从通用芯片、专用芯片和异构结合三个维度，对基于人工智能场景的终端芯片的技术现状进行分析。
通用芯片方面，智能终端常用的通用AI处理芯片主要是CPU、GPU、FPGA三种，在传统CPU（CentralProcess-ingUnit）中,仅有单独的ALU（逻辑运算单元）模块是用来完成指令数据计算的，其他各种模块的存在是为保证指令能串行有序执行。这种通用结构对于传统的编程计算模式非常适合，但是对于需要海量数据运算的深度学习的计算需求，无法提供足够的AI专用计算支撑。
GPU依靠通用灵活的强大并行运算能力，契合当前人工智能中广泛采用的深度学习所需要的密集数据和多维并算处理需求。按照比例来说，在CPU上约有20％的晶体管是用作计算的，而在GPU上有80％的晶体管可用作计算。高效的算数运算单元和简化的逻辑控制单元，把串行访问拆分成多个简单的并行访问，同时进行运算。如向量相加，可让CPU串行循环对每一个分量做加法，也可让GPU采用大量并行线程对应各个分量同时相加。
FPGA（FieldProgram-mableGateArray）即现场可编程门阵列，依靠电路级别的通用性，加上可编程性，适用于开发周期较短的IoT产品、传感器数据预处理工作以及小型开发试错升级迭代工作等。FPGA可灵活支持各类深度学习的计算任务，适合在推断环节支撑海量的用户实时计算请求。FPGA的可编程性是关键，让智能终端及其应用设计公司能提供与其竞争对手不同的解决方案。
专用芯片方面，ASIC（ApplicationSpecificIn-tegratedCircuit，专用集成电路）细分市场需求确定后，以TPU为代表的ASIC定制化芯片，将在确定性执行模型的应用需求中发挥作用。ASIC的特点是需要大量的研发投入，如果不能保证出货量，其芯片成本难以下降，而且芯片的功能一旦流水线生产后则无更改余地，若市场深度学习方向一旦改变，ASIC前期投入将无法回收，具有较大的市场风险。但ASIC性能高于FPGA，在高出货量下，其芯片成本可远低于FPGA。
异构结合方面，AI处理芯片还可通过统筹多芯片任务处理，提高任务处理效率，帮助AI应用程序对数据进行分类及排序处理。这样的处理模式并非完全依赖于专用AI芯片，芯片厂家可通过采用异构的芯片构架实现。由于AI场景众多，神经网络自定义层繁复，单种处理器硬件已无法满足所有需求，通过软硬结合解决方案，如在已有芯片平台加入神经网络处理引擎（NeuralPro-cessingEngine，NPE）来调动处理器中已有的CPU、GPU及其他计算模块，可以实现面向人工智能任务的异构计算。通过软硬结合的开放型异构计算可满足AI的多场景需求、面向整个手机平台所需的通用性和灵活性，也可更好地利用终端原有计算资源完成AI计算。
虽然我国智能终端芯片厂商在核心技术方面仍然依赖于国外厂商，但机遇与挑战并存。依托国家政策并抓住发展机遇，我国相关AI芯片业的前景可期。同时，当前各厂商AI芯片不受制于传统CPU芯片和软件应用生态（如英特尔X86芯片），这对自主AI芯片的发展十分有利。
当前，国家政策持续利好。继2017年国务院发布《新一代人工智能发展规划》后，《促进新一代人工智能产业发展三年行动计划（2018-2020年）》又吹响了前进的号角。同时从芯片资本市场来看，国家集成电路产业投资基金（二期）的募资工作已经完成，规模在2000亿元左右，撬动的社会资金规模可达6000亿元左右。
面向未来，在技术发展策略层面，需要积极构建生态圈，支持国内AI芯片企业自有指令集的研发。在产业应用方面，政府、事业单位和国有企业应优先使用国产AI芯片,为国产芯片操作系统生态提供支持。同时，鼓励我国智能终端AI芯片、框架和自主操作系统深度耦合全生态发展，研发与深度学习框架结合的AI芯片，构建芯片、操作系统和应用一体的软硬结合技术体系。
人工智能技术网 倡导尊重与保护知识产权。如发现本站文章存在版权等问题，烦请30天内提供版权疑问、身份证明、版权证明、联系方式等发邮件至1851688011@qq.com我们将及时沟通与处理。！：首页 > 新闻 » AI终端芯片技术现状与未来展望