ASIC晶片是一種為專門目的而設計的整合電路, 功能特定的最優功耗AI晶片, 專為特定目的而設計. 不同於GPU 和FPGA 的靈活性, 定製化的ASIC一旦製造完成將不能更改, 所以初期成本高, 開發周期長的使得進入門檻高. 目前, 大多是具備AI演算法又成就夢想擅長晶片研發的巨頭參與, 如Google的TPU.
當前可用於加速機器學習訓練及深度神經網路的主要晶片技術, 包括ASIC晶片, 繪圖晶片(GPU), 現場可程式化邏輯閘陣列(FPGA)晶片以及中央處理器(CPU)等4種, 這4類晶片技術在支援AI及機器學習上各有擅場及優劣勢, 其中GPU在技術上即為ASIC技術運用在處理繪圖演演算法上, 差異在於ASIC晶片可提供指令集及資源庫可讓GPU進行程式化, 藉此可用在處理本地儲存的資料, 好比是許多平行演演算法的加速器般.
ASIC晶片
基本上GPU速度非常快且相對具彈性, ASIC技術雖同樣具備處理速度很快的優勢, 不過使用彈性相對較缺乏. 在開發ASIC晶片上, 要設計出一款ASIC晶片所需投入的資源及努力不少, 可能必須耗資高達數千萬甚或數億美元, 且需要組建一支成本不低的工程師團隊, 顯示投資甚钜, 且ASIC晶片還將必須不斷升級以跟上新技術及製程水平, 加上ASIC晶片設計者在開發過程初期便已固定其邏輯, 因此若在AI這類快速演化的領域有新想法出現, ASIC晶片將無法對此快速做出反應, 反觀FPGA技術還能因此進行再程式化以執行一項全新功能.
ASIC的另一個未來發展是類腦晶片. 類腦晶片是基於神經形態工程, 借鑒人腦資訊處理方式, 適於即時處理非結構化資訊, 具有學習能力的超低功耗晶片, 更接近人工智慧目標. 由於完美適用於神經網路相關演算法, ASIC在性能和功耗上都要優於GPU FPGA, TPU1 是傳統GPU性能的14-16倍, NPU是GPU的118 倍. 寒武紀已發布對外應用指令集, 預計ASIC將是未來AI 晶片的核心.
理論上是這麼講, 但現實問題是, 誰來代工?
先看代工廠這邊, 全球有很多代工廠, 但是因為難度太高, 能生產AI單封裝系統的廠家並不多, 台積電, 三星和格羅方德都在榜單之列.
那麼, 是哪些廠商在設計AI單封裝系統呢?
你需要看看哪些廠商真正擅長2.5D整合和擁有設計所需的關鍵IP(比如HBM2物理層介面和高速SerDes). HBM2 PHY和高速SerDes模組執行該單封裝系統內多個組件之間的任務關鍵性通信. 這些都是類比設計中非常苛刻的挑戰, 從ASIC供應商那裡購買IP可以把風險降至最低.
擅長這些領域的ASIC廠商並不多, 不過由於人工智慧市場可能會出現爆炸性增長, 所以這些ASIC廠商將會受益匪淺.