場景定義AI專用晶元＋異構計算＝下一代計算架構變革周期的主旋律

本文是創投觀察系列的第82篇

分享人：北極光創投投資經理 趙顧

回顧晶元發展史，是一部摩爾定律驅動的製程演進史，也是一部應用定義的架構演進史，所以談起ASIC是不是會被FPGA取代，本身是一個門外漢的問題。

在摩爾定律放緩的背景下，應用場景定義的晶元架構乃至軟硬體系統將更加重要。正如GPU、DSP、視頻處理晶元等一波波新應用帶來的專用晶元架構的變革，AI在這一波浪潮當中也會隨著演算法的演進和收斂，逐漸沉澱出一些更加高效的架構來，並且這些晶元架構是和場景應用軟體高度融合，平衡功耗、性能、成本的設計。

計算架構主要有三個核心要素組成，包括計算，存儲和網路，因此晶元種類也基本上可以按照三類來劃分，這樣方便理解。

首先，我們談一談計算晶元，Intel和ARM的CPU、nVidia的GPU、CEVA的DSP都屬於這一類晶元或者IP，主要任務就是完成邏輯和數學運算，支撐了IT世界的雲計算，手機終端應用和信號處理，乃至AI等等。FPGA是其中一個小門類，在整個Intel的營收當中不到5%，通常FPGA可以做到一些CPU不擅長的加速運算，比如信號處理，AI推理等場景。但是FPGA的缺點也非常明確，FPGA強調的是邏輯的通用性，支持軟體改寫和配置，導致計算密度是有瓶頸的，並且通用邏輯帶來了大量冗餘，這意味著成本和功耗的大幅度上升。在移動互聯網和物聯網時代，用戶數和應用複雜度急劇上升，計算密度（單位功耗支撐的計算力）是核心競爭力，FPGA顯然無法勝任，雖然FPGA可以在加速場景能夠比CPU提升一個數量級，但是相對於專用的AI引擎又低了至少一個數量級。

有人會質疑ASIC是不是通用型不夠，其實這個答案很簡單，通用型和計算密度是一種折衷，比如理論上CPU是可以做任何的運算，但是通用架構帶來了計算密度的損失，舉個例子，最好的伺服器CPU大致也只能提供1Tflops的AI推理算力；再看看GPU，輕鬆可以做到10Tflops，但是GPU並不能完成複雜的邏輯運算，因此它永遠無法取代CPU；FPGA是介於CPU和ASIC中間的一個物種，有一定的靈活性但是性價比低，無法滿足主流的需求，比如說手機行業，為了節省幾美分的成本在不停的優化設計，面對如此巨大的行業，點滴的成本節省都是巨大的利益，因此FPGA的命運一直是市場早期的過渡產品或者服務於小批量的細分市場。

最近我們注意到一件有趣的事情，Intel收購了一家從事結構化ASIC設計的公司，可以基於FPGA的設計裁剪掉部分冗餘邏輯加速從FPGA邏輯設計到ASIC的開發過程，從這一點也可以看出ASIC才是主流市場的終極答案。

基於這樣的邏輯，北極光投資了四家AI晶元公司，分別針對雲計算的登臨，自動駕駛的黑芝麻，消費電子和安防的億智，超低功耗感測器融合的Ours，這些公司分別是針對不同應用場景優化過AI引擎，未來的晶元公司不能只是生產硬體的公司，必須深刻理解用戶的需求，界定靈活性的邊界，才能定義出最好的產品。客戶真正關心的不是通用性，否則用CPU就好了，而是滿足場景需求的計算密度下的成本。

還有人質疑新興公司搶不到產能，ASIC的目的就是用最主流和相對便宜的製程去完成FPGA用最先進位程才能做到的事情，不存在產能問題，比如說北極光投資的億智只需要用40nm和28nm的製程就可以提供1TOPS以上的算力，成本只是FPGA的1/10甚至更低，最先進的製程適合的是通用晶元設計，但是在摩爾定律放緩的背景下，會成為一個巨大的負擔。

這裡也想談下深鑒被收購的個人觀點，FPGA開發者非常少，使用困難，因此自動化工具對FPGA是有價值的，深鑒的軟體工具可以加速FPGA的AI開發進度，但是Xilinx是否還會繼續投入AI專用晶元的研發拭目以待。作為行業老大的Intel在自動駕駛，消費，安防和雲計算都有專用AI晶元的布局，包括BAT都在各自研發AI晶元，這個方向還是具有相當的共識。

我們概括一下觀點，場景定義AI專用晶元和異構計算是下一個計算架構變革周期的主旋律。

其實，中國投資AI晶元公司不是太多而是太少了，真正具備產業經驗的成熟團隊才是投資界應該追逐和主持的標的，也是國家未來的戰略資源。

圖片來自於：騰訊研究院發布的《中美兩國人工智慧產業發展全面解讀》

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！