场景定义AI专用芯片和异构计算是计算架构变革周期的主旋律

本文是创投观察系列的第82篇

分享人：北极光创投投资经理 赵顾

编者按：近期关于AI芯片（ASIC）与FPGA的关系、地位正在业内被讨论。因此，我们也就这个话题邀请了一些业内创业者、投资人进行探讨。本文是这个系列中的其中一篇，分享人为北极光创投投资经理赵顾。以下为正文。也欢迎对这个话题感兴趣的业内人士投稿参与讨论（投稿邮箱：syq@36kr.com；投稿微信：15300063873）

回顾芯片发展史，是一部摩尔定律驱动的制程演进史，也是一部应用定义的架构演进史，所以谈起ASIC是不是会被FPGA取代，本身是一个门外汉的问题。

在摩尔定律放缓的背景下，应用场景定义的芯片架构乃至软硬件系统将更加重要。正如GPU、DSP、视频处理芯片等一波波新应用带来的专用芯片架构的变革，AI在这一波浪潮当中也会随着算法的演进和收敛，逐渐沉淀出一些更加高效的架构来，并且这些芯片架构是和场景应用软件高度融合，平衡功耗、性能、成本的设计。

计算架构主要有三个核心要素组成，包括计算，存储和网络，因此芯片种类也基本上可以按照三类来划分，这样方便理解。

首先，我们谈一谈计算芯片，Intel和ARM的CPU、nVidia的GPU、CEVA的DSP都属于这一类芯片或者IP，主要任务就是完成逻辑和数学运算，支撑了IT世界的云计算，手机终端应用和信号处理，乃至AI等等。FPGA是其中一个小门类，在整个Intel的营收当中不到5%，通常FPGA可以做到一些CPU不擅长的加速运算，比如信号处理，AI推理等场景。但是FPGA的缺点也非常明确，FPGA强调的是逻辑的通用性，支持软件改写和配置，导致计算密度是有瓶颈的，并且通用逻辑带来了大量冗余，这意味着成本和功耗的大幅度上升。在移动互联网和物联网时代，用户数和应用复杂度急剧上升，计算密度（单位功耗支撑的计算力）是核心竞争力，FPGA显然无法胜任，虽然FPGA可以在加速场景能够比CPU提升一个数量级，但是相对于专用的AI引擎又低了至少一个数量级。

有人会质疑ASIC是不是通用型不够，其实这个答案很简单，通用型和计算密度是一种折衷，比如理论上CPU是可以做任何的运算，但是通用架构带来了计算密度的损失，举个例子，最好的服务器CPU大致也只能提供1Tflops的AI推理算力；再看看GPU，轻松可以做到10Tflops，但是GPU并不能完成复杂的逻辑运算，因此它永远无法取代CPU；FPGA是介于CPU和ASIC中间的一个物种，有一定的灵活性但是性价比低，无法满足主流的需求，比如说手机行业，为了节省几美分的成本在不停的优化设计，面对如此巨大的行业，点滴的成本节省都是巨大的利益，因此FPGA的命运一直是市场早期的过渡产品或者服务于小批量的细分市场。

最近我们注意到一件有趣的事情，Intel收购了一家从事结构化ASIC设计的公司，可以基于FPGA的设计裁剪掉部分冗余逻辑加速从FPGA逻辑设计到ASIC的开发过程，从这一点也可以看出ASIC才是主流市场的终极答案。

基于这样的逻辑，北极光投资了四家AI芯片公司，分别针对云计算的登临，自动驾驶的黑芝麻，消费电子和安防的亿智，超低功耗传感器融合的Ours，这些公司分别是针对不同应用场景优化过AI引擎，未来的芯片公司不能只是生产硬件的公司，必须深刻理解用户的需求，界定灵活性的边界，才能定义出最好的产品。客户真正关心的不是通用性，否则用CPU就好了，而是满足场景需求的计算密度下的成本。

还有人质疑新兴公司抢不到产能，ASIC的目的就是用最主流和相对便宜的制程去完成FPGA用最先进制程才能做到的事情，不存在产能问题，比如说北极光投资的亿智只需要用40nm和28nm的制程就可以提供1TOPS以上的算力，成本只是FPGA的1/10甚至更低，最先进的制程适合的是通用芯片设计，但是在摩尔定律放缓的背景下，会成为一个巨大的负担。

这里也想谈下深鉴被收购的个人观点，FPGA开发者非常少，使用困难，因此自动化工具对FPGA是有价值的，深鉴的软件工具可以加速FPGA的AI开发进度，但是Xilinx是否还会继续投入AI专用芯片的研发拭目以待。作为行业老大的Intel在自动驾驶，消费，安防和云计算都有专用AI芯片的布局，包括BAT都在各自研发AI芯片，这个方向还是具有相当的共识。

我们概括一下观点，场景定义AI专用芯片和异构计算是下一个计算架构变革周期的主旋律。

其实，中国投资AI芯片公司不是太多而是太少了，真正具备产业经验的成熟团队才是投资界应该追逐和主持的标的，也是国家未来的战略资源。

图片来自于：腾讯研究院发布的《中美两国人工智能产业发展全面解读》