本文來自半導(dǎo)體行業(yè)觀察編譯，編譯自techspot。
最近，隨著人工智能的大肆宣傳，我們注意到大多數(shù)人都默認所有人工智能工作負載將始終在GPU上運行。對于這一思路，我們認為，隨著更廣泛的芯片發(fā)揮作用，現(xiàn)實情況可能會有所不同。
需要明確的是，GPU非常適合人工智能工作，并且不會對Nvidia的股價構(gòu)成威脅。我們所說的人工智能實際上是應(yīng)用統(tǒng)計學(xué)，更具體地說是非常先進的統(tǒng)計回歸模型。
這些問題的核心是矩陣代數(shù)，涉及相當(dāng)簡單的數(shù)學(xué)問題，例如一個數(shù)字乘以另一個數(shù)字，但需要大規(guī)模完成。GPU的設(shè)計采用較小的內(nèi)核（更簡單的數(shù)學(xué)），且數(shù)量較多（大規(guī)模）。因此，使用這些處理器代替具有較少數(shù)量較大內(nèi)核的CPU是有意義的。
現(xiàn)在，這種情況變得有點模糊了。其一，GPU變得更加昂貴。他們更擅長人工智能數(shù)學(xué)，但在某些時候轉(zhuǎn)向CPU開始在經(jīng)濟上變得有意義。
人工智能半導(dǎo)體市場實際上分為三個部分：訓(xùn)練、云推理和邊緣推理。目前的訓(xùn)練基本上與Nvidia相當(dāng)，但這只是市場的一小部分。云推理將是一個更大的市場——隨著越來越多的人使用這些人工智能模型，對推理的需求將會增長，目前大部分工作將在云中完成。對于許多公司來說，擴大產(chǎn)能的成本似乎非常昂貴。半導(dǎo)體分析師迪倫·帕特爾（Dylan Patel）像往常一樣，對這個數(shù)學(xué)進行了最好的闡述，但足以說明推理費用可能會成為未來一年左右消費者采用人工智能的主要障礙。
“考慮到GPU的成本和相對稀缺性，我們認為許多公司將開始探索GPU的替代品來運行推理工作負載，特別是對于將這些AI結(jié)果與其他功能（如搜索或社交媒體）相結(jié)合的公司，這些工作負載在很大程度上仍然運行得最好無論如何，在CPU上。”Dylan Patel說。
展望未來，我們懷疑人工智能的經(jīng)濟學(xué)將需要更多的推理工作來進行邊緣計算，這意味著消費者需要付費購買設(shè)備。這意味著手機和PC將需要人工智能功能，這可能意味著它們在CPU和移動SoC上運行。
AMD最近推出了內(nèi)置于其客戶端CPU中的人工智能功能，而蘋果公司的A系列移動處理器和M系列CPU中都配備了神經(jīng)引擎。我們預(yù)計這很快就會在邊緣設(shè)備中普及。
當(dāng)然，許多公司正在尋求構(gòu)建人工智能加速器——專門用于進行人工智能數(shù)學(xué)計算的專用芯片。但事實證明，這僅適用于像谷歌這樣控制其所有軟件的公司。這些專用芯片的一個重要問題是，它們往往針對一組特定的工作負載或人工智能模型進行過度設(shè)計，當(dāng)這些模型發(fā)生變化時，這些芯片就會失去性能優(yōu)勢。
所有這些都導(dǎo)致了半導(dǎo)體領(lǐng)域最不為人知的領(lǐng)域之一——FPGA。這些是“可編程”芯片（“P”代表可編程），這意味著它們在生產(chǎn)后可以重新用于不同的任務(wù)。這些與專門構(gòu)建的ASIC處于相反的一端，專為AI加速器等特定任務(wù)而設(shè)計。
FPGA已經(jīng)存在多年了。半導(dǎo)體的經(jīng)濟學(xué)通常意味著，超過一定的容量閾值，ASIC更有意義，但對于工業(yè)和航空航天系統(tǒng)等小容量應(yīng)用，它們的工作效果非常好。因此，F(xiàn)PGA無處不在，涉及數(shù)十個終端市場，但我們對它們不太熟悉，因為它們通常不會出現(xiàn)在普通消費者每天使用的大批量電子產(chǎn)品中。
人工智能的出現(xiàn)稍微改變了這種計算方式。對于這些工作負載，F(xiàn)PGA可能對底層模型頻繁變化的人工智能推理需求有意義。在這里，F(xiàn)PGA的可編程性超過了FPGA使用的典型經(jīng)濟性。需要明確的是，我們認為FPGA不會成為使用數(shù)千個GPU的大規(guī)模人工智能系統(tǒng)的有力競爭對手，但我們確實認為，隨著人工智能進一步滲透到電子領(lǐng)域，F(xiàn)PGA的應(yīng)用范圍將會擴大。
簡而言之，GPU可能仍然是大部分人工智能領(lǐng)域的主導(dǎo)芯片，尤其是對于高調(diào)、大容量的模型。但除此之外，我們認為替代芯片的使用將成為生態(tài)系統(tǒng)的重要組成部分，這是一個比今天看起來更大的機會。
