投中網（https://www.chinaventure.com.cn）
近期關於AI芯片（ASIC）與FPGA的關係、地位正在業內被討論。因此，我們也就這個話題邀請業內投資人、創業者進行探討。
回顧芯片發展史，是一部摩爾定律驅動的製程演進史，也是一部應用定義的架構演進史，所以談起ASIC是不是會被FPGA取代，本身是一個門外漢的問題。
在摩爾定律放緩的背景下，應用場景定義的芯片架構乃至軟硬件系統將更加重要。正如GPU，DSP，視頻處理芯片等一波波新應用帶來的專用芯片架構的變革，AI在這一波浪潮當中也會隨著算法的演進和收斂，逐漸沉澱出一些更加高效的架構來，並且這些芯片架構是和場景應用軟件高度融合，平衡功耗，性能，成本的設計。
計算架構主要有三個核心要素組成，包括計算，存儲和網絡，因此芯片種類也基本上可以按照三類來劃分，這樣方便理解。
首先，我們談一談計算芯片，Intel和ARM的CPU，NVIDIA的GPU，CEVA的DSP都屬於這一類芯片或者IP，主要任務就是完成邏輯和數學運算，支撐了IT世界的雲計算，手機終端應用和信號處理，乃至AI等等；FPGA是其中一個小門類，在整個Intel的營收當中不到5%，通常FPGA可以做到一些CPU不擅長的加速運算，比如信號處理，AI推理等場景，但是FPGA的缺點也非常明確，FPGA強調的是邏輯的通用性，支持軟件改寫和配置，導致計算密度是有瓶頸的，並且通用邏輯帶來了大量冗餘，這意味著成本和功耗的大幅度上升。在移動互聯網和物聯網時代，用戶數和應用複雜度急劇上升，計算密度（單位功耗支撐的計算力）是核心競爭力，FPGA顯然無法勝任，雖然FPGA可以在加速場景能夠比CPU提升一個數量級，但是相對於專用的AI引擎又低了至少一個數量級。
有人會質疑ASIC是不是通用型不夠，其實這個答案很簡單，通用型和計算密度是一種折衷，比如理論上CPU是可以做任何的運算，但是通用架構帶來了計算密度的損失，舉個例子，最好的服務器CPU大致也只能提供1Tflops的AI推理算力；再看看GPU，輕鬆可以做到10Tflops，但是GPU並不能完成複雜的邏輯運算，因此它永遠無法取代CPU；FPGA是介於CPU和ASIC中間的一個物種，有一定的靈活性但是性價比低，無法滿足主流的需求，比如說手機行業，為了節省幾美分的成本在不停的優化設計，面對如此巨大的行業，點滴的成本節省都是巨大的利益，因此FPGA的命運一直是市場早期的過渡產品或者服務於小批量的細分市場。
最近我們注意到一件有趣的事情，Intel收購了一家從事結構化ASIC設計的公司，可以基於FPGA的設計裁剪掉部分冗餘邏輯加速從FPGA邏輯設計到ASIC的開發過程，從這一點也可以看出ASIC才是主流市場的終極答案。
北極光投資了四家AI芯片公司：
分別針對雲計算的登臨，
自動駕駛的黑芝麻，
消費電子和安防的億智，
超低功耗傳感器融合的Ours technology，
這些公司分別是針對不同應用場景優化過AI引擎，未來的芯片公司不能只是生產硬件的公司，必須深刻理解用戶的需求，界定靈活性的邊界，才能定義出最好的產品。比如說，登臨面向雲計算市場，需要支持更多的AI網絡模型，因此它的架構設計更兼顧通用性，更接近GPGPU的架構；而黑芝麻和億智深刻理解應用場景的性能需求，只需要支持用戶需要的少數幾種算法，而更追求功耗和性能的平衡。客戶真正關心的不是通用性，否則用CPU就好了，而是滿足場景需求的計算密度下的成本。
還有人質疑新興公司搶不到產能，ASIC的目的就是用最主流和相對便宜的製程去完成FPGA用最先進製程才能做到的事情，不存在產能問題，比如說億智只需要用40nm和28nm的製程就可以提供1TOPS以上的算力，成本只是FPGA的1/10甚至更低，最先進的製程適合的是通用芯片設計，但是在摩爾定律放緩的背景下，會成為一個巨大的負擔。這裡也想談下深鑑被收購的個人觀點，FPGA開發者非常少，使用困難，因此自動化工具對FPGA是有價值的，深鑑的軟件工具可以加速FPGA的AI開發進度，但是Xilinx是否還會繼續投入AI專用芯片的研發拭目以待。作為行業老大的Intel在自動駕駛，消費，安防和雲計算都有專用AI芯片的佈局，包括BAT都在各自研發AI芯片，這個方向還是具有相當的共識。
我們概括一下觀點，場景定義AI專用芯片和異構計算是下一個計算架構變革週期的主旋律。
其實，中國投資AI芯片公司不是太多而是太少了，真正具備產業經驗的成熟團隊才是投資圈應該追逐和支持的標的，也是國家未來的戰略資源。
本文源自投中網
更多精彩資訊，請來金融界網站(www.jrj.com.cn)
閱讀更多 金融界 的文章
