現在使用的AI芯片的研究方式不盡相同，這些不同的研究方向都有自己的優點和弊端。那么哪種研究方式會成為之后的主流研究方向呢?

AI芯片研究方向介紹

AI芯片的研發方向主要分兩種：一是基于傳統馮·諾依曼架構的FPGA(現場可編程門陣列)和ASIC(專用集成電路)芯片，二是模仿人腦神經元結構設計的類腦芯片。其中FPGA和ASIC芯片不管是研發還是應用，都已經形成一定規模;而類腦芯片雖然還處于研發初期，但具備很大潛力，可能在未來成為行業內的主流。

這兩條發展路線的主要區別在于，前者沿用馮·諾依曼架構，后者采用類腦架構。你看到的每一臺電腦，采用的都是馮·諾依曼架構。它的核心思路就是處理器和存儲器要分開，所以才有了CPU(中央處理器)和內存。而類腦架構，顧名思義，模仿人腦神經元結構，因此CPU、內存和通信部件都集成在一起。

兩種架構的簡要發展史

2007年以前，受限于當時算法和數據等因素，AI對芯片還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。之后由于高清視頻和游戲產業的快速發展，GPU (圖形處理器)芯片取得迅速的發展。因為 GPU 有更多的邏輯運算單元用于處理數據，屬于高并行結構，在處理圖形數據和復雜算法方面比 CPU 更有優勢，又因為AI深度學習的模型參數多、數據規模大、計算量大，此后一段時間內 GPU 代替了 CPU，成為當時 AI 芯片的主流。

然而 GPU 畢竟只是圖形處理器，不是專門用于 AI 深度學習的芯片，自然存在不足，比如在執行AI 應用時，其并行結構的性能無法充分發揮，導致能耗高。與此同時，AI技術的應用日益增長，在教育、醫療、無人駕駛等領域都能看到 AI 的身影。然而GPU 芯片過高的能耗無法滿足產業的需求，因此取而代之的是 FPGA 芯片，和 ASIC 芯片。

FPGA 和 ASIC 芯片區別

FPGA 和 ASIC 的區別。FPGA基本原理是在芯片內集成大量的數字電路基本門電路以及存儲器，而用戶可以通過燒入 FPGA 配置文件來來定義這些門電路以及存儲器之間的連線。這種燒入不是一次性的，即用戶今天可以把 FPGA 配置成一個微控制器 MCU，明天可以編輯配置文件把同一個 FPGA 配置成一個音頻編解碼器。ASIC 則是專用集成電路，一旦設計制造完成后電路就固定了，無法再改變。

比較 FPGA 和 ASIC 就像比較樂高積木和模型。舉例來說，如果你發現最近星球大戰里面 Yoda 大師很火，想要做一個 Yoda 大師的玩具賣，你要怎么辦呢?

有兩種辦法，一種是用樂高積木搭，還有一種是找工廠開模定制。用樂高積木搭的話，只要設計完玩具外形后去買一套樂高積木即可。而找工廠開模的話在設計完玩具外形外你還需要做很多事情，比如玩具的材質是否會散發氣味，玩具在高溫下是否會融化等等，所以用樂高積木來做玩具需要的前期工作比起找工廠開模制作來說要少得多，從設計完成到能夠上市所需要的時間用樂高也要快很多。

FPGA 和 ASIC 也是一樣，使用 FPGA 只要寫完 Verilog 代碼就可以用 FPGA 廠商提供的工具實現硬件加速器了，而要設計 ASIC 則還需要做很多驗證和物理設計 (ESD，Package 等等)，需要更多的時間。如果要針對特殊場合(如軍事和工業等對于可靠性要求很高的應用)，ASIC 則需要更多時間進行特別設計以滿足需求，但是用 FPGA 的話可以直接買軍工級的高穩定性 FPGA 完全不影響開發時間。但是，雖然設計時間比較短，但是樂高積木做出來的玩具比起工廠定制的玩具要粗糙(性能差)一些(下圖)，畢竟工廠開模是量身定制。

AI芯片技術的現研究趨勢

ASIC無論是從性能、面積、功耗等各方面都優于GPU和FPGA，長期來看無論在云端和終端，ASIC都代表AI芯片的未來，目前包括微軟、谷歌、英特爾等巨頭都重金投到ASIC領域，不過由于目前AI算法快速迭代，且ASIC開發周期較長、需要底層硬件編程、占據芯片成本等，因此雖然前景利好，但也只有實力雄厚的大佬才敢提前布局。

雖然ASIC成本高且難度大，但移動AI芯片設計公司仍已經開始立足于ASIC的深度學習，例如聯發科發布的Helio P70中端設備芯片組其內部就自帶ASIC方案專用的AI核心APU，不僅具備其他AI芯片所帶的諸如美顏、人臉識別、場景優化等功能之外，更是大幅降低了AI芯片的功耗，使得用戶在多場景使用環境下，不再為手機電量的大幅消耗而感到擔憂。

CPU和GPU都有其專職的工作，例如CPU專注在大型運算，GPU側重于圖形繪制等，過多的功能堆疊只會虛耗電量和提高溫度，所以即便驍龍845的性能強勁，但在AI拍照這樣的應用場景下，長時間仍會有輕微的發熱情況。所以在這樣的環境下，AI核的優勢顯然就更加明顯了。因此由CPU和GPU配合AI專核來進行分工協作，反而可以有效提升效能，降低散熱。

以時下在圖像識別領域以及前沿科技產品中的應用最為廣泛的AI人臉識別技術為例，常見的人臉識別其實是一個“掃描檢測”加“結果判別”的過程，而這個“掃描檢測”的過程中包括五官坐標定位、人臉屬性識別、人臉特征提取等等，在“結果判別“中更涉及到人臉驗證、人臉識別、活體驗證等多個特性，它已經不是一個簡單的算法，而是涉及到CPU、GPU、VPU、DLA 等多個運算單元，跨單元的運算很顯然會造成消費體驗的不佳，更別提到結果涉及的端運行或是云運行問題，所以開發與之相應的AI人工智能神經網絡算法是趨勢，而這點通過網絡上流出的聯發科P60人臉識別技術對比圖也能窺其一二。前者雖然定位中端，但卻擁有單獨的AI人工智能單元，人臉識別速度比同期的驍龍845和驍龍710都更勝一籌，可見高效節能的AI獨立單元，即ASIC專核專用是未來人工智能終端最基本的要求。

ASIC 芯片是針對特定需求而定制的專用芯片。雖然犧牲了通用性，但 ASIC 無論是在性能、功耗還是體積上，都比 FPGA 和 GPU 芯片有優勢，特別是在需要芯片同時具備高性能、低功耗、小體積的移動端設備上，比如我們手上的手機。

但是，因為其通用性低，ASIC 芯片的高研發成本也可能會帶來高風險。然而如果考慮市場因素，ASIC芯片其實是行業的發展大趨勢。

所以，隨著近幾年人工智能算法和應用領域的快速發展，以及研發上的成果和工藝上的逐漸成熟，ASIC 芯片正在成為人工智能計算芯片發展的主流。

從現在人工智能的發展速度和應用來看，在之后的市場ASIC會成為主要市場，而其在研究過程中的高投入也為其研發帶來了風險，但是其仍然是最能保證人工智能利用的研究方向。