作者為台經院副研究員
現階段全球人工智慧晶片主要以GPU（繪圖晶片）、FPGA（現場可程式化閘陣列）、ASIC（專用積體電路）、人工神經網絡晶片等為主，各類晶片有其技術發展的優劣勢。
過去CPU作為計算和控制核心，是資料中心的傳統支柱，由於內部結構的原因，從運算性能和效率角度考慮並不是計算晶片的最佳選擇，反觀GPU，其計算單元明顯增多，因而GPU主要適用於在資料層呈現很高的並行特性的應用，也就是說GPU還被用於運行這些機器學習訓練模型，以便在雲端進行分類和預測，從而在耗費功率更低、占用基礎設施更少的情況下，能夠支援遠比從前更大的資料量和吞吐量，顯然Nvidia的GPU晶片將具有關鍵的角色，更是全球人工智慧晶片的佼佼者。
此外，藉由近期Nvidia針對人工智慧所發布的新產品來看，公司整體的布局廣度與深度更為強化，Nvidia已經展開從訓練到推理、從雲端到終端、從處理硬體到加速硬體的全面覆蓋，等同Nvidia的人工智慧生態體系儼然已建置。以Nvidia所推出的TensorRT3來說，是全球首款可編程的人工智慧推理加速器，覆蓋全部的深度學習框架，也含括Nvidia大多數的GPU產品，等同增加應用場景；而Nvidia最新發布的Xavier產品，則含括8核CPU、Volta TensorCore & CUDA GPU、感測器介面、8K HDR VP、CVA，可以應用於深度學習和平行計算。
而在FPGA晶片方面，人工智慧演算法所需要複雜並行電路的設計思路，適合用FPGA來實現，且FPGA相對於CPU與GPU有明顯的能耗優勢，不過FPGA 在本質上是用硬體來實現軟體的演算法，因此在實現複雜演算法方面有一些難度，更何況FPGA本身需要從專業廠商採購，因此硬體成本相對比較高。
而在Intel以167億美元收購Altera、IBM與Xilinx的合作下，更加反映CPU＋FPGA在人工智慧深度學習領域，將會是未來的一個重要發展方向。事實上，PC CPU巨頭 Intel也正將業務重心由PC客戶端業務，逐步移往與人工智慧領域相關的數據中心、物聯網等業務。
至於ASIC是為實現特定要求而定制的晶片，具有功耗低、可靠性高、性能高、 體積小等優點，但不可編程，可擴展性不及FPGA，適合高性能／低功耗的移動裝置，同時初期研發成本較高，且開發周期相對較長，況且太專用而導致靈活性低。而現階段ASIC此晶片族群，目前Intel和Google都在深度學習專用晶片方面有所佈局，其中2017年Intel即向外公布整合了Nervana之後的第一款DNN專用晶片Lake Crest，而Google 2017年5月則發佈第二代TPU，可以同時用於訓練和推理階段。
另外在人工神經網絡晶片方面，人工神經網絡是模仿生物神經網路的計算架構的總稱，由若干人工神經元節點互連而成，神經元之間透過突觸連接；而寒武紀則是真正打造的類腦晶片，試圖透過低功耗高性能的架構來重塑。
整體來說，GPU相對於FPGA、ASIC、人工神經網路晶片等，其憑藉其更廣泛的應用場景，更成熟的技術和更低廉的價格，在人工智慧的應用中發揮著主流的作用，而預料短期之內，通用高性能計算晶片GPU仍將維持此態勢，生態鏈完整迅速崛起，將成為人工智慧晶片應用中的大宗趨勢，不過亦應關注其他晶片陣營技術持續發展、崛起的情況。不論如何，在人工智慧產業鏈中，歸屬於基礎層的人工智慧晶片商機將最先爆發，也吸引全球行業與投資界的目光。
＿＿＿＿＿＿＿＿＿＿＿
Yahoo奇摩新聞歡迎您投稿！對於這個社會大小事有話想說？歡迎各界好手來發聲！用文字表達你的觀點。投稿去—–>https://goo.gl/iy5TCA
以下文章來自: https://tw.news.yahoo.com/%E3%80%90yahoo%E8%AB%96%E5%A3%87%EF%BC%8F%E5%8A%89%E4%BD%A9%E7%9C%9F%E3%80
留言列表
