. 01 .人工智能的發(fā)展得益于芯片技術的發(fā)展芯片是未來人工智能發(fā)展的基礎

人工智能 (Artificial Intelligence，以下或簡稱AI）是開發(fā)模仿人類使用大腦去做一些事情的軟件的方法和概念的合集。這個舊領域近年來的快速發(fā)展很大程度上得益于芯片技術多年的積累，如果不是芯片技術已經(jīng)能夠給大規(guī)模機器學習提供足夠的處理能力，我們就無法看到戰(zhàn)勝人類頂尖棋手的AlphaGo。

芯片技術的發(fā)展是人工智能發(fā)展的必要條件 ，芯片代表著算力。人工智能的發(fā)展有幾大重要支柱，包括數(shù)據(jù)（事實或觀察的結(jié)果）、算法（解決問題的方法，如深度學習算法）和算力（運算能力）。從數(shù)據(jù)方面，互聯(lián)網(wǎng)時代下大數(shù)據(jù)高速積累，需要運行的數(shù)據(jù)量驟增，而現(xiàn)有算力難以匹配；從算法方面，即使存在邏輯上可用的算法，也需要有足夠算力才能處理數(shù)據(jù)樣本、訓練機器。由于算力的不可或缺和通信應用（智能手機等）增長的放緩，人工智能的發(fā)展也將成為芯片技術進步的主要驅(qū)動力。

從2016年開始，人工智能相關的芯片越來越熱。傳統(tǒng)芯片公司都有所布局，很多軟件和互聯(lián)網(wǎng)公司紛紛進入，初創(chuàng)公司的估值越來越高。

2017年可謂AI芯片元年，是過去的2017年人工智能方向最受關注的行業(yè)熱點。

進入2018年，AI芯片持續(xù)火熱，預計這股熱潮也將長時間影響人工智能領域。

. 02 .AI芯片元年開啟的標志性事件：Google論文公布TPU芯片細節(jié)

2017年4月，Google公布了一篇即將在ISCA2017上發(fā)表的論文：“In-Datacenter Performance Analysis of a Tensor Processing Unit”，終于公開了做AI芯片的細節(jié)，使得這篇學術論文得到媒體的極大關注，也揭開了2017年AI芯片熱點事件的序幕?；仡橤oogle的這顆AI芯片，要從三年前開始。

起因——數(shù)據(jù)中心能耗大，嘗試用機器學習算法來解決實際問題，實踐驗證可行

在新加坡舉辦的Datacenter Dynamics 2014會議上，Google介紹了如何利用機器學習和人工智能進一步改進數(shù)據(jù)中心的能效。

公式：

衡量數(shù)據(jù)中心的能效指標PUE=數(shù)據(jù)中心總設備能耗/IT設備能耗

背景：

數(shù)據(jù)中心規(guī)模的快速增長使得能源效率優(yōu)化越來越重要，但使用傳統(tǒng)的工程公式難以準確推導數(shù)據(jù)中心的效率，在此瓶頸下Google決定利用機器學習神經(jīng)網(wǎng)絡算法。神經(jīng)網(wǎng)絡是一類機器學習算法，它模擬了神經(jīng)元之間相互作用的認知行為，用計算機的方式去模擬人腦。

結(jié)論：

實踐驗證了機器學習方法可以利用現(xiàn)有的傳感器數(shù)據(jù)來模擬數(shù)據(jù)中心能源效率優(yōu)化，并能實現(xiàn)10%-15%的節(jié)能，而且機器學習可以告知如何優(yōu)化數(shù)據(jù)中心的能效，包括模擬數(shù)據(jù)中心的參數(shù)配置評估、能效評估，并確定優(yōu)化方案等，是一種非常有效的運營利器。

算法溯源：

神經(jīng)網(wǎng)絡算法最初產(chǎn)生的目的是制造能模擬大腦的機器，人們想嘗試設計出模仿大腦的算法。這是一種古老的算法，并且在90年代的后期沉寂了一段時間，其中一個原因是這種算法的計算量偏大，算力不足。大概由于近些年計算機的運行速度變快，才足以真正運行起大規(guī)模的神經(jīng)網(wǎng)絡，對許多應用來說是最先進的技術，能很好地解決不同的機器學習問題，現(xiàn)在成為許多機器學習問題的首選。

對于人工智能，從某種意義上來說，如果我們能找出大腦的學習算法，然后在計算機上執(zhí)行大腦學習算法或與之相似的算法，也許這將是我們向人工智能邁進做出的最好的嘗試。

算法需要算力——針對特定算法，量身打造TPU芯片

從2015年以來，Google的數(shù)據(jù)中心部就署了TPU（Tensor Processing Unit），將其插放入數(shù)據(jù)中心機柜的硬盤驅(qū)動器插槽中使用。TPU是一個非常專用的處理器，該芯片針對機器學習專門優(yōu)化，因此可以使用更為強大的機器學習算法來完成快速計算。專用處理器的設計基于對目標應用的理解，因為Google更了解數(shù)據(jù)中心的需求，所以Google的TPU才會引起這么多關注。

神經(jīng)網(wǎng)絡的工作過程主要有兩個階段，分別是訓練和推理。訓練階段一般使用GPU（目前GPU還是訓練的最好平臺），而推理階段使用CPU和GPU都不適合，所以Google設計了TPU。

TPU是一個定制的ASIC（Application Specific Integrated Circuit，專用集成電路）架構處理器，從硬件層面適配TensorFlow深度學習系統(tǒng)，應用于加速神經(jīng)網(wǎng)絡的推理階段，可以支持一些常見的神經(jīng)網(wǎng)絡。

TensorFlow是使用數(shù)據(jù)流和圖來做數(shù)值計算的開源軟件，用于機器智能。主要是由Google Brain團隊開發(fā)用于機器學習和深度神經(jīng)網(wǎng)絡的研究，能夠應用于廣泛的領域。

因為TPU芯片面向的應用是特定的算法，即確定性執(zhí)行模型（deterministic execution model），所以采用了一個專用處理器或者硬件加速器的架構，沒有使用傳統(tǒng)CPU和GPU的一些技術。這樣做比在GPU架構上改進要激進得多，與之相應，實現(xiàn)的效率也高得多。

2016年3月舉行的舉世矚目人機大戰(zhàn)里，在最終以4:1擊敗圍棋世界冠軍李世石的AlphaGo身上，Google使用了TPU芯片。

2016年6月，Google透露研發(fā)了一款在云端使用的專用AI芯片TPU（即第一代TPU）。

就此，傳統(tǒng)軟件巨頭Google的這顆AI芯片從幕后走到臺前，AI芯片競爭不限于傳統(tǒng)芯片廠商，最大的獨立GPU芯片廠商Nvidia上場。

. 03 .芯片元年之爭：傳統(tǒng)芯片廠商Nvidia步步跟進

2017年5月，GTC2017大會，Nvidia CEO黃仁勛發(fā)布了Volta架構GPU，股票大漲。

在現(xiàn)有的芯片中，GPU在人工智能應用中的其中一部分（深度學習神經(jīng)網(wǎng)絡的訓練階段）相對更適合。隨著人工智能發(fā)展驅(qū)動芯片技術進步，GPU扮演的角色可能是被改進或被其他類型的芯片替代。

多年來靠GPU一條產(chǎn)品線獨步天下的Nvidia，在最新的Volta架構強調(diào)對深度學習的支持，增加了專門為深度學習設計的Tensor Core，軟硬件的關鍵參數(shù)在數(shù)據(jù)中心的訓練方面很有優(yōu)勢。相比Google的TPU，這款AI芯片的設計中規(guī)中矩。

除發(fā)布芯片外，Nvidia也宣布開源DLA（Deep Learning Accelerator，深度學習加速器）。對于整個芯片產(chǎn)業(yè)來說，開源事件將會產(chǎn)生深遠影響，這意味著更多的初創(chuàng)公司和研究機構可以基于此開發(fā)推理加速器，促進AI的傳播，從而也進一步促進市場對GPU芯片的需求。

Nvidia決定開源可能有兩個原因：一是決定專注于加速模塊，不做種類過多的終端芯片（Nvidia曾試水移動設備芯片推出Tegra系列并失?。欢瞧扔贕oogle TPU芯片在推理方面的優(yōu)勢表現(xiàn)，為應對壓力而作出決定（DLA來自Nvidia自動駕駛SoC中的一個模塊，最初并不是以開源IP為目的而設計的，且9月開源只公開了部分硬件代碼和相應的驗證環(huán)境，離真正能用有較大差距）。

2017年5月，在Google I/O大會上，Google公布了第二代TPU，并不對外銷售，以TPU Cloud的方式供大家使用。

2017年9月，芯片界的重要會議Hot Chips會議召開，AI相關內(nèi)容占了很大比例，微軟的BrainWave、百度的XPU、Jeff Dean的Keynote都是媒體的熱點話題。此次會議上，Google介紹了TPU和TPU2的情況并將其作為新的計算生態(tài)中重要的一環(huán)。

2017年10月，Intel發(fā)布Intel Nervana Neural Network Processor（Intel神經(jīng)網(wǎng)絡處理器芯片，以下簡稱NNP），第一代NNP代號“Lake Crest”，只提供給小部分合作伙伴，未能出貨。

回顧2017年的其他芯片巨頭動作，Intel收購了多家AI芯片相關領域公司 ，AMD則沒有那么積極。這一年里，芯片元年的主要戰(zhàn)事發(fā)生在傳統(tǒng)軟件巨頭Google和芯片巨頭Nvidia之間，發(fā)生在不同類型的公司、不同架構的AI芯片之間，這一跨界競爭或許意味著AI芯片不應被看作“算力代表、算力越大越好”的獨立底層硬件，而應該看作是實現(xiàn)應用目標中環(huán)環(huán)相扣的一部分。最終在人工智能的應用情況是系統(tǒng)的結(jié)果，芯片本身只是一小部分，其優(yōu)劣要考慮整個軟硬件生態(tài)的解決方案效果。因此，擁有應用、技術和資源優(yōu)勢的科技巨頭在定制硬件甚至芯片方面或常態(tài)化。

. 04 .2018年的后續(xù)：巨頭的角逐繼續(xù)上演

2018年3月，GTC2018大會上，Nvidia發(fā)布了迄今最大的GPU，暫定自動駕駛暫停研發(fā)，隨后股價下跌3.8%。

2018年5月，在Google I/O大會上，Google發(fā)布了TPU3。

同月，Intel人工智能開發(fā)者大會（AI DevCon 2018）發(fā)布了第二代NNP，代號“Spring Crest”，將是Intel第一款商業(yè) NNP 芯片，預計在2019年發(fā)貨。

主要參考材料：網(wǎng)絡公開報道，唐杉博士（公眾號：StarryHeavensAbove），Andrew NG機器學習課程等

文中如有錯誤之處，敬請指正，關于【人工智能】領域交流，

歡迎聯(lián)系本文作者：王麗萌（Wechat：18301232919）

 編輯: 陳文洋