我国人工智能硬件产业现状分析

发布时间：2023-04-17 09:38:27 所属栏目：动态来源：

导读：随着人工智能新兴产业得到高速发展，传统计算架构已无法满足海量数据和复杂模型对大规模并行计算能力的需求，对人工智能硬件设备性能提出了更高要求。人工智能芯片和超级计算机是保障人工智能产业持续高速发展的核心

随着人工智能新兴产业得到高速发展，传统计算架构已无法满足海量数据和复杂模型对大规模并行计算能力的需求，对人工智能硬件设备性能提出了更高要求。人工智能芯片和超级计算机是保障人工智能产业持续高速发展的核心硬件基础设施，以人工智能为载体的算力更是人工智能发展水平的重要衡量指标之一，在人工智能的运用中产生了深远影响。

目前对于人工智能芯片尚无统一的定义，广义上认为专门用于人工智能大量计算任务的芯片都可称为人工智能芯片，狭义上认为针对人工智能算法特殊设计的芯片称为人工智能芯片。人工智能芯片的发展一方面依赖于数字模型和算法的发展，一方面依赖于半导体集成电路设计、制造、封装等技术进步和新材料的发展使用。从技术架构来说，人工智能芯片可分为图形处理单元（GPU）、半定制化的现场可编程门阵列（FPGA）、全定制化的专用芯片（ASIC），以及神经拟态芯片即类脑芯片（表1）。

FPGA芯片是在PAL（可编程逻辑阵列）、GAL（通用阵列逻辑）、CPLD（复杂可编程逻辑器件）等传统逻辑电路和门阵列的基础上发展起来的半定制芯片，具有现场可编程性，既解决了半定制电路的不足，又克服了原有可编程器件门电路数量有限的缺点。与GPU、ASIC等类型芯片相比，FPGA芯片底层逻辑运算单元的连线及逻辑布局未固化，其具有灵活、快速开发、延迟低等优点，特别适用于区块链技术底层算法这个需要大规模持续更新迭代的领域。

ASIC芯片是一种根据特定算法定制的芯片架构，其定制程度相比于GPU和FPGA更高。ASIC算力水平一般高于CPU、GPU、FPGA，但初始阶段需要较大的成本投入。ASIC专用性强，同时也限制了其通用性，算法一旦改变，计算能力会大幅下降，需要重新定制。但对于一些特定的领域，其数据量庞大，算法趋于固定，ASIC芯片成为首选。近年来出现的张量处理器（TPU）、神经网络处理器（NPU）、视觉处理器（VPU）等都是ASIC专用芯片。

此外，从功能任务角度，AI芯片可以分为训练芯片和推理芯片。从部署位置来分，可分为云端和边缘端两类AI芯片。云端主要部署训练芯片和推理芯片，承担训练和推理任务，具体指智能数据分析、模型训练任务和部分对传输带宽要求高的推理任务；边缘主部署推理芯片,承接推理任务,需要独立完成数据采集、环境感知、人机交互和一些推理决策控制,对数据的获取和处理是极其关键的。

（编辑：汽车网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!