【IT168 评论】如果用刀来比喻芯片，通用处理器好比一把瑞士军刀，人工智能时代好比要拿刀来切肉，瑞士军刀可以拿来用，但它并非是为切肉设计的，所以效果并非最好。因此，需要专门打造一把切肉的刀，这把刀既要方便切肉，又要方便剁骨头，还需要具有一定的通用性。

　　从技术上而言，深度学习的人工神经网络算法与传统计算模式不同，它能够从输入的大量数据中自发的总结出规律，从而举一反三，泛化至从未见过的案例中。因此，它不需要人为的提取所需解决问题的特征或者总结规律来进行编程。人工神经网络算法实际上是通过大量样本数据训练建立了输入数据和输出数据之间的映射关系，其最直接的应用是在分类识别方面。例如训练样本的输入是语音数据，训练后的神经网络实现的功能就是语音识别，如果训练样本输入是人脸图像数据，训练后实现的功能就是人脸识别。

　　例如，“谷歌大脑”用了上万个通用处理器“跑”了数天来学习如何识别猫脸;“阿尔法狗”和李世石下棋时使用了上千个中央处理器(CPU)和数百个图形处理器(GPU)，平均每局电费近3000美元。对于绝大多数智能需求来说，基于通用处理器的传统计算机成本高、功耗高、体积大、速度慢，难以接受。

　　用于图像处理的GPU芯片因海量数据并行运算能力，被最先引入深度学习。2011年，当时在谷歌就职的吴恩达将英伟达的GPU应用于“谷歌大脑”中，结果表明12个GPU可达到相当于2000个CPU的深度学习性能。之后多家研究机构都基于GPU来加速其深度学习神经网络。

　　随之而来的是，英伟达通过GPU在深度学习中体现的出色性能迅速切入人工智能领域，又通过打造NVIDIA CUDA 平台大大提升其编程效率、开放性和丰富性，建立了包含CNN、DNN、深度感知网络、RNN、LSTM 以及强化学习网络等算法的平台。

　　但是，随着人工智能的发展，GPU开始在三个方面显露出局限性：

　　第一， 应用过程中无法充分发挥并行计算优势。深度学习包含训练和应用两个计算环节，GPU 在深度学习算法训练上非常高效，但在应用时一次性只能对于一张输入图像进行处理， 并行度的优势不能完全发挥。

　　第二， 硬件结构固定不具备可编程性。深度学习算法还未完全稳定，若深度学习算法发生大的变化，GPU 无法像FPGA 一样可以灵活的配置硬件结构。

　　第三， 运行深度学习算法能效远低于FPGA。学术界和产业界研究已经证明，运行深度学习算法中实现同样的性能，GPU 所需功耗远大于FPGA，例如国内初创企业深鉴科技基于FPGA 平台的人工智能芯片在同样开发周期内相对GPU 能效有一个数量级的提升。

　　难道FPGA就是非常好的选择了?未必。

　　FPGA在人工智能的应用上同样存在一定的局限性：第一，基本单元的计算能力有限。为了实现可重构特性，FPGA 内部有大量极细粒度的基本单元，但是每个单元的计算能力(主要依靠LUT 查找表)都远远低于CPU 和GPU 中的ALU模块。 第二，速度和功耗相对专用定制芯片(ASIC)仍然存在不小差距。 第三，FPGA 价格较为昂贵，在规模放量的情况下单块FPGA 的成本要远高于专用定制芯片。

　　当然还有TPU、ARM等芯片架构不停的向人工智能领域靠拢，同样具备一定的优势和局限性。我们正处在从信息时代迈向智能时代的重要拐点，人工智能将推动新一轮计算革命，而芯片行业作为产业最上游，是人工智能时代的开路先锋，最终哪种芯片将成为AI的“伴侣”，相信很快就会浮出水面。