当前位置: 首页> PC电脑

[ 导读 ] 在应用场景上,AI芯片花开两朵,分为云端和终端。云端指服务器端,终端指安防、车载、手机等领域。下文将分析,英伟达、赛灵思、谷歌等芯片巨头们在场景上又有哪些争夺和布局。

图片来自“123rf.com.cn”

上篇说到CPU、GPU、FPGA、ASIC及类脑芯片都是芯片界举足轻重的角色,但由于AI芯片对计算能力的要求,CPU在AI芯片中只起辅助和控制功能,而类脑芯片则因还不够成熟,尚未落地。因而,以下在对场景应用的讨论中,更多涉及GPU、FPGA、ASIC三类芯片。

在应用场景上,AI芯片的应用主要分为云端和终端,这也〾是目前芯片领域又一分岔路口。以深度学习的算法来说,云端人工智能硬件负责“训练+推断”,终端只负责“推断”,因而终端的计算量更小,没有传输问题,更适合于安防、汽车等功耗要求低、安全性要求高的场景,终端也被看作⿴未来发展方向。

下文将AI硬件应用场景分为云◄端和终端,云端指服务器端,包括各种共有云、私有云、数据中心等;终端指安防、车载、手机等领域。

云端场景:英伟达GPU生态领先,赛灵思FPGA追赶,谷歌ASIC或是未来

据测算,全球云端场景的AI芯片规模合计已达几百亿美元,是目前最大的AI应用场景。基于云平台,各大科技巨头大力布局人工智能。不过先来科普下,云计算平台是什么。

云计算,提供可用的、便捷的、按需的网络访问,进入可配置的计算资源共享池(资源包括网络、服务器、存储、应用软件、服务),包括IaaS(基础设施即服务),Paas(平台即服务),Saas(软件即服务)三层。

目前各大科技巨头纷纷在自有云平台基础上搭载人工智能系统,主要有IBM的waston、亚马逊的AWS、以及国内的阿里云、百度云平台等。其中英伟达的GPU采用更为广泛,英特尔的CPU、阿尔特拉的FPGA等也有使用,而谷歌则使用自研的AиSIC芯片TPU。ι

GPU应用开发周期短,成本相™对低,技术体系成熟,目前全球各大公司云计算中心如谷歌、微软、亚马逊、Я阿里巴巴等主流公司均采用GPU进行AI计算,GPU是目前云端应用范围最广的芯片,而英伟达则是最大的GPU芯片供应商,占据99%市场份额。2017年5月,英伟达发布了Tesla V100,采用台积电12nm FFN制程并整合210亿颗电晶体,在深度‰学习的性能上等同于2◤50颗CPU。

不过其也面临着老二AMD的严峻⊿挑战。野村证券称英伟达正在试图阻止将15-20%的数〆⊙据中心处理器份额让给AMD。今年第二季度,AMD专门为数据中心研发的EPYC处理器被包括惠普企业、思科系统、腾讯云、意大利国家核物理研究所等采用,销售额同比增长53%。AMD称,预计EPYC将在今年年底达到“中等个位数”的份额。

另外,赛灵思、英特尔、百度等厂商也在积极采用FPGA在云端进行加速。

目前全球FPGA市场Θ主要被赛灵思(Xilinx)和阿尔特拉(Altera)瓜分,两者合计占有近90%的市场份额。全球七大超大规模云服务公司,有3家采用了赛灵思FPGA。去年8月,百度也和赛灵思合作发布了基于FPGA的云计算加速芯片XPU。而老二阿尔特拉则在2015年被英特尔收购,今年4月,英特尔阿尔特拉的FGPA被正式应用于主流的数据中心OEM厂商中,客々户包括戴尔、富士通等。

除GPU和FPGA外,AI领域专用架构芯片ASIC则因其更好的性能和功耗,成为云端领域新的搅局者,▍谷歌就是ASIC在数◎据中心应用的先行者。

谷歌2017年5月推出TPU,与GPU相比耗电量降低60%,芯╜片面积下降40%,能更好的满足其庞大的AI算力要求。今年2月,谷歌以Beta测试的形式开放了TPU,5月发布了TPU 3.0,8月又推出为边缘计算定制的Edge TPU。不过TPU目前并不对外发售,但对英特尔、英伟达这些传统数据中心业务的大佬来说,也足以构成威胁。

总体来说,目前,GPU依然是数据中心的主力,FPGA的角色也逐渐变得越来越重要,而TPU等,则更可能Ⅶ因其良好的性能和功耗,成为未来的主流方向,但其性η能还需进一步检验。

安防:英伟达GPU领先,国内创企FPGA落地,Movidiu的ASIC芯片广泛应用

由于天然具有大量需要处理的视频等非结构化数据,安防目前已成为AгI落地最快的场景之一。用AI赋能安防,能极大提高追踪效率,促进事后防范向事前防范转换。

目前“AI+安防”方案有两种,包括中后端和前端解决方案。中后端方案利用普通摄像机采集视频信息后传输到中后端,再进行智能分析,前端则将AI芯片集成至摄像头中,实现视频采集智能化。相比来说,中后端可利用已经部署的摄像头进行智能分析,在多路数据处理、算法升级以及部署成本上都占有优势,但长期来看,前端智能更能满足安防快速反应、安Ω全性高的需求,或是未来主流。

安防巨头也都开始布局AI领域,在经历了安防♀行业高清化和网络化之后,留存下来的海康、大华等巨头们,并不想被人工智能这第三次技术革命抛下。

而在应用AI芯片方面,海康、大华都选择了英伟达的GPU,其AI算法和产品都基于英伟达的Jetson TX1 GPU芯片实现。2016年,海康威视推出从前端到后端全系列的AI产品,发布基于英伟达GPU和深度学习技术“深眸”摄像机、“超脑”NVR等产品。大华股份2016年第三季度成立AI研究院,2017年联合英伟达发布多款“睿智”系列前端和后端智能设备。

但利用英伟达GPU芯片,成本毕竟较为昂贵。因而,为了降低成本、提高в效能,大华、东方网力等也与国内初创公司深鉴(后被赛灵思收购)等合作,推出了基于赛灵思FPGA的DPU产品。在专用ASIC产品出现之前,FPGA成为部分安防场景降成本的有效手段。

另外,国内安防厂商也更看好低成本、低功耗、高算力的ASIC成为未来主流。2017年8月,英特尔子公司Movidiu推出Myriad X视觉处理器(VPU),被大量应用于大疆无人机、美国菲力尔(fl│┃ir)智能红外摄像机、海康“深眸”系列摄像机、华睿智能工业相机等产品中。

未来,ASIC芯片大规模量产,成本边际效益递减,采用ASIC方案的AI摄像头实现成本将大幅度降低,这也为安防向前端智能转变提供可能。

不过,目前由于后端还有大量成―量视频需要处理,既有传统摄像头短时间内不会全部更换,以及ASIC还不够成熟等因素,安防前端智能的发展,及ASIC芯片普及都还需要时间。

汽车:∽英伟达GPU、高通CPU+GPU主流,地平线ASIC开拓市场

随着自动驾驶的热潮袭来,汽车场景也成为AI落地的良好场景。不过目前已商用的自动驾驶芯片基本处于高级驾驶辅助系统(ADAS)阶段,即可实现L1-L2等级的辅助驾驶和半自动驾驶;而适应L4-L5超高度自动驾驶及全自动驾驶的AI芯片,离规模化商用仍有距离。

汽车场景的AI芯片,领先的依然是英伟达。

2016年9月,英伟达发布针对自动驾驶技术和汽车产品的芯片Xavier,采用自定义的八核CPU架构,内建Volta GPU架构作为计算机视觉加速器,采@用16nm FinFET工艺,运算性能达┑到20 TOPS,功耗为20W。

今年1月,英伟达又发布用于自动驾驶的Jetson Xavier芯片,采用12nm FFN制程,功耗为30W(相对上款芯片功耗上升,官方解释“为提升性能”),及车载计算机λDrive PX Pegasus,搭载两块Xavier SoC,算力支持L5。目前,英伟达在智能汽车领域的客户包括20多家汽车制造商,其中最重要的客户是特斯拉。

不过看Б英伟达在自动驾驶领域做大,英特尔也不甘心。2017年,英特尔收购了Mobiley⿱e,开始发力自动驾驶。

Mobileye在汽车领域可算战绩辉煌,其在汽车驾驶辅助系统领域,份额超过70%。从2007年与沃尔沃开始合作碰撞预警功能,与包括宝马、特斯拉、通用等汽车巨头合作推进驾驶辅助技术,201╩6年与宝马、英特尔三方联合开发自动驾驶汽车。

并且,Mobileye在2016≮年5月发布的EyeQ5(预计将于今年出工程样品,2020年量产),宣称将采用7nm工艺,提供每瓦特2.4 DL TOPS(万亿次/每秒)的效能——这一数字比英伟达公开宣称的Xavier要高2.4倍。收购ЧMobileye,也是英特尔在无人驾驶领域与英伟达展开的一ю次激烈竞争。

另外,移动芯片领域的霸主高通也在积极布局自动驾驶领域。

2016年10月,高通宣布以每股110美元的价格收购车用芯片大厂恩智浦半导体,这一事件在当时几乎震惊整个半导体行业。虽其后因反垄断审查,而遭遇收购失败▼,但高通发力汽车的决心并没有减少。

在GMIC2016上,高通发布了智能汽车芯片骁龙820A,该处理器采用CPU+GPU的异构计算模式。2017年9月,高通公司又推出了一款新的汽车芯片组——C-V2X,这款芯片组提升〨了自动驾驶所需通信系统的配合度。目前已得到奥迪、福特以及上汽集团等的认可与关注,具体上市时间预计为今年下半年。

我国芯片企业,也参与到这场自动驾驶领域的芯片争夺战中。2016年3月奇点汽车发布会上,地平线首次展示了其先进辅助驾驶系统(ADAφS)原型系统——雨果平台。2017年1月的CES上,地平线又与英特尔发布了基于BPU架构(★ASIC架构)的最新的高级辅助驾驶系统。产业调研显示,地平线也是目前唯一在四大汽车市场—美国、德国、日本和中国,与顶级OEMs和Tier1s建立重要客户关系的中国初创企业。

2017年12月,地平线发布“旭日”和“征程”两款嵌入式AI芯片,分别面向智能驾驶和智能摄像头;今年4月,地平Г线发布“征程2◎.0”芯片及MATRIX 1.0自动驾驶计算平台。

总体来说,ASIC可以更好的满足车载应用下重点关心的“最差情况处理”的延时问题。但鉴于其研发周期长,目前车载场景下,厂商仍考虑GPU作为主流方案,预计随着ADAS定制化需求的增加,未来ASIC将成主流。

智能手机:苹果、华为搭载ASIC芯片,高通、ARM发布新的AI架构

AI+手机,也是当下最火的AI概念之一。

目前AI在手机里面主要是辅助处理图形图像的识别(比如拍照的快速美颜)及语音语义的识别等场景。但目前此类应用对AI算法处理速度的要求并不高。同时手机对功耗要求极低,ASIC低成本、低功耗、低面积将占据核心优⿲势。

而在AI芯片进入手机方面,华为和苹果都先后发布了有自己独立AI处理单元的芯片。

2017年9月,华为发布了全球首款移动端AI芯片麒麟970,并将其运用于Mate10。这是业内第一次在手机芯片中,ⓛ出现专门用于进行AI计算的处理单元,其集成了国内芯片创企“寒武纪”的NPU。今❤年8月,华为又发布了麒麟980,率先采用7nm工艺,双核NPU。

紧随其后,苹果也在9月发布了iPhone X,及其专用神经☉网络处理芯片A11“Bionic神经引擎”。该芯片将CPU和GPU巨大的计算量分◣开,将面部识别、语音识别等AI相关的任务卸载到AI专用模块(ASIC)上处理。

在华为和苹果之后,高通也于12月发布骁龙845,采用10nm工艺,支持Adreno 630 GPU,相比835,在AI计算能力上提升三倍,并支持多平台的神经网络系统。未来高通的策略是,提供开放AI平台生态系统给合作伙伴。

但高通的AI芯片,并没有针对AI的独立运算单元,依旧是传统的CPU/GPU以及DSP/ISP等特定场景处理器来兼职处理AI。

而为目前世界超过95%的智能手机和平板电脑提供IP的ARM,在AI方面稍显来迟。不过今年2月,ARM也发布了两款针对移动终端的AI芯片架构,机器学习处理器和物体检测处理器。机器学习处理器将主要吸引平板电脑和智能手机制造商,计划在今年第一季度供货;对象检测处理器,可能被用于智能安防摄像机、无人机及更广泛用途,预计年中供货。

总结:各架构芯片百花齐放,终极形态向ASIC进化

目前,云端领域,英伟达凭借其FPGA稳稳占据最大市场份额,老▉二A″MD在追击,基于FPGA的赛灵思和英特尔阿尔特拉也在拓展,ASIC领域则以谷歌TPU为最大威胁者。

汽车领域,英伟达依然是巨头,英特尔Mobileye则是直接对标英伟达,高通在进军,我国企业地平线也用BPU(ASIC)布局这一市场。安防领域,英伟达地位不变,赛Ⅸ灵思深鉴的FPGA也有应用,Movidiu的ASIC也打开了部分市场。手机领域,华为和苹果先发基于ASIC的AI芯片,高通和ARM则在其后推出了自己的AI架构。

GPU、FPGA、ASIC可谓各架构百花齐发,而ASIC也走通向主流应用的路上。