多年来，半导体世界似乎已经陷入了平衡：英特尔击败了服务器领域的几乎所有RISC处理器，拯救了IBM的POWER系列。而Nvidia公司，在GPU空间起步较晚，以前完胜在20世纪90年代这一切众多竞争对手。突然之间，现在只有AMD的一部分ATI仍然存在。它仅拥有Nvidia之前市场份额的一半。在较新的移动方面，它看起来是一个类似的近乎垄断的故事：ARM统治世界。英特尔对Atom处理器进行了大量尝试，但该公司在2015年最终放弃之前遭遇了多次拒绝。
就这样，一切都改变了。AMD重新成为可行的x86竞争对手;现场门可编程阵列（FPGA）处理器的出现为大数据等专业任务创造了新的利基。但实际上，随着人工智能（AI）和机器学习（ML）的出现，芯片世界的巨大转变也随之而来。随着这些新兴技术的出现，大量新处理器已经到来，而且它们来自不同的来源。
- 英特尔于2016年收购了创业公司Nervana Systems，进入市场。它收购了第二家公司Movidius，用于AI图像处理。
- 微软正在为其HoloLensVR / AR耳机准备一个AI芯片，并且有可能在其他设备中使用。
- 谷歌有一个用于神经网络的特殊AI芯片，可以调用Tensor处理单元（TPU），该单元可用于Google云平台上的AI应用程序。
- 据报道，亚马逊正在为其Alexa家庭助理开发AI芯片。
- Apple正在开发一款名为神经引擎的AI处理器，它将为Siri和FaceID提供动力。
- ARM Holdings最近推出了两款新处理器，即ARM机器学习（ML）处理器和ARM物体检测（OD）处理器。两者都专注于图像识别。
- IBM正在开发特定的AI处理器，该公司还从Nvidia获得NVLink许可，用于AI和ML的高速数据吞吐量。
- 即使像特斯拉这样的非传统科技公司也希望进入这一领域，首席执行官埃隆马斯克去年承认前AMD和苹果芯片工程师吉姆凯勒将为这家汽车公司制造硬件。
纽约时报将人工智能专用的创业芯片公司，而不是软件公司，硅公司的数量还在增长中。经过多年的芯片制造商停滞后，为什么硬件突然爆发？毕竟，人们普遍认为Nvidia的GPU非常适合人工智能并且已经被广泛使用。为什么我们现在需要更多的芯片，以及那么多不同的芯片呢？答案有点复杂，就像AI本身一样。虽然x86目前仍然是计算机的主要芯片架构，但它对于像AI这样的高度专业化的任务来说太普遍了，Intersect360 Research的首席执行官Addison Snell表示，它涵盖了HPC和AI问题。
“它被构建成一个通用的服务器平台。因此，它必须非常擅长一切，“他说。“使用其他芯片，[公司]正在构建专门用于一个应用程序的东西，而不必担心其他基础架构。因此，将操作系统和基础架构开销留给x86主机，并将内容分配给各种协处理器和加速器。“处理AI的实际任务是与标准计算或GPU处理完全不同的过程，因此感知到对专用芯片的需求。x86 CPU可以执行AI，但只需要三个就可以执行12个任务; 在某些情况下，GPU也可能过度。
通常，科学计算以确定的方式进行。你想知道两加三等于五，并计算它的所有小数位 - x86和GPU做得很好。但人工智能的本质是，在没有实际运行计算的情况下，几乎所有时间都会观察到2.5 + 3.5。今天人工智能最重要的是数据中发现的模式，而不是确定性计算。
简单来说，人工智能和机器学习的定义是他们从过去的经验中汲取并改进。着名的AlphaGo模拟了大量的Go比赛以进行改进。你每天使用的另一个例子是Facebook的面部识别AI，经过多年的训练，因此它可以准确地标记你的照片（近年来Facebook也进行了三次面部识别收购也就不足为奇了：Face.com [2012]， Masquerade [2016]和Faciometrics [2016]）。
一旦用AI学习了一课，就不需要重新学习。这是机器学习的标志，是人工智能更高定义的一个子集。ML的核心是使用算法解析数据，从中学习数据，然后根据数据进行确定或预测。这是一种模式识别机制，机器学习软件会记住两加三等于五，所以整个AI系统可以使用这些信息。你可以分辨是否识别是否是AI。
另一个例子是用于自动驾驶汽车的AI不使用确定性物理来确定其环境中其他事物的路径。它只是利用以前的经验来说这辆其他车在这里旅行，而且所有其他时间我都观察过这样的车辆，它就是这样走过的。因此，系统需要某种类型的操作。这种预测性问题解决的结果是AI计算可以通过单精度计算完成。因此，虽然CPU和GPU都能很好地完成，但实际上它们对于任务来说太过分了。单精度芯片可以完成工作，并且可以在更小，更低功耗的情况下完成。
毫无疑问，功耗和范围对于芯片来说是一个大问题 ，尤其是对于AI而言，因为一个型号并不适合这个领域。在AI中是机器学习，其中包括深度学习，所有这些都可以通过不同的设置部署到不同的任务中。英特尔公司Movidius的营销总监Gary Brown说：“不是每个AI芯片都是平等的，”。Movidius为深度学习过程制作了一个定制芯片，因为所涉及的步骤在CPU上受到严格限制。“每个芯片可以在不同时间处理不同的智能。我们的芯片是视觉智能，算法使用相机输入来从所看到的内容中获得意义。这是我们的重点。“
布朗说，甚至需要和要求在网络边缘和数据中心区分，这个领域的公司只是发现他们需要在这些不同的位置使用不同的芯片。“边缘芯片不会与数据中心的芯片竞争，”他说。“像Xeon这样的数据中心芯片必须具备针对这种AI的高性能功能，这对于智能手机中的AI来说是不同的。那里你必须低于一瓦特。所以问题是，'原生处理器在哪里不够好所以你需要一个配件芯片？'“毕竟，如果你想在你的智能手机或增强现实耳机上使用AI，那么电源是一个问题。Nvidia的Volta处理器是人工智能处理的代表，但功耗高达300瓦。
Seg Stetson是叉车等自动驾驶工业车辆制造商Seegrid的技术总监，他也觉得AI和ML到目前为止一直受到普通处理器的影响。“为了使任何算法都能运行，无论是机器学习还是图像处理或图形处理，它们都有非常具体的工作流程，”他说。“如果您没有针对这些模式设置的计算核心，那么您会进行大量浪费的数据加载和传输。当您在效率最低的情况下移动数据时，就会产生大量信号和瞬态功率。处理器的效率是根据每条指令使用的能量来衡量的。“
当然，渴望更专业化和提高能效并不是这些新型AI芯片存在的全部原因。IBM电力系统开发的IBM研究员兼副总裁布拉德·麦克雷迪（Brad McCredie）他说：“几十年来，IT行业首次出现增长，而且我们看到指数增长的变化，”。“整个变形都是预计将来到IT行业的新资金，而且全都是人工智能。这就是导致VC涌入该领域的原因。
h
閱讀更多 Rehoo科技 的文章
