高性能 AI 芯片，如何确保“高性能”？

这两年，人工智能成为最火爆的热点

出门不能聊几句人工智能，那你一定是out的

今年，应届毕业生高达50万的咋舌年薪

就出自 AI 行业

就这样人家企业还愁招不到合适的人呢...

怎么样？

羡慕。。嫉妒。。么？

现阶段，芯片研发和制造如火如荼，层出不穷的企业投入到 AI 大潮中，各种新的应用也开始涌现，大家真正看到了 AI 落地的可能。

风口浪尖，要持久地做一只风口的猪，真要拿让人羡慕的高薪，还需要真正脚踏实地，需要面对中间千山万水的辛苦和挑战。

  敲黑板，划重点  

今天我们请来李凯大师

为大家系统讲解高性能 AI 芯片

云计算（Cloud Computing）已经成为现代互联网时代的基础设施，由此催生的大数据（Big Data）及人工智能（AI）应用成为资本追逐的热点，并上升到国家战略层面。

AI 芯片是 AI 技术实现的核心技术：

◎ 从应用场景上，AI 芯片主要分为云端（Cloud）与终端（Device）芯片两类；

◎  从功能上，也主要分为训练（Training）和判决（Inference）两类。

其中，针对云端训练的芯片需要用到海量数据对其深度神经网络模型进行训练，对性能的要求最为苛刻。云端的训练芯片由于性能要求高，实现难度大，目前主要分为以 NVIDIA 为代表的 GPU 阵营和以 Google 为代表的 ASIC 阵营。其中 ASIC 的芯片的发展呈现逐渐上升的趋势，也是最有可能实现芯片技术突破的领域。

下图是以 IBM 的 Power 系列 CPU 和 NVIDIA 的 GPU 为例构建的一个针对 AI 计算的异构服务器。可以看到，对于针对云端训练的 AI 芯片来说，除了为了适应 AI 算法的要求而芯片自身架构的变化以外，由于需要随时进行海量数据的存取和交换，因此对于内存总线和外设接口的吞吐率要求非常高。

* 图片来源：IBM

对于高性能AI芯片来说，其典型的测试需求主要分为以下几类：

AI 特别是机器学习的发展需要强有力的，超过每秒百亿次（）运算能力的计算系统。高性能 AI 芯片伴随的是高功耗。目前典型高性能 AI 芯片或 GPU 的功耗已经达到了 300W 左右，因此液冷方案及更先进的制程工艺也会被逐渐采用。当前构建这些系统的基础是 CMOS 技术的芯片，而 CMOS 工艺能够不断提高系统性能主要得益于集成尺寸的缩小。

以高速 Serdes 来说，目前业界已经可以演示基于28nm的单路100Gbps芯片，但未来如果要往AI芯片里面集成，则可能会采用16nm甚至7nm的工艺来降低功耗。2019年，10纳米工艺的芯片已经大规模量产，7纳米开始量产，5纳米节点的技术定义已经完成。下图是高速 Serdes 与半导体制程工艺的发展。