FPGA發(fā)展勢頭強勁未來將大有可為

目前，AI芯片的研發(fā)方向主要分兩種：一是基于傳統馮·諾依曼架構的FPGA（現場可編程門陣列）和ASIC（專用集成電路）芯片，二是模仿人腦神經元結構設計的類腦芯片。其中FPGA和ASIC芯片不管是研發(fā)還是應用，都已經形成一定規(guī)模；而類腦芯片雖然還處于研發(fā)初期，但具備很大潛力，可能在未來成為行業(yè)內的主流。

這兩條發(fā)展路線的主要區(qū)別在于，前者沿用馮·諾依曼架構，后者采用類腦架構。你看到的每一臺電腦，采用的都是馮·諾依曼架構。它的核心思路就是處理器和存儲器要分開，所以才有了CPU（中央處理器）和內存。而類腦架構，顧名思義，模仿人腦神經元結構，因此CPU、內存和通信部件都集成在一起。

之后由于高清視頻和游戲產業(yè)的快速發(fā)展，GPU （圖形處理器）芯片取得迅速的發(fā)展。因為 GPU 有更多的邏輯運算單元用于處理數據，屬于高并行結構，在處理圖形數據和復雜算法方面比 CPU 更有優(yōu)勢，又因為AI深度學習的模型參數多、數據規(guī)模大、計算量大，此后一段時間內 GPU 代替了 CPU，成為當時 AI 芯片的主流。

FPGA 可以被理解為“萬能芯片”。用戶通過燒入 FPGA 配置文件，來定義這些門電路以及存儲器之間的連線，用硬件描述語言（HDL）對 FPGA 的硬件電路進行設計。每完成一次燒錄，FPGA內部的硬件電路就有了確定的連接方式，具有了一定的功能，輸入的數據只需要依次經過各個門電路，就可以得到輸出結果。

用大白話說，“萬能芯片” 就是你需要它有哪些功能、它就能有哪些功能的芯片。盡管叫“萬能芯片”，FPGA也不是沒有缺陷。正因為 FPGA 的結構具有較高靈活性，量產中單塊芯片的成本也比 ASIC 芯片高，并且在性能上，FPGA 芯片的速度和能耗相比 ASIC 芯片也做出了妥協。也就是說，“萬能芯片” 雖然是個 “多面手”，但它的性能比不上 ASIC 芯片，價格也比 ASIC 芯片更高。

但是在芯片需求還未成規(guī)模、深度學習算法需要不斷迭代改進的情況下，具備可重構特性的FPGA芯片適應性更強。因此用FPGA來實現半定制人工智能芯片，毫無疑問是保險的選擇。目前，FPGA 芯片市場被美國廠商 Xilinx 和 Altera 瓜分。據國外媒體 Marketwatch 的統計，前者占全球市場份額 50%、后者占 35%左右，兩家廠商霸占了 85% 的市場份額，專利達到 6000 多項，毫無疑問是行業(yè)里的兩座大山。

在 AI 產業(yè)應用大規(guī)模興起之前，使用 FPGA 這類適合并行計算的通用芯片來實現加速，可以避免研發(fā) ASIC 這種定制芯片的高投入和風險。但是，因為其通用性低，ASIC 芯片的高研發(fā)成本也可能會帶來高風險。然而如果考慮市場因素，ASIC芯片其實是行業(yè)的發(fā)展大趨勢。

既然要研制人工智能芯片，那么有的專家就回歸問題本身，開始模仿人腦的結構。人腦內有上千億個神經元，而且每個神經元都通過成千上萬個突觸與其他神經元相連，形成超級龐大的神經元回路，以分布式和并發(fā)式的方式傳導信號，相當于超大規(guī)模的并行計算，因此算力極強。人腦的另一個特點是，不是大腦的每個部分都一直在工作，從而整體能耗很低。

這種類腦芯片跟傳統的馮·諾依曼架構不同，它的內存、CPU 和通信部件是完全集成在一起，把數字處理器當作神經元，把內存作為突觸。除此之外，在類腦芯片上，信息的處理完全在本地進行，而且由于本地處理的數據量并不大，傳統計算機內存與 CPU 之間的瓶頸不復存在了。同時，神經元只要接收到其他神經元發(fā)過來的脈沖，這些神經元就會同時做動作，因此神經元之間可以方便快捷地相互溝通。

然而目前類腦芯片研制的挑戰(zhàn)之一，是在硬件層面上模仿人腦中的神經突觸，換而言之就是設計完美的人造突觸。在現有的類腦芯片中，通常用施加電壓的方式來模擬神經元中的信息傳輸。但存在的問題是，由于大多數由非晶材料制成的人造突觸中，離子通過的路徑有無限種可能，難以預測離子究竟走哪一條路，造成不同神經元電流輸出的差異。

針對這個問題，今年麻省理工的研究團隊制造了一種類腦芯片，其中的人造突觸由硅鍺制成，每個突觸約 25 納米。對每個突觸施加電壓時，所有突觸都表現出幾乎相同的離子流，突觸之間的差異約為 4%。與無定形材料制成的突觸相比，其性能更為一致。

即便如此，類腦芯片距離人腦也還有相當大的距離，畢竟人腦里的神經元個數有上千億個，而現在最先進的類腦芯片中的神經元也只有幾百萬個，連人腦的萬分之一都不到。因此這類芯片的研究，離成為市場上可以大規(guī)模廣泛使用的成熟技術，還有很長的路要走，但是長期來看類腦芯片有可能會帶來計算體系的革命。