史上最热剧《冰与火之歌》第七季终于演变到“冰”与“火”的第一次正面对决，而人工智能AI掀起的“第三次世界革命”才刚拉开帷幕。Google、亚马逊、微软、英特尔、英伟达、百度等诸候争霸，角逐AI芯片，这样的战局像极了《冰与火之歌》的“七国”与“N大家族”，“统一”之路充满想象。

   01

       对于AI来说，除了大数据和深度学习算法之外，芯片的重要性在于为客户产生“实用”价值，无疑是极其重要的。

       到2020年，全世界会有500亿设备互联，大量的数据和计算在云端“完成”，AI芯片要加以“成全”。而随着智能的需求无所不在，更多数据的采集和计算都将在前端设备（边缘计算）进行，前端智能已成一大趋势，AI芯片也成为支撑前端智能不可或缺的载体。正如同以后每一台无人驾驶汽车都将是一台服务器，每台车每天会有超过4000个GB的数据，这些数据都不可能通过5G来传输，很多数据是在本地处理和分析然后选择性的上传，本地会使用很多AI，甚至超越服务器。

       这对于AI芯片来说既是一大契机，也是一大挑战。毕竟在云端服务器芯片，可以在成本和功耗方面有所折衷，在前端则需要成本、性能和功耗的重重优化。

       随着数据量和计算力的提升，深度学习的性能和学习精度得到很大的提升，被广泛运用到文本处理、语音和图像识别上，成为AI芯片的着力点。

       对于深度学习而言，训练集用来求解神经网络的权重，最后形成模型；而测试集则用来验证模型的准确度。AI芯片既需要完成训练和测试的“双重”使命，处理大量的数据，需要高带宽，同时具备高效率，包括计算效率和编程效率，并能面向广阔的应用（包括语音、语义、图像、视频、自然语言多模态处理能力），这殊非易事。

       这也是为什么大拿们的AI芯片，无论是什么炫目的“XPU”，不外乎现成的CPU、GPU、FPGA和DSP的各种组合。比如微软的“脑波计划”DPU支持多种 FPGA，英伟达的Tesla 深度学习处理器则脱胎于GPU，而强大者如Google直接做成了ASIC，比如Google的TPU（张量处理单元），已经开发出了第二代，每颗带宽 600GB/s，算力达到 45 TFLOPS (8位整数)。

       国内层面，百度的XPU本质是 FPGA，和Xilinx 合作。华为的AI芯片9月2号就要正式亮相，据悉将集CPU、GPU和AI功能于一体。此外，寒武纪、地平线机器人、华为海思、深鉴、云知声等也在全力比拼。

       这些厂商的AI芯片有的力拼云端，有的宣称可支撑端到端，比如英特尔就是通过多元化的产品线加强部署，FPGA、Xeon Phi 都面向云端数据中心，而日前发布的VPU（视觉处理单元）配备了专用神经计算引擎，着力为边缘设备提供高端智能计算，旨在成为无人机、智能相机、VR/AR头显，360度摄像机的“砥柱”。

       层出不穷的架构，名目繁多的引擎，构建了目前AI芯片的“百家争鸣”，到底谁将胜出？是同构一统江湖，还是异构互促互进？这些架构各有其优劣势，或许需要分而治之，并要长“治”久安。

       比如在云端服务器，CPU、FPGA、GPU等可以“并行战斗”，而在前端，或许CPU+AI加速引擎会更加“实际”。NVIDIA曾表示，深度学习需要很高的内在并行度、大量的浮点计算能力以及矩阵预算，而GPU可以提供这些能力，但其缺点是更高的功耗。FPGA非常适合矩阵乘法，它的可编程性增加了一些必要的灵活性和面向未来的设计，内置DSP模块和本地存储器的FPGA会更节能，但它们通常更加昂贵。而且，AI芯片也是算法和硬件需要共同“精进”的领域。

       这也引出了另一个命题，这不仅是架构自身“风云际会”的较量，更将走入算法、指令集和IP融合等生态竞争层面。

       第一代AI芯片既需要不断的迭代进化，更需要加快生态的构建。毕竟一个易于部署的平台和良好的生态环境，包括一些基于硬件优化的开源工具对于AI芯片的应用是大有裨益的。

       有专家指出，芯片的成败，除了本身的效率之外，生态是非常关键的环节。过去ICT产业的软硬件生态都是建立在ARM和x86指令集之上的。不遵从这些指令集，芯片做得再好，没有配套应用和软件，亦很难在市场上获得成功。而未来的智能时代，可能格局会发生巨大变化，会出现新的AI生态。

       而生态的核心还是AI指令集。有专家说，没有AI指令集，AI芯片应当如何规范化设计，AI软件如何和底层硬件交互，都是无根之木。寒武纪Cambricon-X指令集是其一大特色，目前其芯片IP已扩大范围授权集成到手机、安防、可穿戴设备等终端芯片中。最新报道寒武纪又融了1亿美元。

       此外，AI在诸多市场都有应用，所有这些都需要从工具、到IP再到开发平台的巨大发展，从而不断优化来提高功率、性能和成本。比如GPU已经构建了CUDA、cuDNN及DIGITS等工具，支持各种主流开源框架，提供友好的界面和可视化的方式，并得到了合作伙伴的支持。

       就像早期版本的物联网器件一样，没有人知道各类市场如何演变。在某个领域里有效的AI技术（如视觉处理）不一定适用于另一个领域。而随着针对这些特定应用的新芯片的开发，功耗和性能会实现平衡，方法是更有针对性的功能、本地处理与云处理之间更智能的分布、以及对于设计中的瓶颈的更深入的理解这三者的结合。AI为芯片行业按下了“重启”按钮，未来也将“八仙过海，各显神通”。