亚博yabo官网登录_AI芯片角逐刚刚开始,但未来只属于少数玩家

本文摘要:AI芯片领域的玩家很多,作品也不断更新。

AI芯片领域的玩家很多,作品也不断更新。但迄今为止,完全符合叙述和标准测试的AI芯片很少。

即使是谷歌的TPU,也I的未来发展。人工智能的兴起有算法、数据和计算能力三个基本要素。

云计算广泛应用,深度自学成为当前AI研究和运用的主流方式时,AI对计算能力的拒绝逐渐提高。继续耕作AI芯片是对计算能力的不懈执着。AI芯片方向多,企业集中在初级课程上,在摩尔法则的驱动下,CPU可以在合理的计算能力、价格、功耗和时间内获得人工智能所需的计算性能。

然而,人工智能的许多数据处理涉及矩阵乘法和乘法,而中央处理器的设计和优化是针对数百种工作任务进行的,因此使用中央处理器继续实施人工智能算法,其内部大量其他逻辑几乎浪费了当前人工智能算法,不能使中央处理器达到最佳性价比。面对爆炸性的计算市场需求,标准化芯片将更加无法继续。

因此,产生了具有大量并行计算能力、需要加快AI计算的AI芯片。面对大幅度激增的b末端应用于场景,更多的AI芯片公司重新参加竞争。实质上,人工智能芯片的研发有两个不同的方向:第一,在现有的计算结构中添加专用加速器,即人工智能加速芯片,确定性地加快某些特定算法或任务,从而达到目标应用领域对速度、功耗、内存闲置和部署成本的拒绝。第二,大部分新的研究开发,模拟人脑神经网络的新结构,即智能芯片。

使芯片像人一样可以用于不同的AI算法开展自学和推论,处理包括感觉、解读、分析、决策和行动的一系列任务,具有适应环境场景变化的能力。目前,这种芯片的设计方法有两种:一种是基于类脑计算的神经拟态芯片;另一种是基于可重建计算的软件定义芯片。智能芯片仍处于早期开发阶段,不适合商业应用。

因此,企业主要使用的方法是在现有的计算结构中添加人工智能加速器。AI加能加速芯片的研发也分为两种主要方式:一种是利用数GPU、大众核处理器、DSP和FPGA芯片优化软硬件和软件;另一种是设计专用芯片,即ASIC。GPU、FPGA和ASIC成为当前AI芯片行业的主流。其中GPU是目前市场上AI计算最成熟、应用最普遍的通用型芯片,是由大量核心构成的大规模并行计算结构,是为同时处理多项任务而设计的芯片。

GPU桌面和服务器市场主要分为英伟达、AMD,移动市场多为高吞吐量、苹果、联发科等公司。ASIC是针对特定用户市场需求而设计的定制芯片,性能强,体积小,耗电量低,可靠性低。

在大规模批量生产的情况下,没有成本低的特征。近年来,更多的公司开始使用ASIC芯片加快深度自学算法,其中特别引人注目的是TPU。这是谷歌为了提高AI计算能力,同时大幅度降低电力消耗,为机器学习只有定制的人工智能加速器专用芯片,性能出众。

另外,国内企业寒武纪开发的Cambricon系列处理器也备受瞩目。ASIC的全球市场规模从2012年的163亿美元急速增加到2017年的257亿美元,预计今后5年将维持18.4%的年填充急速增加,到2022年将超过597亿美元。

目前,市场结构很零碎。FPGA构建了大量的基本门电路和内存,其灵活性在CPU、GPU等标准化处理器和专用集成电路ASIC之间。我国在这方面刚刚跟上,与FPGA四大赛灵思、英特尔、莱迪思、美高森美没有很大差距。

从市场份额来看,赛灵思和英特尔共占市场的90%左右,其中赛灵思达到50%。2017年,FPGA全球市场规模为59.6亿美元,预计到2023年将超过98.0亿美元。人工智能的发展仍处于跟上阶段,人工智能芯片着AI加速芯片的方向前进。

人工智能的计算发展大致需要经历传统的智能计算、基于深度自学的智能计算、基于神经拟态的智能计算三个阶段。对于第三阶段的神经模拟芯片,现在企业几乎没有关系。将来成为主流还有很宽的道路。

但是,英特尔在2018年的国际消费电子展上展示了Loihi。这是基于14nm的新神经计算芯片,使用异构设计,128个NeuromorphicCore(神经形态的核心)由3个低功耗的英特尔X86的核心构成,可以说享受了13万个神经元和1亿3千万个牙齿。

AI芯片市场空间非常大,不一定能容纳很多玩家根据Gartner的预测数据,世界人工智能芯片市场规模在今后5年内上升,从2018年的42亿7千万美元到343亿美元,迅速增加了7倍,可以说未来AI芯片市场有相当大的快速增长空间。但是,对于很多创业企业来说,开发芯片面临着时间和资金的巨大挑战。时间上,芯片开发从立项到上市一般需要2年左右的时间。

相比之下,更重要的是芯片成本高。在人工智能应用领域,根据芯片的配置方向和任务市场的需求,不使用不同的工艺。一般来说,终端设备的芯片不使用65nm和28nm工艺的边缘末端和部分移动终端设备的芯片,工艺基本上是16nm或10nm,云芯片一般是7nm。

芯片工艺要求开发成本。根据IBS的估算数据,65nm芯片的开发费用为2850万美元,5nm芯片的开发费用超过54220万美元。因此,在芯片的研发中,对错误的容忍度完全为零。

现在更成熟的是40nm和55nm的技术,现在先进的设备7nm的技术,很多企业的技术都过于成熟。高研发费用,再加上年度计算的开发周期,AI芯片企业在融资初期阶段需要大量的资金,可以决定没有产品销售的阶段。

政府的补助金和投资者的资金往往不偏向于销售业绩好的公司。资本市场期待着较短的投资周期。

因此,融资也成了门槛。另外,芯片开发周期一般需要1~3年的时间,长期软件没有非常慢的发展,但算法在此期间也没有慢的改版,芯片如何反对这些改版也是一个难题。

未来,AI芯片本身的技术发展将面临以下困境。目前主流的AI芯片使用冯诺依曼结构。在冯诺伊曼系统结构中,芯片在计算中采用1进1出的方式,数据从处理单元以外的存储器中提取,处理完毕后写回存储器,按顺序加载完成任务。

由于计算部件和存储部件不存在速度差异,当计算能力超过一定程度时,采访内存的速度跟不上计算部件消耗数据的速度,即使再次减少计算部件也无法充分利用,这不仅是人工智能芯片在构建中的瓶颈,也是多年后遗症计算机系统结构的难题。另外,为了满足人工智能发展所需的运算能力,必须在CMOS技术上扩大构筑尺寸,大幅度提高芯片的系统性能。现在7nm已经开始批量生产,5nm节点的技术定义已经完成。

然而,CMOS技术和设备也产生了瓶颈。首先,纳米级晶体管消耗的能量非常低,芯片密集的PCB的构筑很困难。其次,几纳米的CMOS设备,其层的厚度只有几个原子层,这种厚度不易引起电流泄漏,技术尺寸增大的效果也不会受到影响。

人工智能芯片市场的快速增长空间相当大,但不一定需要容纳足够多的企业。业界自身的特性和现在的AI发展阶段,要求AI芯片企业没有比较长的挫折期,在这个过程中被资本炒鱿鱼的泡沫也不会传递。

本文关键词:亚博yabo官网登录

本文来源:亚博yabo官网登录-www.easytechtips24.com

相关文章