AI駕臨人間 四大芯片流派華山論劍

　　隨著AI產(chǎn)業(yè)快速突破，各大公司在AI領域的人才動向也在引起極大關注，你來我往、歸去來兮，AI江湖上大有一片血雨腥風之勢。當然，AI領軍人物的變動，會對具體公司業(yè)務造成影響。但從整個行業(yè)來看，人才流動的頻繁，反倒有可能促進產(chǎn)業(yè)的整體進程。

　　不信你翻翻歷史。AI這門功夫自1956年問世以來，至今已經(jīng)歷60年風風雨雨，一直是流派眾多，難學難練，沒有大成。

　　難學，是因為必須要掌握一種叫做“算法”的神功;難練，是因為需要有足夠算力，能夠處理數(shù)據(jù)樣本，訓練機器。

　　幾十年來，一直是有算法沒算力，甚至于有人認為，人工智能就是一個科幻，就是小說家跟人類開的一個玩笑而已。誰也沒想到，進入21世紀后算力大爆炸。引發(fā)了整個AI產(chǎn)業(yè)開天辟地般的變化。

　　其中，算法上升為天——深度學習，分成DBN，CNN，BP，RBM等等諸多分支，其中佼佼者當屬CNN(convolutional neural networks)，人稱卷積神經(jīng)網(wǎng)絡，應用廣泛。

　　算力，下降為地——AI芯片。各種芯片如雨后春筍涌現(xiàn)，拿過來訓練機器，得心應手啊。

　　廟堂之上也為AI駕臨人間雀躍不已。世界各國意識到人工智能的重要性，紛紛簞食壺漿，以迎AI。

　　聯(lián)合國于2016年發(fā)布告示，召集人類討論機器人的制造和使用如何促進人工智能的進步，以及可能帶來的社會與倫理問題。

　　美國政府于2016年連續(xù)頒發(fā)三道金牌：《美國國家人工智能研發(fā)戰(zhàn)略計劃》、《為人工智能的未來做好準備》、《人工智能、自動化與經(jīng)濟報告》，宣稱加入人工智能教派，并且描繪了此舉能帶來的種種美好的前景。

　　英國政府見此立即照方抓藥，刊發(fā)了《機器人技術和人工智能》報告，詳細的闡述英國的機器人技術與AI的親密關系。

　　有算法有算力，天地已定。有政策有戰(zhàn)略，和風細雨。正是產(chǎn)業(yè)萌芽，草長鶯飛，欣欣向榮的時刻。人才的流動正是產(chǎn)業(yè)加速的信號。

　　書歸正傳。芯片定義了產(chǎn)業(yè)鏈和生態(tài)圈的基礎計算架構(gòu)，正如CPU是IT產(chǎn)業(yè)的核心一樣，芯片也是人工智能產(chǎn)業(yè)的核心。

　　話說天下AI芯片共分四大流派：

　　GPU，目前銳氣正盛，恰似東邪，憑借并行計算形成先發(fā)優(yōu)勢。

　　FPGA，蟄伏北方，正在暗地里合縱連橫，大有號令群雄的勢頭，恰似丐幫。

　　ASIC，割據(jù)南方，占領了大片市場，參與的公司林立。

　　類腦芯片，這個更“邪性”，打算直接復制大腦，也暗藏著問鼎中原的野心。

　　根據(jù)互聯(lián)網(wǎng)公開發(fā)布信息，今年，四大流派已經(jīng)派出幾十路高手，參與華山論劍，這些高手均屬于芯片設計期高手。

　　這些高手都有什么特點?誰能逐鹿中原?下文一一分析。

　　GPU一派

　　市場上名氣最大的應該是GPU一派。GPU也稱視覺處理器，專門用于圖像及相關處理的芯片。

　　2012年，Alex Krizhevsky，多倫多大學的博士研究生，憑此在ImageNet大賽上奪下了2012屆的冠軍。Alex提出了一個奇妙的模型，僅憑借兩個GPU就取得了訓練深層神經(jīng)網(wǎng)絡的極佳效果。江湖頓時為之轟動，于是引發(fā)了GPU訓練神經(jīng)網(wǎng)絡的風潮。要知道，AI領域過去曾用CPU處理數(shù)據(jù)，但CPU效力太低。

　　當年，谷歌曾經(jīng)花費巨資購買1.6萬個處理器，堆成谷歌大腦，峰值功耗在10萬瓦以上，占地面積數(shù)十平方米。試問天下，有幾人能玩的起1.6萬個處理器?

　　隨著 AlexNet的劃時代論文橫空出世，于是GPU 在服務器端橫掃天下。

　　有人會問，CPU和GPU，都是處理器，兩者有什么不同?

　　與CPU相比，GPU 出現(xiàn)得遠比 CPU 晚，但并行計算能力能卻常令CPU望塵莫及。并行計算是相對于串行計算來說的。要知道，自計算機誕生以來，電腦編程幾乎一直都是串行計算，絕大多數(shù)的程序只存在一個進程或線程，好比一個人只能先吃飯再看聊天。

　　但更多人喜歡邊吃飯邊聊天怎么辦?遇到這類問題，串行計算就傻眼了。并行計算一次可執(zhí)行多個指令的算法，能夠完美解決吃飯聊天難題。解決方式可分為時間上的并行和空間上的并行。時間上的并行就是指流水線技術，而空間上的并行則是指用眾多個處理器并發(fā)的執(zhí)行計算。

　　深度學習所依賴的是神經(jīng)系統(tǒng)網(wǎng)絡，通常網(wǎng)絡越深，需要的訓練時間越長。對于一些網(wǎng)絡結(jié)構(gòu)來說，如果使用串行的X86 處理器來訓練的話，可能需要幾個月、甚至幾年，因此必須要使用并行甚至是異構(gòu)并行的方法，才有可能讓訓練時間變得可以接受。

　　在當前的人工智能芯片領域，GPU的應用領域不容小覷，據(jù)Jon Peddie Research(簡稱JPR)市場調(diào)研公司統(tǒng)計，在2008至2015年期間，除了2008年GPU市場規(guī)模稍有下降，其余年份全球獨立顯卡的出貨量和銷售額都呈現(xiàn)出明顯的上升趨勢，并且在2012至2015年有加速上升的表現(xiàn)。

　　GPU領域只有兩大公司，一是英偉達，占市場份額約7成，另一位則是萬年老二AMD，占市場份額約3成。

　　從GPU用戶數(shù)量來看，根據(jù)英偉達2016年的財務報告，相比2013年的100家，2014年的1549家，2015年已有3409家機構(gòu)或企業(yè)使用英偉達的GPU產(chǎn)品，從事人工智能的研究。這些企業(yè)和機構(gòu)包括各大高等院校的人工智能實驗室，互聯(lián)網(wǎng)企業(yè)，軍事企業(yè)等。

　　AMD雖然落后于英偉達，但2016年的市場份額已呈現(xiàn)出上升趨勢，在發(fā)布了代號Vega織女星的GPU芯片，市場一片叫好，未來可能有繼續(xù)上升的趨勢。

　　不足的是，GPU 很費電(比如高端顯卡動輒200W+)，一旦開啟，散熱就成了麻煩事。