多年來，半導體世界似乎已經陷入了平衡：英特爾擊敗了服務器領域的幾乎所有RISC處理器，拯救了IBM的POWER系列。而Nvidia公司，在GPU空間起步較晚，以前完勝在20世紀90年代這一切眾多競爭對手。突然之間，現在只有AMD的一部分ATI仍然存在。它僅擁有Nvidia之前市場份額的一半。在較新的移動方面，它看起來是一個類似的近乎壟斷的故事：ARM統治世界。英特爾對Atom處理器進行了大量嘗試，但該公司在2015年最終放棄之前遭遇了多次拒絕。
就這樣，一切都改變了。AMD重新成為可行的x86競爭對手;現場門可編程陣列（FPGA）處理器的出現為大數據等專業任務創造了新的利基。但實際上，隨著人工智能（AI）和機器學習（ML）的出現，芯片世界的巨大轉變也隨之而來。隨著這些新興技術的出現，大量新處理器已經到來，而且它們來自不同的來源。
- 英特爾於2016年收購了創業公司Nervana Systems，進入市場。它收購了第二家公司Movidius，用於AI圖像處理。
- 微軟正在為其HoloLensVR / AR耳機準備一個AI芯片，並且有可能在其他設備中使用。
- 谷歌有一個用於神經網絡的特殊AI芯片，可以調用Tensor處理單元（TPU），該單元可用於Google雲平臺上的AI應用程序。
- 據報道，亞馬遜正在為其Alexa家庭助理開發AI芯片。
- Apple正在開發一款名為神經引擎的AI處理器，它將為Siri和FaceID提供動力。
- ARM Holdings最近推出了兩款新處理器，即ARM機器學習（ML）處理器和ARM物體檢測（OD）處理器。兩者都專注於圖像識別。
- IBM正在開發特定的AI處理器，該公司還從Nvidia獲得NVLink許可，用於AI和ML的高速數據吞吐量。
- 即使像特斯拉這樣的非傳統科技公司也希望進入這一領域，首席執行官埃隆馬斯克去年承認前AMD和蘋果芯片工程師吉姆凱勒將為這家汽車公司製造硬件。
紐約時報將人工智能專用的創業芯片公司，而不是軟件公司，硅公司的數量還在增長中。經過多年的芯片製造商停滯後，為什麼硬件突然爆發？畢竟，人們普遍認為Nvidia的GPU非常適合人工智能並且已經被廣泛使用。為什麼我們現在需要更多的芯片，以及那麼多不同的芯片呢？答案有點複雜，就像AI本身一樣。雖然x86目前仍然是計算機的主要芯片架構，但它對於像AI這樣的高度專業化的任務來說太普遍了，Intersect360 Research的首席執行官Addison Snell表示，它涵蓋了HPC和AI問題。
“它被構建成一個通用的服務器平臺。因此，它必須非常擅長一切，“他說。“使用其他芯片，[公司]正在構建專門用於一個應用程序的東西，而不必擔心其他基礎架構。因此，將操作系統和基礎架構開銷留給x86主機，並將內容分配給各種協處理器和加速器。“處理AI的實際任務是與標準計算或GPU處理完全不同的過程，因此感知到對專用芯片的需求。x86 CPU可以執行AI，但只需要三個就可以執行12個任務; 在某些情況下，GPU也可能過度。
通常，科學計算以確定的方式進行。你想知道兩加三等於五，並計算它的所有小數位 - x86和GPU做得很好。但人工智能的本質是，在沒有實際運行計算的情況下，幾乎所有時間都會觀察到2.5 + 3.5。今天人工智能最重要的是數據中發現的模式，而不是確定性計算。
簡單來說，人工智能和機器學習的定義是他們從過去的經驗中汲取並改進。著名的AlphaGo模擬了大量的Go比賽以進行改進。你每天使用的另一個例子是Facebook的面部識別AI，經過多年的訓練，因此它可以準確地標記你的照片（近年來Facebook也進行了三次面部識別收購也就不足為奇了：Face.com [2012]， Masquerade [2016]和Faciometrics [2016]）。
一旦用AI學習了一課，就不需要重新學習。這是機器學習的標誌，是人工智能更高定義的一個子集。ML的核心是使用算法解析數據，從中學習數據，然後根據數據進行確定或預測。這是一種模式識別機制，機器學習軟件會記住兩加三等於五，所以整個AI系統可以使用這些信息。你可以分辨是否識別是否是AI。
另一個例子是用於自動駕駛汽車的AI不使用確定性物理來確定其環境中其他事物的路徑。它只是利用以前的經驗來說這輛其他車在這裡旅行，而且所有其他時間我都觀察過這樣的車輛，它就是這樣走過的。因此，系統需要某種類型的操作。這種預測性問題解決的結果是AI計算可以通過單精度計算完成。因此，雖然CPU和GPU都能很好地完成，但實際上它們對於任務來說太過分了。單精度芯片可以完成工作，並且可以在更小，更低功耗的情況下完成。
毫無疑問，功耗和範圍對於芯片來說是一個大問題 ，尤其是對於AI而言，因為一個型號並不適合這個領域。在AI中是機器學習，其中包括深度學習，所有這些都可以通過不同的設置部署到不同的任務中。英特爾公司Movidius的營銷總監Gary Brown說：“不是每個AI芯片都是平等的，”。Movidius為深度學習過程製作了一個定製芯片，因為所涉及的步驟在CPU上受到嚴格限制。“每個芯片可以在不同時間處理不同的智能。我們的芯片是視覺智能，算法使用相機輸入來從所看到的內容中獲得意義。這是我們的重點。“
布朗說，甚至需要和要求在網絡邊緣和數據中心區分，這個領域的公司只是發現他們需要在這些不同的位置使用不同的芯片。“邊緣芯片不會與數據中心的芯片競爭，”他說。“像Xeon這樣的數據中心芯片必須具備針對這種AI的高性能功能，這對於智能手機中的AI來說是不同的。那裡你必須低於一瓦特。所以問題是，'原生處理器在哪裡不夠好所以你需要一個配件芯片？'“畢竟，如果你想在你的智能手機或增強現實耳機上使用AI，那麼電源是一個問題。Nvidia的Volta處理器是人工智能處理的代表，但功耗高達300瓦。
Seg Stetson是叉車等自動駕駛工業車輛製造商Seegrid的技術總監，他也覺得AI和ML到目前為止一直受到普通處理器的影響。“為了使任何算法都能運行，無論是機器學習還是圖像處理或圖形處理，它們都有非常具體的工作流程，”他說。“如果您沒有針對這些模式設置的計算核心，那麼您會進行大量浪費的數據加載和傳輸。當您在效率最低的情況下移動數據時，就會產生大量信號和瞬態功率。處理器的效率是根據每條指令使用的能量來衡量的。“
當然，渴望更專業化和提高能效並不是這些新型AI芯片存在的全部原因。IBM電力系統開發的IBM研究員兼副總裁布拉德·麥克雷迪（Brad McCredie）他說：“幾十年來，IT行業首次出現增長，而且我們看到指數增長的變化，”。“整個變形都是預計將來到IT行業的新資金，而且全都是人工智能。這就是導致VC湧入該領域的原因。
h
閱讀更多 Rehoo科技 的文章
