壹象网

微信扫一扫

微信小程序
天下好货一手掌握

扫一扫关注

扫一扫微信关注
天下好货一手掌握

“围剿”英伟达 AI芯片的“战国时代”究竟鹿死谁手?

   2019-06-14 1750
核心提示:从PC到移动,再到如今火爆的AI领域,芯片始终决定着企业的行业竞争力和话语权。  然而,无论是独霸PC时代的英特尔,还是把持移
 从PC到移动,再到如今火爆的AI领域,芯片始终决定着企业的行业竞争力和话语权。
 
  然而,无论是独霸PC时代的英特尔,还是把持移动端的ARM、高通,对于布局AI芯片这一新兴领域,都显得有些吃力。同样,即便是凭借GPU牢牢占据云端AI芯片头把交椅的英伟达,在科技巨头和新秀们的“围剿”面前,仍然有翻车的危险。
 
  归根到底,AI芯片这一全新的领域,根本不存在无法逾越的“护城河”。
 
  如今,谷歌、苹果、亚马逊、Facebook以及华为、阿里、百度等国内外巨头纷纷涉足其中,群雄逐鹿,究竟谁能染指这个“香饽饽”?
 
  帝国重器
 
  众所周知,AI的发展离不开三大元素:算法、算力和数据。其中算法、算力都与芯片密不可分,其重要性自然不言而喻。因此,AI芯片就犹如“帝国重器”一般,成为各大厂商争夺的目标。
 
  那何为AI芯片呢?它与传统PC和移动芯片的区别何处?
 
  从广义上来说,AI芯片就是能执行AI算法的芯片。理论上,目前CPU、GPU等通用芯片都可以执行AI算法,只是效率、功耗上存在差异。从狭义上来说,AI芯片被定义为针对AI算法进行加速的专用芯片,也就是AI加速芯片或AI加速器。
 
  显然,由于通用型的芯片需要适应各种应用程序的需要,在执行AI算法时,效率自然不及专用的AI芯片,同时也难以控制功耗,性价比不高。而且,由于面向专用算法,AI芯片一般都侧重于特定领域,例如语音识别、自然语言处理、图像处理、自动驾驶等等,针对性较强。所以,传统PC和移动芯片的区别,就在于是否能为AI算法加速。
 
  关于AI芯片的类别,需要从构架、功能和场景三个维度来看。
 
  首先,从构架来说,第一类是通用芯片,即GPU(Graphics Processing Unit,图像处理单元),代表厂商就是英伟达、英特尔和AMD,其中英特尔在GPU集群上优势明显;第二类是FPGA(Field-Programmable Gate Array),即现场可编程门阵列,就是一种半定制的芯片,特点是可编程,目前赛灵思(XILINX)、Altera两家占据了近90%的市场份额;第三类则是ASIC(Application Specific Integrated Circuit),即专用集成电路,是一种全定制化芯片,例如谷歌TPU、华为kirin系列等;第四类是类脑芯片,IBM的TrueNorth最具代表性,但离商业化落地还很遥远,就不过多提及了。
 
  值得注意的是,ASIC还衍生出NPU(神经网络处理器),其专为深度学习设计,英特尔NNP、寒武纪NPU及华为麒麟系列等都是典型的代表。此外,在ASIC的基础上,一些厂商还通过SoC+IP 模式,在一块芯片上整合不同功能或者IP(半导体知识产权),也可以称之为系统级芯片。其目的就是在有限的体积内实现密度的最大化,以提升芯片的性价比和移动性。
 
  其次,从功能上来说,由于AI的机器学习和深度学习都离不开Training(训练)和Inference(推理)两大环节。所谓训练,就是凭借大数据让机器形成一个复杂的神经网络算法模型。而推理则是通过该算法模型,让机器模仿人做出推理或决策。在训练方面,英伟达的GPU领先优势相当明显,几乎成为标配。此外,英特尔、AMD 、赛灵思、谷歌等都有相应的解决方案。
 
  推理方面,英伟达优势不在,除了英特尔、谷歌、赛灵思等芯片大厂之外,科技巨头亚马逊、微软、百度、阿里、腾讯、新兴的寒武纪、地平线,以及移动端的高通、华为海思、ARM等也涉足其中,竞争之激烈可见一斑。
 
  然后,从场景来看,AI芯片又分为云端和终端两类。由于训练需要庞大的数据量和高强度的运算量,单一处理器根本无法独立完成,必须通过云端借助庞大的云端神经网络才行。而在终端方面,各种智能终端可谓天差地别,尤其是移动端,为了满足用户越来越苛刻的要求以及增强体验,就必须配备执行效率高的推理芯片,同时要兼具体积小巧及低功耗,要求也提升不少。
 
  另外,业内还有许多不同的芯片构架和概念,这里就不一一列举,但无论是GPU、FPGA、ASIC,还是NPU、TPU之类,归根到底,就是为了实现AI算法效率的最大化,加强竞争力。
 
  目前,全球AI芯片行业中,GPU可谓一枝独秀,FPGA和ASIC则奋力追赶,尽管各有优缺点,但各自阵营都有鲜明的特点,例如GPU的性能强大、通用性强,功耗也巨大;FPGA可编程,灵活性和性能不错,但价格过高;ASIC可定制,性能稳定,功耗也可控,但研发周期长、风险高。
 
  大国争霸
 
  传统显示设备巨头英伟达在AI芯片领域的崛起,看似无心插柳柳成荫,但从深层次来说,也是其始终专注GPU而结出的硕果。
 
  GPU以往主要用于图形和视频处理领域,能够处理复杂且多数据处理,而正因此,其在性能方面大大优于CPU,同时辅以CUDA(Compute Unified Device Architecture,即通用并行计算架构),使其在AI领域如虎添翼,尤其在云端训练上得到应用广泛,促使英伟达在该领域一枝独秀。
 
  目前,各大AI厂商和云计算数据中心基本都配备英伟达GPU集群,构建超算中心,用于大规模的训练,以支撑AI业务和应用场景的运作。
 
  除此之外,英伟达还为自动驾驶、机器人、医疗等行业提供相应的AI解决方案。典型的例子就是,特斯拉在推出自有芯片之前,采用的就是英伟达的解决方案。
 
  与此同时,传统PC芯片“大哥大”英特尔与其老对手AMD也在积极向AI芯片方向拓展,但无奈CPU在算法上执行效率不高,GPU性能又不及英伟达,所以只得寻求新的机会。其中英特尔借助收购FPGA生产商Altera和机器视觉厂商Movidus,以涉足FPGA、 ASIC构架新领域,在数据中心市场加大布局力度。同时,还有传言英特尔也在积极研发新一代GPU产品。而AMD则仍然依托自有GPU的优势,是GPU的第二大市场,其定位也是数据中心。
 
  IBM在芯片领域始终比较超前,除了前沿的类脑芯片之外,IBM 旗下Research AI团队还用大规模的模拟存储器阵列训练深度神经网络(DNN),已达到了与GPU相当的精度。
 
  FPGA构架的“缔造者”赛灵思在AI芯片领域早已有了布局。2018年,赛灵思推出一款超越FPGA功能的新产品——ACAP(自适应计算加速平台)和Versal芯片,树起FPGA反击的大旗。
 
  作为移动芯片领域的霸主,高通也推出了云端AI芯片Cloud AI 100加速器,针对数据中心。据悉,预计将于2019年下半年开始向客户出样。
 
  目前,虽然移动端并非AI芯片竞争的主战场,但ARM、高通、三星仍然在AI芯片上做文章,通过SoC+IP 模式,形成CPU+AI芯片+5G基带芯片一体化的全新芯片组,以降低体积和功耗,适应移动终端的需要。尽管,现在云端训练芯片当道,但面向终端的推理芯片的需求也日益迫切,随着智能手机新能的突飞猛进,移动AI芯片无疑将逐渐走向前台。
 

 
  据市场研究顾问公司Compass Intelligence在2018年5月发布的关于AI芯片调研报告显示,英伟达当仁不让成为领头羊,英特尔和IBM紧随其后。值得注意的是谷歌、苹果排在第四、第五的位置,显然已经开始挑战传统芯片厂商的地位。此外,AMD、ARM、高通、三星、恩智浦仍然占据位列前十。博通、新思(Synopsys)、Marvell、赛灵思等老牌芯片厂商也排在前25位之中。
 
  而令国人鼓舞的是,国内有7家厂商上榜,其中华为海思排名第12位,联发科为第14位;两家初创企业寒武纪(Cambricon)和地平线(Horizon)排名第23位和24位。余下的Imagination(原英国芯片厂商,已被中资收购)、瑞芯微(Rockchip)、芯原(Verisilcon)三家的知名度并不高,可谓“隐形冠军”。
 
  但毋庸置疑的是,目前全球AI芯片领域仍然呈现于“大国争霸”的局面,以英伟达、英特尔、IBM、ARM、高通、三星等为首的老牌芯片厂商依旧占据市场主动。同时,以谷歌、苹果等为代表的新兴势力和初创企业崛起的势头也难以阻挡。
 
  实际上,仅仅从芯片的构架就能发现端倪。老牌厂商在传统优势构架在基础上向全新领域拓展,而新兴厂商则直接转向可定制的全新解决方案, 其中ASIC构架正是趁着这一势头迅速升温。当然,其背后离不开大量新兴芯片厂商的推波助澜,AI芯片行业至此呈现出“百家争鸣“的新态势。
 
  百家争鸣
 
  在老牌芯片厂商寻求新突破方向的时候,两股“造芯新势力”开始脱颖而出。首先是以谷歌、苹果、华为、阿里等为首的科技和互联网巨头开始涉足AI芯片领域,甚至特斯拉也舍弃英伟达的芯片解决方案,推出了自研的FSB全自动驾驶芯片。其次,初创AI企业早已崛起,寒武纪、地平线、依图等新势力接着资本风潮,也试图进入芯片领域,以争夺这一新兴市场。
 
  2016年,谷歌推出TPU(Tensor Processing Unit),基于ASIC构架,专为机器学习设计,配合自家深度学习框架TensorFlow,以加强算法模型的执行效率,并且同时可运用在训练和推理上,适应性更强。值得注意的是,2016年名声大噪的AlphaGo成功的背后,就离不开TPU芯片的支持。
 
  2018年谷歌在Google I/O大会推出了TPU3.0,性能大幅提升。随后,谷歌又接连推出面向云端的Cloud TPU和针对终端的Edge TPU两款芯片,其目的就是挑战英伟达GPU的霸主地位。
 
  目前,凭借自身云计算的优势,谷歌在云端AI芯片上的努力,已经给英伟达带来了不小的冲击。然而,英伟达在芯片领域拥有丰富的经验和资源,且GPU具有先入为主的巨大优势,通用性强,且牢牢占据市场主动,近期撼动其霸主地位显然并不现实。
 
  作为智能手机时代的开创者,苹果在移动领域始终呼风唤雨。但是,苹果在芯片上一直受制于人,显然与其强势的个性不符。所以,从2008年开始,苹果就通过一系列收购,开始了自己的“造芯”之路。2017年9月,苹果推出了全新的A11芯片,其采用ASIC构架,整合了一个专用于机器学习的神经网络引擎(Apple Neural Engine)硬件,性能强大。2018年9月,苹果又推出A12仿生芯片,AI能力再度加强。
 
  与谷歌一样,微软和亚马逊也在云计算领域具雄厚的实力。微软代号为Project Catapult的FPGA构架AI芯片、亚马逊云端AI芯片Inferentia均通过自研,以摆脱芯片厂商的束缚,提升自身云计算和相关应用的竞争力。
 
  在国内互联网企业中,百度在AI领域的拓展由来已久,并喊出「All in AI」的战略目标。在继“百度大脑”、深度学习框架PaddlePaddle、智能语音操作系统DuerOS和自动驾驶平台Apollo之后,百度也推出了自研AI芯片——“昆仑”。据悉,“昆仑”基于百度CPU、GPU和FPGA加速器长达8年的研发,通过20多次的迭代产生。
 
  最近名声大振的华为海思,成立于2004年10月,其前身是创建于1991年的华为集成电路设计中心,可见华为的远见。而在AI芯片方面,华为在云端、边缘和移动端都有相应的解决方案。在移动端,先后推出了麒麟系列的Kirin970和Kirin980两款AI芯片,从借鉴寒武纪NPU到自研首次集成双NPU单元,AI性能大幅提升。
 
  2018年10月,华为推出自研的达芬奇架构的昇腾系列AI芯片——Ascend 910和Ascend 310,昇腾910面向云端训练和推理,直至竞争对手英伟达和谷歌,被称之为当时单芯片计算密度最大的AI芯片。而Ascend 310为低功耗设计,针对边缘计算,拥有nano、tiny、mini、lite和max五个系列,能提供横跨全场景支持。至此,在AI芯片的支持下,华为的AI战略和全栈全场景AI解决方案的雏形已初见端倪。
 
  此外,阿里整合中天微与达摩院芯片团队的“平头哥半导体有限公司”,也
 
  正在研发神经网络芯片Ali-NPU,同时其也将推出自研IoT物联网芯片,从云端向边缘拓展。
 
  在科技巨头们纷纷涉足AI芯片的同时,一些初出茅庐的初创AI企业也想在这一领域分一杯羹。寒武纪、地平线、云之声、依图、思必驰、出门问问、Rokid、深鉴科技等等国内初创企业抢先推出自研AI芯片,从应用场景从面向上游的芯片设计迈出了重要的一步。
 
  寒武纪成立与2015年,在国内并不被终端消费者所熟知,但提到华为全球首款移动端AI芯片——Kirin 970移动处理器,就不得不提寒武纪Cambricon-1A 神经网络处理器。Cambricon-1A也由此成为了全球首个成功商用的深度学习处理器IP产品。此外,寒武纪分别在2018年5月和2019年5月推出云端芯片MLU100和思元270(MLU270),完善自身产品线和布局。去年6月,寒武纪完成数亿美元B轮融资,投后整体估值为25亿美元(约合167亿人民币),成为全球AI芯片创业公司的“领头羊”。
 
  地平线作为一家2015年成立的初创自动驾驶企业,2017年就推出了基于FPGA的自研BPU(Brain Processing Unit,脑处理单元)架构和“征程”和“旭日”两款嵌入式AI视觉芯片,在业界先拔头筹!今年2月27日,地平线获得6亿美元(约合40亿人民币)左右的B轮融资,估值达30亿美元(约合200亿人民币),成为AI芯片领域“最值钱”的独角兽。
 
  5月9日,依图推出自研云端AI芯Questcore以及基于该芯片构建的软硬件一体化系列产品和行业解决方案。宣称,该芯片在视觉推理上超越英伟达GPU,算法执行力可见一斑。
 
  此外,云之声面向物联网以及思必驰、Rokid和出门问问都专注于AI语音芯片,是围绕应用场景做文章的鲜明例子。
 
  从目前两大AI芯片新势力阵营来看,明显的特征就是结合自身应用场景的特点,通过自研AI芯片,以摆脱英伟达等老牌厂商的束缚,并实现掌控产业链上游,进一步提升行业话语权。事实上,这正是传统硬件厂商的老套路,如今也在AI领域被活学活用。
 
  合纵连横
 
  尽管各大科技、互联网巨头及初创企业“造芯”势头正如火如荼,但从目前的市场格局来看,英伟达GPU的地位仍然无人能够撼动,尤其在需求量较大的云端推理层面,可谓一家独大。正因此,英伟达也几乎成为所有厂商对标的对象,一旦超越,其意义非比寻常。
 
  为了突破大企业的垄断,小企业采用合纵连横的商业策略已成为一种潮流。虽然在AI芯片行业并没有明显的“拉帮结派”,但各厂商之间的强强联手、深度合作,甚至抱团取暖的趋势已日益显著。
 
  据Compass Intelligence的研究结果显示,从2018年开始的过去三年中,各大公司藉由收购AI及AI新创企业,已经总共在研发、投资AI领域超过600亿美元。AI新创公司就有约1700家,业界对于AI芯片组需求正逐渐扩大。
 
  最典型的例子就是谷歌,近年来其收购的企业数量已近20家。苹果公司在该AI领域也是动作频频,先后收购了Tuplejump等3家AI公司。
 
  英特尔通过“买买买“,接连收购Mobileye、Nervana、Movidus,实现向自动辅助驾驶、神经网络、机器视觉三大AI芯片应用场景的拓展,大大补充了自身实力。
 
  同时,赛灵思收购国内的AI芯片新秀深鉴科技,从合作方到强强联手,就是为了掌控FPGA构架及相关核心技术,以求与英伟达一争高下。此外,依图推出自研芯Questcore的背后,也离不开其投资的AI芯片初创团队熠知电子(ThinkForce)的功劳。
 
  鹿死谁手
 
  无论是自研,还是收购、合作,厂商的目的都是快速推动AI芯片落地,与特定应用场景相结合,从而扩大市场或向新兴领域拓展。然而,值得注意的是,目前ASIC构架由于可定制,易于为特定应用场景量身打造,获得了大量厂商的认可,上文提到的谷歌、苹果、华为等均采用了ASIC构架。同时,业内也有一种观点,即ASIC的开发难度要低于处理复杂指令的通用芯片和FPGA构架芯片,所以ASIC被认为是如今实现快速“造芯”的杀手锏。
 
  但事实并非如此。
 
  尽管ASIC构架门槛有所降低,但目前仍然缺乏统一的标准,而且算法、软件迭代速度又快,再加上芯片行业惯有的高投入、高风险、慢回报等特点,仍然危机重重。
 
  由于其周期长,且试错成本极高,风险也大,让企业难以承受。目前,即便以谷歌为首的科技巨头全面深入AI芯片领域,所以依靠的就是自身的财力支撑,但仍然面临不小的风险。另一方面,初出茅庐的初创企业的加入战局,与其先期巨额的投资不无关系,同时依托多方面的联手,以减低风险,但相比科技巨头来说,仍然将面临不可预知的困难。
 
  不过,无论各方面如何竞争,最后芯片制造的重担仍然要落到台积电等代工大厂身上,其实际产量和排期所决定了芯片何时问世。但不可忽略的是,在如今这个快速发展的大背景下,一旦产品延迟上市,很可能就是灭顶之灾,性命攸关。
 
  从这个层面来看,在AI芯片的“战国时代”,扎堆“造芯”背后的最大的赢家说不定就成了芯片代工厂。
 
举报收藏 0打赏 0评论 0
免责声明
• 
本文为小编互联网转载作品,作者: 小编。欢迎转载,转载请注明原文出处:https://www.1elephant.com/news/show-20567.html 。本网站部分内容来源于合作媒体、企业机构、网友提供和互联网的公开资料等,仅供参考。本网站对站内所有资讯的内容、观点保持中立,不对内容的准确性、可靠性或完整性提供任何明示或暗示的保证。如果有侵权等问题,请及时联系我们,我们将在收到通知后第一时间妥善处理该部分内容。582117289@qq.com。
 
更多>同类防护头条
  • admin
    加关注0
  • 没有留下签名~~
推荐图文
推荐防护头条
点击排行
信息二维码

手机扫一扫

快速投稿

你可能不是行业专家,但你一定有独特的观点和视角,赶紧和业内人士分享吧!

我要投稿

投稿须知

微信公众号:壹象网
微博:壹象网

鄂ICP备15023168号公网安备42010302002114号