芯片又叫集成电路，按照功能可分为很多种，有的负责电源电压输出控制，有的负责音频视频处理，还有的负责复杂运算处理。目前市场上的手机芯片有指纹识别芯片、图像识别芯片、基带芯片、射频芯片等近百种。
　　

现有芯片种类繁多，为何还要人工智能芯片？
　　

随着手机智能应用越来越多，传统芯片要么性能不够，要么效率不足，难以支撑人工智能所需的大规模神经网络运转。
　　

例如，"谷歌大脑"用了上万个通用处理器"跑"了数天来学习如何识别猫脸；"阿尔法狗"和李世石下棋时使用了上千个中央处理器（ＣＰＵ）和数百个图形处理器（ＧＰＵ），平均每局电费近3000美元。对于绝大多数智能需求来说，基于通用处理器的传统计算机成本高、功耗高、体积大、速度慢，难以接受。
　　

与传统的４核芯片相比，在处理同样的人工智能应用任务时，麒麟970拥有大约50倍能效和25倍性能优势。
　　

术业有专攻。专业人士指出，普通的处理器就好比瑞士军刀，虽然通用，但不专业。厨师要做出像样的菜肴，就必须使用专业的菜刀，而专门的深度学习处理器就是这把更高效、更快捷的"菜刀"。
　　

"芯"够强　才能走得远
目前迅猛发展的人工智能，上层的应用都依赖于底层核心能力，而这个核心能力就是人工智能处理器。如果在芯片上不能突破，人工智能应用就不可能真正成功。可以说核心芯片是人工智能时代的战略制高点。
　　

人工智能目前采用的深度学习算法，有海量的数据运算需求，对传统架构和系统提出了极大挑战。
　　

深度学习，就是通过算法给机器设计一个神经网络。这个网络的基本特点，是模仿大脑神经元之间传递、处理信息的模式，从多个角度和层次来观察、学习、判断、决策。近年来，这种方法已应用于许多领域，比如人脸识别、语音识别等，是人工智能领域的热点研究方向之一。
　　

用于图像处理的ＧＰＵ芯片因海量数据并行运算能力，被最先引入深度学习。2011年，当时在谷歌就职的吴恩达将英伟达的ＧＰＵ应用于"谷歌大脑"中，结果表明１２个ＧＰＵ可达到相当于2000个ＣＰＵ的深度学习性能。之后多家研究机构都基于ＧＰＵ来加速其深度学习神经网络。

然而，随着近两年人工智能技术的迅速发展，ＧＰＵ在三个方面显露出局限性：无法充分发挥并行计算优势，硬件结构固定不具备可编程性，运行深度学习算法能效不足。
　　

全球科研界和企业于是竞相开发更加适用的人工智能芯片，尤其是适用于移动通信时代的芯片。
　　

华为公司与中国科学院计算技术研究所"寒武纪"项目团队共同开发的麒麟９７０人工智能手机芯片，首次集成NPU，将通常由多个芯片完成的传统计算、图形、图像以及数字（数位）信号处理功能集成在一块芯片内，节省空间、节约能耗，同时极大提高了运算效率。
　　

据预测，类脑计算芯片市场将在2022年前达到千亿美元规模，其中消费终端将是最大市场，占据98.17％，其他需求包括工业检测、航空、军事与国防等领域。
　　

在新的计算时代，核心芯片将决定基础架构和未来生态。因此，谷歌、微软、超威等全球信息技术和通信制造巨头都投入巨资，加速人工智能芯片的研发。