本文來自微信公眾號“半導體產(chǎn)業(yè)縱橫”，作者/豐寧。
隨著ChatGTP的出圈，大家可以明顯感受到全社會對于生成式人工智能技術(shù)的廣泛關(guān)注，隨著大模型的數(shù)量和模型參數(shù)量不斷激增，對算力的需求也越來越高。
根據(jù)《中國算力發(fā)展指數(shù)白皮書》中的定義，算力是設(shè)備通過處理數(shù)據(jù)，實現(xiàn)特定結(jié)果輸出的計算能力。
算力實現(xiàn)的核心是CPU、GPU等各類計算芯片，并由計算機、服務(wù)器和各類智能終端等承載，海量數(shù)據(jù)處理和各種數(shù)字化應用都離不開算力的加工和計算。
那么，不同的算力芯片分別適用于何種應用場景，不同的算力芯片又有哪些區(qū)別？
小至耳機、手機、PC，大到汽車、互聯(lián)網(wǎng)、人工智能、數(shù)據(jù)中心、超級計算機、航天火箭等，“算力”都在其中發(fā)揮著核心作用，而不同的算力場景，對芯片的要求也各不同。
數(shù)據(jù)中心作為數(shù)字時代的核心基礎(chǔ)設(shè)施，承載著大量的數(shù)據(jù)處理、存儲和傳輸任務(wù)。因此，它們需要強大的算力來應對各種復雜的計算需求。數(shù)據(jù)中心和超算需要高于1000TOPS的高算力芯片。當前，超算中心算力已經(jīng)進入E級算力（百億億次運算每秒）時代，并正在向Z（千E）級算力發(fā)展。數(shù)據(jù)中心對于芯片的低功耗、低成本、可靠性以及通用性的要求都極高。
智能自動駕駛涉及人機交互、視覺處理、智能決策等眾多方面，車載傳感器（激光雷達、攝像頭、毫米波雷達等）的不斷增加，數(shù)據(jù)處理的實時性、復雜性和準確性要求不斷提高，都對車載算力提出了更高的要求。
通常，業(yè)內(nèi)認為實現(xiàn)L2級自動輔助駕駛需要的算力在10TOPS以下，L3級需要30~60TOPS，L4級需要超過300TOPS，L5級需要超過1000TOPS，甚至4000+TOPS。所以自動駕駛領(lǐng)域的車載算力是遠遠大于生活中常見的手機、電腦的計算能力。在智能駕駛中，安全至關(guān)重要，因此該場景對算力芯片的可靠性有著極高的要求，對于芯片通用性的要求也較高，對于功耗和成本的要求就相對沒有那么苛刻。
為了應對當前視頻處理、人臉識別以及異常檢測等復雜任務(wù)的挑戰(zhàn)，同時確保系統(tǒng)在未來技術(shù)升級和拓展時擁有充足的計算資源。智能安防系統(tǒng)需要大約4-20TOPS的算力，這一數(shù)值雖然相較數(shù)據(jù)中心要小得多，但是也足以保障智能安防系統(tǒng)的高效穩(wěn)定運作。隨著AI安防進入下半場，算力的重要性愈發(fā)凸顯，這一數(shù)值也在不斷上漲。智能安防對低成本和可靠性的需求比較高，功耗和通用性的要求則相對中等。
在智能移動終端中，可穿戴設(shè)備等小型產(chǎn)品對算力的需求相對不高，但智能手機、筆記本電腦等產(chǎn)品對算力的需求正在大幅提升。智能移動終端也是一個對低功耗和低成本有著高要求的應用場景，對可靠性的要求相對較高，對通用性則沒有太多的限制。
當下的基礎(chǔ)算力主要由基于CPU芯片的服務(wù)器提供，面向基礎(chǔ)通用計算。智能算力主要基于GPU、FPGA、ASIC等芯片的加速計算平臺提供，面向人工智能計算。高性能計算算力主要基于融合CPU芯片和GPU芯片打造的計算集群提供，主要面向科學工程計算等應用場景。
CPU是傳統(tǒng)通用計算之王，包含運算器、控制器、存儲器等主要部分。數(shù)據(jù)在存儲器中存儲，控制器從存儲器中獲取數(shù)據(jù)并交給運算器進行運算，運算完成后再將結(jié)果返回存儲器。CPU的特點是通用性強，可處理各種類型的計算任務(wù)，但其計算效率不及專門針對特定任務(wù)設(shè)計的芯片。
GPU最初用于加速圖形渲染，也被稱為圖形處理的利器。近年來，GPU在深度學習等領(lǐng)域表現(xiàn)出色，被廣泛應用于人工智能計算。GPU的特點是具有大量并行計算單元，可同時處理大量數(shù)據(jù)，使其在并行計算任務(wù)中具有很高的效率。但GPU的通用性不及CPU，僅適用于特定類型計算任務(wù)。
ASIC是一種專為特定任務(wù)而設(shè)計的芯片。它通過硬件實現(xiàn)算法，可在特定任務(wù)中實現(xiàn)極高的計算效率和能效。ASIC的特點是針對性強，僅適用于特定任務(wù)，但其計算效率和能效遠超CPU和GPU，適用于規(guī)模大或成熟度高的產(chǎn)品。
FPGA利用門電路直接運算、速度較快。相比于GPU，F(xiàn)PGA具有更高的處理速度和更低的能耗，但相比相同工藝條件下的ASIC，F(xiàn)PGA仍有不及，不過FPGA可以進行編程，相比ASIC也更加靈活。FPGA適用于快速迭代或小批量產(chǎn)品，在AI領(lǐng)域，F(xiàn)PGA芯片可作為加速卡加速AI算法的運算速度。
GPGPU即通用圖形處理器，其中第一個“GP”通用目的，而第二個“GP”則表示圖形處理，主要目標是利用GPU的并行計算能力來加速通用計算任務(wù)?？梢酝ㄋ椎膶PGPU理解為一個輔助CPU進行非圖形相關(guān)程序的運算的工具。適用于大規(guī)模并行計算場景，比如科學計算、數(shù)據(jù)分析、機器學習等場景。
GPU是AI的最優(yōu)解，但未必是唯一解。
在ChatGPT引發(fā)的人工智能熱潮下，最受歡迎的莫過于GPU。GPU因何受到AI時代諸多廠商的青睞？
原因很簡單，因為AI計算和圖形計算類似，包含大量的高強度并行計算任務(wù)。
具體解釋為，訓練和推理是AI大模型的基石。在訓練環(huán)節(jié)，通過輸入大量的數(shù)據(jù)，訓練出一個復雜的神經(jīng)網(wǎng)絡(luò)模型。在推理環(huán)節(jié)，利用訓練好的模型，使用大量數(shù)據(jù)推理出各種結(jié)論。
而神經(jīng)網(wǎng)絡(luò)的訓練和推理過程涉及一系列具體的算法，如矩陣相乘、卷積、循環(huán)層處理以及梯度運算等。這些算法通?？梢愿叨炔⑿谢?，也就是說，它們可以被分解為大量可以同時執(zhí)行的小任務(wù)。
而GPU擁有大量的并行處理單元，可以快速地執(zhí)行深度學習中需要的矩陣運算，從而加速模型的訓練和推理。
目前，大部分企業(yè)的AI訓練，采用的都是GPU集群。如果進行合理優(yōu)化，一塊GPU卡，可以提供相當于數(shù)十臺甚至上百臺CPU服務(wù)器的算力。
這時候可能會有人發(fā)問，在AI盛行的當下，單憑GPU就足夠了嗎？GPU是否會獨占未來AI市場的鰲頭，成為無可爭議的寵兒？非也。GPU固然是當下的最優(yōu)解，但未必是唯一解。
GPU雖然目前在AI領(lǐng)域占據(jù)了主導地位，但是它也面臨著一些挑戰(zhàn)和局限。比如說，GPU的供應鏈問題導致了價格上漲和供應不足，這對于AI開發(fā)者和用戶來說都是一個負擔。而CPU則有著更多的競爭者和合作伙伴，可以促進技術(shù)的進步和降低成本。而且，CPU也有著更多的優(yōu)化技術(shù)和創(chuàng)新方向，可以讓CPU在AI領(lǐng)域發(fā)揮出更大的作用。
一些更為精簡或小巧的模型，在傳統(tǒng)CPU上同樣能夠展現(xiàn)出卓越的運行效率，而且往往更加經(jīng)濟實惠、節(jié)能環(huán)保。這證明了在選擇硬件時，需根據(jù)具體應用場景和模型復雜度來權(quán)衡不同處理器的優(yōu)勢。
除了運行超大規(guī)模的語言模型，CPU還可以運行更小更高效的語言模型。這些語言模型通過一些創(chuàng)新的技術(shù)，可以大幅減少計算量和內(nèi)存占用，從而適應CPU的特點。這也意味著CPU在AI領(lǐng)域并沒有被完全邊緣化，而是有著不容忽視的優(yōu)勢和潛力。
不僅如此，由于AI加速服務(wù)器異構(gòu)的特點，市場上除了CPU+GPU的組合方式之外，還有其它多種多樣的架構(gòu)，例如：CPU＋FPGA、CPU＋ASIC、CPU＋多種加速卡。
技術(shù)的變革是迅速的，未來確有可能出現(xiàn)更加高效、更加適合AI計算的新技術(shù)。CPU＋FPGA、CPU＋ASIC便是未來的可能之一。
CPU擅長邏輯控制和串行處理，而FPGA則具有并行處理能力和硬件加速特性。通過結(jié)合兩者，可以顯著提升系統(tǒng)的整體性能，特別是在處理復雜任務(wù)和大規(guī)模數(shù)據(jù)時。FPGA的可編程性使得其可以根據(jù)具體應用場景進行靈活配置和定制。這意味著CPU+FPGA架構(gòu)可以適應各種不同的需求，從通用計算到特定應用的加速，都可以通過調(diào)整FPGA的配置來實現(xiàn)。
而ASIC是專門為特定應用設(shè)計的集成電路，因此它在性能和功耗上通常都經(jīng)過了高度優(yōu)化。與CPU結(jié)合使用時，可以確保系統(tǒng)在處理特定任務(wù)時具有出色的性能和效率。此外，ASIC的設(shè)計是固定的，一旦制造完成，其功能就不會改變。這使得ASIC在需要長時間穩(wěn)定運行和高可靠性的場景中表現(xiàn)出色。
