成为“AI芯片之王”，要烧掉多少钱？

30秒快读

1、英特尔、台积电一喜一忧，国产AI芯片第一股寒武纪登陆A股科创板，当天大涨229.9%，风云变幻的芯片圈，隐藏着什么变局？

2、从CPU、GPU到xPU，下一代AI芯片的主流框架会是什么？中国AI芯片企业是做专用芯片还是通用芯片，是横在创业者面前的一道难题。

3、谁是下一个AI芯片之王？中国会出现像英伟达一样的企业吗？

一份布满愁云的财报，暗示着芯片厂商们的又一场战事拉开序幕。

7月24日，英特尔在今年2季报中宣布，因7nm芯片工艺存在缺陷，进展落后与原计划的6个月，同时量产日期也被推迟了近一年。

当天，英特尔收盘暴跌16.24%。

另有媒体报道，英特尔已将2021年6nm芯片代工订单交于台积电，后者还有望获得5nm、3nmCPU芯片的代工。

受该利好消息刺激，7月27日台积电创下83.4美元/股的历史新高。截至7月29日收盘，台积电的市值高达4289亿美元，是当天英特尔收盘市值的两倍多。

台积电和英特尔市值对比，图源：东方财富网

一忧一喜间，暗示着英特尔自销自产的时代落幕。曾经的CPU芯片巨头如今陷入颓靡。但江湖中，后浪们正在奋起追逐。

7月20日，国产AI芯片第一股寒武纪登陆A股科创板，当天大涨229.9%。

7月17日，寒武纪发布科创板上市公告，图源：寒武纪

当人工智能进入越来越多人的生活，这片江湖争夺或许会聚焦于AI芯片上。

根据Gartner预测，全球AI芯片的市场规模将有望从2018年的42.7亿美元上升到2023年的323亿美元，2019-2023年平均增速约为50%。

如果说，英特尔和英伟达象征着CPU、GPU芯片的荣光，那么在AI芯片赛道中，谁会是下一个霸主？

01

从CPU、GPU到xPU

深度学习是目前AI的神经网络主流算法，需要处理大量非结构化数据和“蛮算”。这对芯片的多核并行运算、片上存储、带宽、低延时访存等提出了较高需求。

事实上，CPU芯片可以用于AI运算，适用于逻辑复杂的串行计算。由于CPU中有晶体管用于构建控制电路和高速缓冲存储器，缩减了计算单元的空间，也在一定程度上限制了算力。

CPU集成电路上有数以万计的晶体管，图源：英特尔

目前深度学习下的图像识别、语音识别的计算主要涉及矩阵向量乘法、加法，计算逻辑也不复杂，主要靠数据大量多次计算，因此相比串行运算的CPU，具有并行运算能力的GPU芯片性能更高，更适合深度学习。

CPU和GPU架构对比，图源：OmniSci

这是为什么GPU一哥英伟达能在AI芯片市场占有一席之地。据广证恒生研报数据，英伟达在数据中心GPU市场占有率超过80%。2019年度，英伟达数据中心业务收入占比增长至接近三成。

除了CPU、GPU外，ASIC被认为是下一代AI芯片主流架构。针对特定任务专门设计框架，ASIC芯片能在快速提升算力的同时降低能耗。

ASIC专用集成芯片架构，为特定应用需要而设计制造的集成电路，图源：AnySilicon

谷歌的TPU（张量处理单元）便是其中之一。谷歌定义了十几个为神经网络计算而设计的高级指令，采用单线程控制，避免缓存、多道处理等问题，提高了深度学习运算效率。不过，和所有ASIC芯片一样，TPU是一款非通用芯片。

谷歌TPU芯片，图源：Google Cloud

在众多xPU芯片中，Graphcore推出的IPU（智能处理单元）是一款激进产品。

这款专为AI训练、推理任务设计的新型处理器，运用大规模并行同构众核架构。

Graphcore推出的IPU（智能处理单元）芯片，图源：Graphcore

加州大学圣芭芭拉分校教授谢源曾表示，在运算过程中，把数据从内存搬到处理单元所需能量占比非常大，而数据搬运效率不会因摩尔定律发展而提高。

IPU采用的是大规模分布式片上SRAM（静态随机存取储存器），数据不储存在片外，意味着运算过程中可以直接调动，节省能耗和时延。不过，一旦供电不足，会导致部分数据缺失。为此，IPU相应减少了用于机器学习运算单元面积。

IPU芯片内部结构，图源：Graphcore

日前，Graphcore已发布第二代IPU GC200，晶体管数量高达594亿个，内部有1472个独立的处理器内核，能够执行8832个独立的并行线程，均由900MB的RAM支持。

装有4个IPU GC200芯片的机器，每一枚芯片内有高达594亿个晶体管，图源：Graphcore

此外，IPU GC200芯片另一亮点为能适用于稀疏样本数据的深度学习。

新的架构有的方法是为每个处理核心配备了专用存储单元，能更有效分散和搜集信息，避免部分数据被过滤。

Graphcore曾被多家媒体对标为下一家英伟达。