近日，在由北京未来芯片技术高精尖创新中心和清华大学微电子学研究所联合主办的第三届未来芯片论坛上，清华大学正式发布了《人工智能芯片技术白皮书(2018)》。

《白皮书》首次整合了国际化的学术和产业资源，紧扣学术研究和产业发展前沿，对人工智能芯片技术进行了深入探讨、专业阐述，完成了对AI芯片各种技术路线梳理及对未来技术发展趋势和风险预判。

据悉，《白皮书》由斯坦福大学、清华大学、香港科技大学、台湾新竹清华大学，北京半导体行业协会及新思科技的顶尖研究者和产业界资深专家，包括10余位IEEE Fellow共同编写完成。

无芯片不AI，新计算范式来袭

近些年随着大数据的积聚、理论算法的革新、计算能力的提升及网络设施的发展，使得持续积累了半个多世纪的人工智能产业，又一次迎来革命性的进步，人工智能的研究和应用进入全新的发展阶段。

实际上，人工智能产业得以快速发展，都离不开目前唯一的物理基础——芯片。可以说，“无芯片不AI”。

目前，关于AI芯片的定义没有一个严格和公认的标准。较为宽泛的看法是面向人工智能应用的芯片都可以称为AI芯片。具体来说，报告中探讨的AI芯片主要分为三类，一是经过软硬件优化可高效支持AI应用的通用芯片，如GPU;二是侧重加速机器学习(尤其是神经网络、深度学习)算法的芯片，这也是目前AI芯片中最多的形式;三是受生物脑启发设计的神经形态计算芯片。

AI芯片的计算既不脱离传统计算，也具有新的计算特质，主要特点有三：处理内容往往是非结构化数据，如视频、图像及语音等，需要通过样本训练、拟合基环境交互等方式，利用大量数据来训练模型，再用训练好的模型处理数据;处理过程需要很大的计算量，基本的计算主要是线性代数运算，大规模并行计算硬件更为适合;处理过程参数量大，需要巨大的存储容量，高带宽、低延时的访存能力，及计算单元和存储器件间丰富且灵活的连接。

AI芯片的新计算范式，也为芯片提出了处理非结构化数据、计算量大及存储和计算间的访问连接等新问题。

AI芯片发展现状：云、边结合

在应用场景上，AI芯片的应用主要分为云端和终端，以深度学习的算法来说，云端人工智能硬件负责“训练+推断”，终端人工智能硬件负责“推断”，因而终端的计算量更小，相对没有传输问题。但从自动驾驶、智慧家庭，到loT设备等，速度、能效、安全和硬件成本等是重要因素。

人工智能芯片技术白皮书

云端AI计算：目前各大科技巨头纷纷在自有云平台基础上搭载人工智能系统，主要有IBM的waston、亚马逊的AWS、以及国内的阿里云、百度云平台等。其中英伟达的GPU采用更为广泛，赛灵思、英特尔、百度等厂商也在积极采用FPGA在云端进行加速，一些初创公司，如深鉴科技等也在开发专门支持 FPGA 的 AI 开发工具。另外，除GPU和FPGA外，AI领域专用架构芯片ASIC则因其更好的性能和功耗，成为云端领域新的搅局者，如谷歌的TPU。

边缘AI计算：随着人工智能应用生态的爆发，越来越多的AI应用开始在端设备上开发和部署。

智能手机是目前应用最为广泛的边缘计算设备，包括苹果、华为、高通、联发科和三星在内的手机芯片厂商纷纷推出或者正在研发专门适应 AI 应用的芯片产品。另外，也有很多初创公司加入这个领域，如地平线机器人、寒武纪、深鉴科技、元鼎音讯等。传统的IP 厂商，包括 ARM、Synopsys 等公司也都为包括手机、智能摄像头、无人机、工业和服务机器人、智能音箱以及各种物联网设备等边缘计算设备开发专用 IP 产品。

自动驾驶是未来边缘AI 计算的最重要应用之一，MobileEye SOC 和 NVIDIA Drive PX 系列提供神经网络的处理能力可以支持半自动驾驶和完全自动驾驶。

目前云和边缘设备在各种AI应用中往往是配合工作。最普遍的方式是在云端训练神经网络，然后在云端(由边缘设备采集数据)或者边缘设备进行推断。