AI芯片產(chǎn)業(yè)生態(tài)梳理教學(xué)課件

AI芯片作為產(chǎn)業(yè)核心，也是技術(shù)要求和附加值最高的環(huán)節(jié)，在AI產(chǎn)業(yè)鏈中的產(chǎn)業(yè)價值和戰(zhàn)略地位遠(yuǎn)遠(yuǎn)大于應(yīng)用層創(chuàng)新。騰訊發(fā)布的《中美兩國人工智能產(chǎn)業(yè)發(fā)展全面解讀》報告顯示，基礎(chǔ)層的處理器/芯片企業(yè)數(shù)量來看，中國有14家，美國33家。AI芯片產(chǎn)業(yè)生態(tài)梳理單擊此處添加標(biāo)題文字AI芯片作為產(chǎn)業(yè)核心，也是技術(shù)要求和附加值最高的環(huán)節(jié)Page

2目錄AI芯片分類1AI芯片產(chǎn)業(yè)生態(tài)2中國AI芯片公司3…

…

4Page2目錄AI芯片分類1AI芯片產(chǎn)業(yè)生態(tài)2中國AI2AI芯片產(chǎn)業(yè)生態(tài)梳理教學(xué)課件3Page

4AI芯片分類——從應(yīng)用場景分Cloud/DataCenter云端在深度學(xué)習(xí)的Training階段，由于對數(shù)據(jù)量及運算量需求巨大，單一處理器幾乎不可能獨立完成一個模型的訓(xùn)練過程，Training環(huán)節(jié)目前只能在云端實現(xiàn)，在設(shè)備端做Training目前還不是實際。在Inference階段，由于目前訓(xùn)練出來的深度神經(jīng)網(wǎng)絡(luò)模型大多仍非常復(fù)雜，其推理過程仍然是計算密集型和存儲密集型的，若部署到資源有限的終端用戶設(shè)備上難度很大，因此，云端推理目前在人工智能應(yīng)用中需求更為明顯。GPU、FPGA、ASIC(GoogleTPU1.0/2.0)等都已應(yīng)用于云端Inference環(huán)境。Device/Embedded設(shè)備端在設(shè)備端Inference領(lǐng)域，智能終端數(shù)量龐大且需求差異較大，如高級輔助駕駛ADAS、虛擬現(xiàn)實VR等設(shè)備對實時性要求很高，推理過程不能交由云端完成，要求終端設(shè)備本身需要具備足夠的推理計算能力，一些低功耗、低延遲、低成本的專用芯片也會有很大的市場需求?？梢苑殖伞癈loud/DataCenter(云端)”和“Device/Embedded(設(shè)備端)”兩大類Page4AI芯片分類——從應(yīng)用場景分Cloud/Da4Page

5AI芯片分類——從技術(shù)架構(gòu)分通用芯片GPUFPGA基于FPGA的半定制化芯片深鑒科技DPU、百度XPU(256核、基于FPGA的云計算加速芯片（與賽靈思Xilinx合作)全定制化ASIC芯片TPU寒武紀(jì)Cambricon-1A等類腦計算芯片IBMTrueNorth、Westwell西井科技、高通Zeroth等Page5AI芯片分類——從技術(shù)架構(gòu)分通用芯片GPU基5Page

6AI芯片分類象限圖TrainingInferenceGPUTPU2.0VSCloud/DataCenterDevice/Embedded?GPU/FPGA/ASICFPGA/ASICPage6AI芯片分類象限圖TrainingInfer6Page

7AI芯片產(chǎn)業(yè)生態(tài)InferenceOnDevice設(shè)備端推理MobileADASCVNLPVRInferenceOnCloud云端推理GPUFPGAASICTrainingOnCloud云端訓(xùn)練GPUASICTPU1.0/2.0TPU2.0TrainingOnDevice設(shè)備端訓(xùn)練?Page7AI芯片產(chǎn)業(yè)生態(tài)MobileADASCVNL7Page

8Training訓(xùn)練CPUVS

GPU架構(gòu)ControlALUALUALUALUCacheDRAMDRAMCPUGPUPage8Training訓(xùn)練CPUVSGPU8Page

9CPU和GPU對比說明CPU架構(gòu)2007年以前，人工智能研究受限于當(dāng)時算法、數(shù)據(jù)等因素，對于芯片并沒有特別強烈的需求，通用的CPU芯片即可提供足夠的計算能力。GoogleBrain項目，使用包含16000個CPU核的并行計算平臺，訓(xùn)練超過10億個神經(jīng)元的深度神經(jīng)網(wǎng)絡(luò)。CPU的串行結(jié)構(gòu)并不適用于深度學(xué)習(xí)所需的海量數(shù)據(jù)運算需求，用CPU做深度學(xué)習(xí)訓(xùn)練效率很低，在早期使用深度學(xué)習(xí)算法進(jìn)行語音識別的模型中，擁有429個神經(jīng)元的輸入層，整個網(wǎng)絡(luò)擁有156M個參數(shù)，訓(xùn)練時間超過75天。在內(nèi)部結(jié)構(gòu)上，CPU中70%晶體管都是用來構(gòu)建Cache(高速緩沖存儲器)和一部分控制單元，負(fù)責(zé)邏輯運算的部分(ALU模塊)并不多，指令執(zhí)行是一條接一條的串行過程。GPU架構(gòu)GPU整個就是一個龐大的計算矩陣，GPU具有數(shù)以千計的計算核心、可實現(xiàn)10-100倍應(yīng)用吞吐量，還支持對深度學(xué)習(xí)至關(guān)重要的并行計算能力，可以比傳統(tǒng)處理器更加快速，大大加快了訓(xùn)練過程。GPU由并行計算單元和控制單元以及存儲單元構(gòu)成，擁有大量的核(多達(dá)幾千個)和大量的高速內(nèi)存，擅長做類似圖像處理的并行計算，以矩陣的分布式形式來實現(xiàn)計算。同CPU不同的是，GPU的計算單元明顯增多，特別適合大規(guī)模并行計算。Page9CPU和GPU對比說明CPU架構(gòu)9Page

10通用計算GPU—NVIDIA一家獨大2010年NVIDIA就開始布局人工智能產(chǎn)品，2014年發(fā)布了新一代PASCALGPU芯片架構(gòu)，這是NVIDIA的第五代GPU架構(gòu)，也是首個為深度學(xué)習(xí)而設(shè)計的GPU，它支持所有主流的深度學(xué)習(xí)計算框架。2016年上半年，NVIDIA又針對神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程推出了基于PASCAL架構(gòu)的TESLAP100芯片以及相應(yīng)的超級計算機(jī)DGX-1。DGX-1包含TESLAP100GPU加速器，采用NVLINK互聯(lián)技術(shù)，軟件堆棧包含主要深度學(xué)習(xí)框架、深度學(xué)習(xí)SDK、DIGITSGPU訓(xùn)練系統(tǒng)、驅(qū)動程序和CUDA，能夠快速設(shè)計深度神經(jīng)網(wǎng)絡(luò)(DNN)，擁有高達(dá)170TFLOPS的半精度浮點運算能力，相當(dāng)于250臺傳統(tǒng)服務(wù)器，可以將深度學(xué)習(xí)的訓(xùn)練速度加快75倍，將CPU性能提升56倍。Page10通用計算GPU—NVIDIA一家獨大20110Page

11Training市場NVIDIA競爭對手GoogleTraining市場目前能與NVIDIA競爭的就是Google。今年5月份Google發(fā)布了TPU2.0，TPU(TensorProcessingUnit)是Google研發(fā)的一款針對深度學(xué)習(xí)加速的ASIC芯片，第一代TPU僅能用于推理，而目前發(fā)布的TPU2.0既可以用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)，又可以用于推理。TPU2.0包括了四個芯片，每秒可處理180萬億次浮點運算。Google還找到一種方法，使用新的計算機(jī)網(wǎng)絡(luò)將64個TPU組合到一起，升級為所謂的TPUPods，可提供大約11500萬億次浮點運算能力。Google表示，公司新的深度學(xué)習(xí)翻譯模型如果在32塊性能最好的GPU上訓(xùn)練，需要一整天的時間，而八分之一個TPUPod就能在6個小時內(nèi)完成同樣的任務(wù)。目前Google并不直接出售TPU芯片，而是結(jié)合其開源深度學(xué)習(xí)框架TensorFlow為AI開發(fā)者提供TPU云加速的服務(wù)，以此發(fā)展TPU2的應(yīng)用和生態(tài)，比如TPU2同時發(fā)布的TensorFlowResearchCloud(TFRC)。Page11Training市場NVIDIA競爭對手G11Page

12傳統(tǒng)CPU/GPU廠家也進(jìn)入Training市場傳統(tǒng)CPU/GPU廠家Intel和AMD也在努力進(jìn)入這Training市場，如Intel推出的XeonPhi+Nervana方案，AMD的下一代VEGA架構(gòu)GPU芯片等，但從目前市場進(jìn)展來看很難對NVIDIA構(gòu)成威脅。初創(chuàng)公司中，英國Graphcore公司

的IPU處理器(IntelligenceProcessingUnit)據(jù)介紹也同時支持Training和Inference。該IPU采用同構(gòu)多核架構(gòu)，有超過1000個獨立的處理器；支持All-to-All的核間通信，采用BulkSynchronousParallel的同步計算模型；采用大量片上Memory，不直接連接DRAM?？傊?，對于云端的Training(也包括Inference)系統(tǒng)來說，業(yè)界比較一致的觀點是競爭的核心不是在單一芯片的層面，而是整個軟硬件生態(tài)的搭建。NVIDIA的CUDA+GPU、Google的TensorFlow+TPU2.0，巨頭的競爭也才剛剛開始。IntelXeonPhi+NervanaAMD下一代VEGA架構(gòu)GPU芯片Page12傳統(tǒng)CPU/GPU廠家也進(jìn)入Trainin12Page

13InferenceOnCloud云端推理—FPGA應(yīng)用相對于Training市場上NVIDIA的一家獨大，Inference市場競爭則更為分散。業(yè)界所說的深度學(xué)習(xí)市場占比(Training占5%，Inference占95%)，Inference市場競爭必然會更為激烈。在云端推理環(huán)節(jié)，雖然GPU仍有應(yīng)用，但并不是最優(yōu)選擇，更多的是采用異構(gòu)計算方案(CPU/GPU+FPGA/ASIC)來完成云端推理任務(wù)。FPGA領(lǐng)域，四大廠商(Xilinx/Altera/Lattice/Microsemi)中的Xilinx和Altera（被Intel收購）在云端加速領(lǐng)域優(yōu)勢明顯。Altera在2015年12月被Intel收購，隨后推出了Xeon+FPGA的云端方案，同時與Azure、騰訊云、阿里云等均有合作；Xilinx則與IBM、百度云、AWS、騰訊云合作較深入，另外Xilinx還戰(zhàn)略投資了國內(nèi)AI芯片初創(chuàng)公司深鑒科技。目前來看，云端加速領(lǐng)域其他FPGA廠商與Xilinx和Altera還有很大差距。Page13InferenceOnCloud云端推13Page

14InferenceOnCloud云端推理—FPGA應(yīng)用時間公司內(nèi)容2015/06/10IBM在IBMPOWER系統(tǒng)上運用XilinxFPGA加速工作負(fù)載處理技術(shù)2016/03/23FacebookFacebook開始采用CPU+FPGA服務(wù)器2016/09/30微軟微軟開始使用FPGA加速Bing搜索和Azure云計算2016/11/30亞馬遜AWS亞馬遜AWS推出FPGA云服務(wù)EC2F12017/01/20騰訊云騰訊云推出國內(nèi)首款高性能異構(gòu)計算基礎(chǔ)設(shè)施—FPGA云服務(wù)器2017/01/21阿里云阿里云發(fā)布異構(gòu)計算解決方案：彈性GPU實例和FPGA解決方案2017/05/25百度云百度對外正式發(fā)布FPGA云服務(wù)器Page14InferenceOnCloud云端推14Page

15InferenceOnCloud云端推理—ASIC應(yīng)用ASIC領(lǐng)域，應(yīng)用于云端推理的商用AI芯片目前主要是Google的TPU1.0/2.0。其中，TPU1.0僅用于DatacenterInference應(yīng)用。它的核心是由65,536個8-bitMAC組成的矩陣乘法單元，峰值可以達(dá)到92TeraOps/second(TOPS)。有一個很大的片上存儲器，一共28MiB。它可以支持MLP，CNN和LSTM這些常見的神經(jīng)網(wǎng)絡(luò)，并且支持TensorFLow框架。它的平均性能(TOPS)可以達(dá)到CPU和GPU的15到30倍，能耗效率(TOPS/W)能到30到80倍。如果使用GPU的DDR5memory，這兩個數(shù)值可以達(dá)到大約GPU的70倍和CPU的200倍。TPU2.0既用于訓(xùn)練，也用于推理，上一節(jié)已經(jīng)做過介紹。國內(nèi)AI芯片公司寒武紀(jì)科技據(jù)報道也在自主研發(fā)云端高性能AI芯片，目前與科大訊飛、曙光等均有合作。Page15InferenceOnCloud云端推15Page

16InferenceOnDevice設(shè)備端推理設(shè)備端推理的應(yīng)用場景更為多樣化，智能手機(jī)、ADAS、智能攝像頭、語音交互、VR/AR等設(shè)備需求各異，需要更為定制化、低功耗、低成本的嵌入式解決方案，這就給了創(chuàng)業(yè)公司更多機(jī)會，市場競爭生態(tài)也會更加多樣化Page16InferenceOnDevice設(shè)備16Page

17InferenceOnDevice設(shè)備端推理——智能手機(jī)應(yīng)用華為2017年9月初發(fā)布的麒麟970AI芯片就搭載了神經(jīng)網(wǎng)絡(luò)處理器NPU(寒武紀(jì)IP)。蘋果2017年最新發(fā)布的A11仿生芯片也搭載了神經(jīng)網(wǎng)絡(luò)單元。高通從2014年開始也公開了NPU的研發(fā)，并且在最新兩代驍龍8xx芯片上都有所體現(xiàn)，Page17InferenceOnDevice設(shè)備17Page

18InferenceOnDevice設(shè)備端推理——自動駕駛應(yīng)用NVIDIA去年發(fā)布自動駕駛開發(fā)平臺DRIVEPX2，基于16nmFinFET工藝，功耗高達(dá)250W，采用水冷散熱設(shè)計；支持12路攝像頭輸入、激光定位、雷達(dá)和超聲波傳感器；CPU采用兩顆新一代NVIDIATegra處理器，當(dāng)中包括了8個A57核心和4個Denver核心；GPU采用新一代Pascal架構(gòu)，單精度計算能力達(dá)到8TFlops，超越TITANX，有后者10倍以上的深度學(xué)習(xí)計算能力。Intel收購的Mobileye、高通收購的NXP、英飛凌、瑞薩等汽車電子巨頭也提供ADAS芯片和算法。初創(chuàng)公司中，地平線的深度學(xué)習(xí)處理器(BPU，BrainProcessorUnit)IP及其自研雨果(Hugo)平臺也是重點面向自動駕駛領(lǐng)域。Page18InferenceOnDevice設(shè)備18Page

19InferenceOnDevice設(shè)備端推理——機(jī)器視覺應(yīng)用Intel收購的Movidius是其中的一家芯片提供商，大疆無人機(jī)、海康威視和大華股份的智能監(jiān)控攝像頭部分使用了Movidius的Myriad系列芯片。目前國內(nèi)做計算機(jī)視覺技術(shù)的公司中，商湯科技、Face++、云從、依圖等，未來有可能隨著其自身計算機(jī)視覺技術(shù)的積累漸深，部分公司向上游延伸去做CV芯片研發(fā)。國內(nèi)還有如人人智能、智芯原動等創(chuàng)業(yè)公司提供攝像頭端的AI加速IP及芯片解決方案。Page19InferenceOnDevice設(shè)備19Page

20InferenceOnDevice設(shè)備端推理——其他應(yīng)用微軟為自身VR設(shè)備Hololens而研發(fā)的HPU芯片，這顆由臺積電代工的芯片能同時處理來自5個攝像頭、一個深度傳感器以及運動傳感器的數(shù)據(jù)，并具備計算機(jī)視覺的矩陣運算和CNN運算的加速功能；語音交互設(shè)備芯片方面，國內(nèi)有啟英泰倫以及云知聲兩家公司，其提供的芯片方案均內(nèi)置了為語音識別而優(yōu)化的深度神經(jīng)網(wǎng)絡(luò)加速方案，實現(xiàn)設(shè)備的語音離線識別；在泛IOT領(lǐng)域，NovuMind設(shè)計了一種僅使用3×3卷積過濾器的AI芯片，第一款芯片原型預(yù)計今年底推出，預(yù)計可實現(xiàn)耗能不超過5瓦進(jìn)行15萬億次浮點運算，可以廣泛應(yīng)用于各類小型的互聯(lián)網(wǎng)“邊緣”設(shè)備。Page20InferenceOnDevice設(shè)備20Page

21全新架構(gòu)——類腦計算芯片類腦芯片：是指參考人腦神經(jīng)元結(jié)構(gòu)和人腦感知認(rèn)知方式來設(shè)計的芯片，其目標(biāo)是開發(fā)出打破馮·諾依曼架構(gòu)體系的芯片。這一領(lǐng)域目前仍處于探索階段，如歐盟支持的SpiNNaker和BrainScaleS、斯坦福大學(xué)的Neurogrid、IBM公司的TrueNorth以及高通公司的Zeroth等；國內(nèi)Westwell、清華大學(xué)、浙江大學(xué)、電子科技大學(xué)等也有相關(guān)研究。總體來看，類腦計算芯片領(lǐng)域仍處于探索階段，距離規(guī)模化商用仍有比較遠(yuǎn)的距離Page21全新架構(gòu)——類腦計算芯片類腦芯片：是指參考21Page

22全新架構(gòu)——類腦計算芯片IBM的TrueNorth，2014年公布。在一顆芯片上集成了4096個內(nèi)核，100萬個神經(jīng)元、2.56億個可編程突觸，使用了三星的28nm的工藝，國內(nèi)AI初創(chuàng)公司西井科技Westwell是用FPGA模擬神經(jīng)元以實現(xiàn)SNN的工作方式，有兩款產(chǎn)品：1、仿生類腦神經(jīng)元芯片DeepSouth(深南)，第三代脈沖神經(jīng)網(wǎng)絡(luò)芯片SNN，2、深度學(xué)習(xí)類腦神經(jīng)元芯片DeepWell(深井)，處理模式識別問題的通用智能芯片，Page22全新架構(gòu)——類腦計算芯片IBM的TrueN22Page

23中國AI芯片公司名稱成立時間估值A(chǔ)I產(chǎn)品技術(shù)特點投資方中科寒武紀(jì)2016北京10億美元@2017Cambricon-1A基于CNN卷積神經(jīng)網(wǎng)絡(luò)阿里巴巴創(chuàng)投、聯(lián)想創(chuàng)投、國科投資、中科圖靈、元禾原點、涌鏵投資聯(lián)合投資，成為全球AI芯片領(lǐng)域第一個獨角獸初創(chuàng)公司地平線機(jī)器人2015北京30億人民幣@2016BPU自研AI架構(gòu)IP(高斯、伯努利、貝葉斯架構(gòu))晨興資本、高瓴資本、紅杉資本、金沙江創(chuàng)投、線性資本、創(chuàng)新工場、真格基金、雙湖投資、青云創(chuàng)投及祥峰投資等深鑒科技2016北京10億人民幣@2017DPU基于FPGA深度學(xué)習(xí)處理單元聯(lián)發(fā)科、賽靈思、金沙江創(chuàng)投、高榕資本、清華控股、方和資本等。啟英泰倫2015成都CI1006語音識別ASIC芯片、支持DNN深度神經(jīng)網(wǎng)絡(luò)架構(gòu)ROOBO、匯聲信息等云知聲2012北京25億人民幣@2016UniOne、IVM、UniToy智能家電IVM芯片基于高通WIFI模組、UniToy兒童機(jī)器人基于Linux系統(tǒng)啟明創(chuàng)投、高通投資、明富投資、磐谷創(chuàng)投等西井科技2015上海DeepSouthDeepWell類腦神經(jīng)元芯片復(fù)興同浩、源政投資、合力投資、十維資本、明贏資本人人智能2016北京FaceOS基于ARM的人臉機(jī)芯ARM、英諾天使基金云飛勵天2014北京IPU視覺智能芯片松禾資本、深投控、紅秀盈信、山水從容投資、投控東海、真格基金NovuMind2015北京深度學(xué)習(xí)加速器芯片ASIC真格基金、寬帶資本、英諾天使基金、洪泰基金、臻云創(chuàng)投、極客幫創(chuàng)投等百度2001北京XPU基于FPGA的云計算加速芯片華為1987北京麒麟970NPUNPU基于寒武紀(jì)IP中星微1999北京星光智能一號NPU基于CNN卷積神經(jīng)網(wǎng)絡(luò)……Page23中國AI芯片公司名稱成立時間估值A(chǔ)I產(chǎn)品技23謝謝觀賞謝謝觀賞24AI芯片作為產(chǎn)業(yè)核心，也是技術(shù)要求和附加值最高的環(huán)節(jié)，在AI產(chǎn)業(yè)鏈中的產(chǎn)業(yè)價值和戰(zhàn)略地位遠(yuǎn)遠(yuǎn)大于應(yīng)用層創(chuàng)新。騰訊發(fā)布的《中美兩國人工智能產(chǎn)業(yè)發(fā)展全面解讀》報告顯示，基礎(chǔ)層的處理器/芯片企業(yè)數(shù)量來看，中國有14家，美國33家。AI芯片產(chǎn)業(yè)生態(tài)梳理單擊此處添加標(biāo)題文字AI芯片作為產(chǎn)業(yè)核心，也是技術(shù)要求和附加值最高的環(huán)節(jié)Page

26目錄AI芯片分類1AI芯片產(chǎn)業(yè)生態(tài)2中國AI芯片公司3…

…

4Page2目錄AI芯片分類1AI芯片產(chǎn)業(yè)生態(tài)2中國AI26AI芯片產(chǎn)業(yè)生態(tài)梳理教學(xué)課件27Page

28AI芯片分類——從應(yīng)用場景分Cloud/DataCenter云端在深度學(xué)習(xí)的Training階段，由于對數(shù)據(jù)量及運算量需求巨大，單一處理器幾乎不可能獨立完成一個模型的訓(xùn)練過程，Training環(huán)節(jié)目前只能在云端實現(xiàn)，在設(shè)備端做Training目前還不是實際。在Inference階段，由于目前訓(xùn)練出來的深度神經(jīng)網(wǎng)絡(luò)模型大多仍非常復(fù)雜，其推理過程仍然是計算密集型和存儲密集型的，若部署到資源有限的終端用戶設(shè)備上難度很大，因此，云端推理目前在人工智能應(yīng)用中需求更為明顯。GPU、FPGA、ASIC(GoogleTPU1.0/2.0)等都已應(yīng)用于云端Inference環(huán)境。Device/Embedded設(shè)備端在設(shè)備端Inference領(lǐng)域，智能終端數(shù)量龐大且需求差異較大，如高級輔助駕駛ADAS、虛擬現(xiàn)實VR等設(shè)備對實時性要求很高，推理過程不能交由云端完成，要求終端設(shè)備本身需要具備足夠的推理計算能力，一些低功耗、低延遲、低成本的專用芯片也會有很大的市場需求?？梢苑殖伞癈loud/DataCenter(云端)”和“Device/Embedded(設(shè)備端)”兩大類Page4AI芯片分類——從應(yīng)用場景分Cloud/Da28Page

29AI芯片分類——從技術(shù)架構(gòu)分通用芯片GPUFPGA基于FPGA的半定制化芯片深鑒科技DPU、百度XPU(256核、基于FPGA的云計算加速芯片（與賽靈思Xilinx合作)全定制化ASIC芯片TPU寒武紀(jì)Cambricon-1A等類腦計算芯片IBMTrueNorth、Westwell西井科技、高通Zeroth等Page5AI芯片分類——從技術(shù)架構(gòu)分通用芯片GPU基29Page

30AI芯片分類象限圖TrainingInferenceGPUTPU2.0VSCloud/DataCenterDevice/Embedded?GPU/FPGA/ASICFPGA/ASICPage6AI芯片分類象限圖TrainingInfer30Page

31AI芯片產(chǎn)業(yè)生態(tài)InferenceOnDevice設(shè)備端推理MobileADASCVNLPVRInferenceOnCloud云端推理GPUFPGAASICTrainingOnCloud云端訓(xùn)練GPUASICTPU1.0/2.0TPU2.0TrainingOnDevice設(shè)備端訓(xùn)練?Page7AI芯片產(chǎn)業(yè)生態(tài)MobileADASCVNL31Page

32Training訓(xùn)練CPUVS

GPU架構(gòu)ControlALUALUALUALUCacheDRAMDRAMCPUGPUPage8Training訓(xùn)練CPUVSGPU32Page

33CPU和GPU對比說明CPU架構(gòu)2007年以前，人工智能研究受限于當(dāng)時算法、數(shù)據(jù)等因素，對于芯片并沒有特別強烈的需求，通用的CPU芯片即可提供足夠的計算能力。GoogleBrain項目，使用包含16000個CPU核的并行計算平臺，訓(xùn)練超過10億個神經(jīng)元的深度神經(jīng)網(wǎng)絡(luò)。CPU的串行結(jié)構(gòu)并不適用于深度學(xué)習(xí)所需的海量數(shù)據(jù)運算需求，用CPU做深度學(xué)習(xí)訓(xùn)練效率很低，在早期使用深度學(xué)習(xí)算法進(jìn)行語音識別的模型中，擁有429個神經(jīng)元的輸入層，整個網(wǎng)絡(luò)擁有156M個參數(shù)，訓(xùn)練時間超過75天。在內(nèi)部結(jié)構(gòu)上，CPU中70%晶體管都是用來構(gòu)建Cache(高速緩沖存儲器)和一部分控制單元，負(fù)責(zé)邏輯運算的部分(ALU模塊)并不多，指令執(zhí)行是一條接一條的串行過程。GPU架構(gòu)GPU整個就是一個龐大的計算矩陣，GPU具有數(shù)以千計的計算核心、可實現(xiàn)10-100倍應(yīng)用吞吐量，還支持對深度學(xué)習(xí)至關(guān)重要的并行計算能力，可以比傳統(tǒng)處理器更加快速，大大加快了訓(xùn)練過程。GPU由并行計算單元和控制單元以及存儲單元構(gòu)成，擁有大量的核(多達(dá)幾千個)和大量的高速內(nèi)存，擅長做類似圖像處理的并行計算，以矩陣的分布式形式來實現(xiàn)計算。同CPU不同的是，GPU的計算單元明顯增多，特別適合大規(guī)模并行計算。Page9CPU和GPU對比說明CPU架構(gòu)33Page

34通用計算GPU—NVIDIA一家獨大2010年NVIDIA就開始布局人工智能產(chǎn)品，2014年發(fā)布了新一代PASCALGPU芯片架構(gòu)，這是NVIDIA的第五代GPU架構(gòu)，也是首個為深度學(xué)習(xí)而設(shè)計的GPU，它支持所有主流的深度學(xué)習(xí)計算框架。2016年上半年，NVIDIA又針對神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程推出了基于PASCAL架構(gòu)的TESLAP100芯片以及相應(yīng)的超級計算機(jī)DGX-1。DGX-1包含TESLAP100GPU加速器，采用NVLINK互聯(lián)技術(shù)，軟件堆棧包含主要深度學(xué)習(xí)框架、深度學(xué)習(xí)SDK、DIGITSGPU訓(xùn)練系統(tǒng)、驅(qū)動程序和CUDA，能夠快速設(shè)計深度神經(jīng)網(wǎng)絡(luò)(DNN)，擁有高達(dá)170TFLOPS的半精度浮點運算能力，相當(dāng)于250臺傳統(tǒng)服務(wù)器，可以將深度學(xué)習(xí)的訓(xùn)練速度加快75倍，將CPU性能提升56倍。Page10通用計算GPU—NVIDIA一家獨大20134Page

35Training市場NVIDIA競爭對手GoogleTraining市場目前能與NVIDIA競爭的就是Google。今年5月份Google發(fā)布了TPU2.0，TPU(TensorProcessingUnit)是Google研發(fā)的一款針對深度學(xué)習(xí)加速的ASIC芯片，第一代TPU僅能用于推理，而目前發(fā)布的TPU2.0既可以用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)，又可以用于推理。TPU2.0包括了四個芯片，每秒可處理180萬億次浮點運算。Google還找到一種方法，使用新的計算機(jī)網(wǎng)絡(luò)將64個TPU組合到一起，升級為所謂的TPUPods，可提供大約11500萬億次浮點運算能力。Google表示，公司新的深度學(xué)習(xí)翻譯模型如果在32塊性能最好的GPU上訓(xùn)練，需要一整天的時間，而八分之一個TPUPod就能在6個小時內(nèi)完成同樣的任務(wù)。目前Google并不直接出售TPU芯片，而是結(jié)合其開源深度學(xué)習(xí)框架TensorFlow為AI開發(fā)者提供TPU云加速的服務(wù)，以此發(fā)展TPU2的應(yīng)用和生態(tài)，比如TPU2同時發(fā)布的TensorFlowResearchCloud(TFRC)。Page11Training市場NVIDIA競爭對手G35Page

36傳統(tǒng)CPU/GPU廠家也進(jìn)入Training市場傳統(tǒng)CPU/GPU廠家Intel和AMD也在努力進(jìn)入這Training市場，如Intel推出的XeonPhi+Nervana方案，AMD的下一代VEGA架構(gòu)GPU芯片等，但從目前市場進(jìn)展來看很難對NVIDIA構(gòu)成威脅。初創(chuàng)公司中，英國Graphcore公司

的IPU處理器(IntelligenceProcessingUnit)據(jù)介紹也同時支持Training和Inference。該IPU采用同構(gòu)多核架構(gòu)，有超過1000個獨立的處理器；支持All-to-All的核間通信，采用BulkSynchronousParallel的同步計算模型；采用大量片上Memory，不直接連接DRAM?？傊?，對于云端的Training(也包括Inference)系統(tǒng)來說，業(yè)界比較一致的觀點是競爭的核心不是在單一芯片的層面，而是整個軟硬件生態(tài)的搭建。NVIDIA的CUDA+GPU、Google的TensorFlow+TPU2.0，巨頭的競爭也才剛剛開始。IntelXeonPhi+NervanaAMD下一代VEGA架構(gòu)GPU芯片Page12傳統(tǒng)CPU/GPU廠家也進(jìn)入Trainin36Page

37InferenceOnCloud云端推理—FPGA應(yīng)用相對于Training市場上NVIDIA的一家獨大，Inference市場競爭則更為分散。業(yè)界所說的深度學(xué)習(xí)市場占比(Training占5%，Inference占95%)，Inference市場競爭必然會更為激烈。在云端推理環(huán)節(jié)，雖然GPU仍有應(yīng)用，但并不是最優(yōu)選擇，更多的是采用異構(gòu)計算方案(CPU/GPU+FPGA/ASIC)來完成云端推理任務(wù)。FPGA領(lǐng)域，四大廠商(Xilinx/Altera/Lattice/Microsemi)中的Xilinx和Altera（被Intel收購）在云端加速領(lǐng)域優(yōu)勢明顯。Altera在2015年12月被Intel收購，隨后推出了Xeon+FPGA的云端方案，同時與Azure、騰訊云、阿里云等均有合作；Xilinx則與IBM、百度云、AWS、騰訊云合作較深入，另外Xilinx還戰(zhàn)略投資了國內(nèi)AI芯片初創(chuàng)公司深鑒科技。目前來看，云端加速領(lǐng)域其他FPGA廠商與Xilinx和Altera還有很大差距。Page13InferenceOnCloud云端推37Page

38InferenceOnCloud云端推理—FPGA應(yīng)用時間公司內(nèi)容2015/06/10IBM在IBMPOWER系統(tǒng)上運用XilinxFPGA加速工作負(fù)載處理技術(shù)2016/03/23FacebookFacebook開始采用CPU+FPGA服務(wù)器2016/09/30微軟微軟開始使用FPGA加速Bing搜索和Azure云計算2016/11/30亞馬遜AWS亞馬遜AWS推出FPGA云服務(wù)EC2F12017/01/20騰訊云騰訊云推出國內(nèi)首款高性能異構(gòu)計算基礎(chǔ)設(shè)施—FPGA云服務(wù)器2017/01/21阿里云阿里云發(fā)布異構(gòu)計算解決方案：彈性GPU實例和FPGA解決方案2017/05/25百度云百度對外正式發(fā)布FPGA云服務(wù)器Page14InferenceOnCloud云端推38Page

39InferenceOnCloud云端推理—ASIC應(yīng)用ASIC領(lǐng)域，應(yīng)用于云端推理的商用AI芯片目前主要是Google的TPU1.0/2.0。其中，TPU1.0僅用于DatacenterInference應(yīng)用。它的核心是由65,536個8-bitMAC組成的矩陣乘法單元，峰值可以達(dá)到92TeraOps/second(TOPS)。有一個很大的片上存儲器，一共28MiB。它可以支持MLP，CNN和LSTM這些常見的神經(jīng)網(wǎng)絡(luò)，并且支持TensorFLow框架。它的平均性能(TOPS)可以達(dá)到CPU和GPU的15到30倍，能耗效率(TOPS/W)能到30到80倍。如果使用GPU的DDR5memory，這兩個數(shù)值可以達(dá)到大約GPU的70倍和CPU的200倍。TPU2.0既用于訓(xùn)練，也用于推理，上一節(jié)已經(jīng)做過介紹。國內(nèi)AI芯片公司寒武紀(jì)科技據(jù)報道也在自主研發(fā)云端高性能AI芯片，目前與科大訊飛、曙光等均有合作。Page15InferenceOnCloud云端推39Page

40InferenceOnDevice設(shè)備端推理設(shè)備端推理的應(yīng)用場景更為多樣化，智能手機(jī)、ADAS、智能攝像頭、語音交互、VR/AR等設(shè)備需求各異，需要更為定制化、低功耗、低成本的嵌入式解決方案，這就給了創(chuàng)業(yè)公司更多機(jī)會，市場競爭生態(tài)也會更加多樣化Page16InferenceOnDevice設(shè)備40Page

41InferenceOnDevice設(shè)備端推理——智能手機(jī)應(yīng)用華為2017年9月初發(fā)布的麒麟970AI芯片就搭載了神經(jīng)網(wǎng)絡(luò)處理器NPU(寒武紀(jì)IP)。蘋果2017年最新發(fā)布的A11仿生芯片也搭載了神經(jīng)網(wǎng)絡(luò)單元。高通從2014年開始也公開了NPU的研發(fā)，并且在最新兩代驍龍8xx芯片上都有所體現(xiàn)，Page17InferenceOnDevice設(shè)備41Page

42InferenceOnDevice設(shè)備端推理——自動駕駛應(yīng)用NVIDIA去年發(fā)布自動駕駛開發(fā)平臺DRIVEPX2，基于16nmFinFET工藝，功耗高達(dá)250W，采用水冷散熱設(shè)計；支持12路攝像頭輸入、激光定位、雷達(dá)和超聲波傳感器；CPU采用兩顆新一代NVIDIATegra處理器，當(dāng)中包括了8個A57核心和4個Denver核心；GPU采用新一代Pascal架構(gòu)，單精度計算能力達(dá)到8TFlops，超越TITANX，有后者10倍以上的深度學(xué)習(xí)計算能力。Intel收購的Mobileye、高通收購的NXP、英飛凌、瑞薩等汽車電子巨頭也提供ADAS芯片和算法。初創(chuàng)公司中，地平線的深度學(xué)習(xí)處理器(BPU，BrainProcessorUnit)IP及其自研雨果(Hugo)平臺也是重點面向自動駕駛領(lǐng)域。Page18InferenceOnDevice設(shè)備42Page

43InferenceOnDevice設(shè)備端推理——機(jī)器視覺應(yīng)用Intel收購的Movidius是其中的一家芯片提供商，大疆無人機(jī)、?？低暫痛笕A股份的智能監(jiān)控攝像頭部分使用了Movidius的Myriad系列芯片。目前國內(nèi)做計算機(jī)視覺技術(shù)的公司中，商湯科技、Face++、云從、依圖等，未來有可能隨著其自身計算機(jī)視覺技術(shù)的積累漸深，部分公司向上游延伸去做CV芯片研發(fā)。國內(nèi)還有如人人智能、智芯原動等創(chuàng)業(yè)公司提供攝像頭端的AI加速IP及芯片解決方案。Page19InferenceOnDevice設(shè)備43Page

44InferenceOnDevice設(shè)備端推理——其他應(yīng)用微軟為自身VR設(shè)備Hololens而研發(fā)的HPU芯片，這顆由臺積電代工的芯片能同時處理來自5個攝像頭、一個深度傳感器以及運動傳感器的數(shù)據(jù)，并具備計算機(jī)視覺的矩陣運算和CNN運算的加速功能；語音交互設(shè)備芯片方面，國內(nèi)有啟英泰倫以及云知聲兩家公司，其提供的芯片方案均內(nèi)置了為語音識別而