人工智慧之晶片初探

人工智能前幾十年的發展歷程中, 聚類算法, 決策樹算法, 支持向量機等算法相繼被提出, 然而由於實際應用效果欠佳, 並未被大規模採用, 人工智能的發展甚至一度陷入了停滯. 直到近年, 深度神經網絡算法的大規模應用, 使得人工智能技術跨過了漫長的摸索期, 打開了下游應用多點開花的新局面.

人工智慧的三大要素為: 數據, 算法與硬體 (計算能力), 今天的介紹重點在於硬體. 傳統 CPU 在執行深度學習任務時效率低, 成本高; 於是有了晶片的解決方案, 人工智慧晶片不是為了執行指令, 而是為了處理大量的數據與其應用的計算, 人工智慧晶片可分為 GPU (代表廠商 "Nvidia"), FPGA (代表廠商 "Xilinx") 跟 ASIC (代表廠商 "Intel") 三類.

神經網絡的兩個主要階段是訓練 (Training 和 Learning) 和推理 (Inference 和 Prediction). 當前幾乎所有的訓練階段都是基於浮點運算的, 需要進行大規模並行張量或多維向量計算, GPU 依靠優秀的通用型和並行計算優勢成為廣為使用的晶片.

GPU 主要玩家為 "Nvidia" 並佔據了 70% 以上的市場, AMD 基期相對的低也可以注意, 巧合的是兩家的 CEO 都是出生於台南!!  FPGA 則是具有較高的彈性可以根據需求修改線路, "Xilinx" & "Altera" (被 "Intel" 合併) 共佔據 90% 的市場. ASIC 體積小, 功耗低, 可靠性高與成本低 (大量生產時) 等優點, 適合於消費電子的運用, 去年被 "Intel" 合併的 "Nervana" 是知名廠商之一.

FPGA 與 ASIC 各有優缺點, 就 Cost 來看量少 FPGA 成本小於 ASIC, 量大時 ASIC 成本小於 FPGA; 不過由於 FPGA 比較有彈性有機會可以做成本分攤. FPGA 技術壁壘高而且專利也集中在美國兩大廠手中, 台廠沒什麼發揮空間投資標的只能參考代理廠商. ASIC 的代表廠商則是大家耳熟能詳, 但獲利佔比跟含金度則是需要自行去挖掘整理.

目前人工智能產業鏈中, 包括提供 AI 加速核的 IP 授權商, 各種 AI 晶片設計公司, 以及晶圓代工企業. 2017 年 AI 晶片市場規模已達到 39.1 億美元, AI 晶片市場規模在未來五年將有接近 10 倍的增長, 2022 年將達到 352 億美元.

手機晶片市場目前包括蘋果, 三星, 華為這類採用晶片+整機垂直商業模式的廠商, 以及高通, 聯發科, 展銳等獨立晶片供應商和 ARM, Synopsys, Cadence 等向晶片企業提供獨立 IP 授權的供應商. 從 2017 年開始蘋果, 華為海思, 高通, 聯發科等主要晶片廠商相繼發布支持 AI 加速功能的新一代晶片.

想較之下對岸的發展似乎更為進步, 大陸 "中科院計算所" 扶植的 "寒武紀" 於 2016 推出深度學習專用處理晶片 (NPU), "中科曙光" 則是 HPC 的龍頭, 還有 "科大訊飛" 的智慧語音應用等. 順道一提, 3C 龍頭廠 "華為" 新的麒麟 970 手機 AP 也內建 NPU 並使用 "台積電" 10nm 的製程. ("聯發科" 內建 NPU 手機 AP Helio P70 預計明年上市採用 "台積電" 12nm 製程).