ASIC 칩은 특정 목적을 위해 설계된 특수 목적의 기능별 최적의 전력 AI 칩을 위해 설계된 집적 회로이며, GPU 및 FPGA 유연성과 달리 사용자 정의 된 ASIC은 일단 제조되면 변경할 수 없습니다. 따라서 초기 비용이 높고 개발주기가 길어질수록 진입 장벽이 높아진다. 현재 AI 알고리즘과 꿈을 가진 대부분의 대기업은 Google의 TPU와 같은 칩 개발에 능숙하다.
사가지, 기계 학습 및 ASIC 칩, 그래픽 칩합니다 (GPU)를 포함하는 메인 신경망 칩 기술의 깊이, 필드 프로그램 가능한 논리 게이트 어레이 (FPGA) 칩, 및 중앙 처리 장치 (CPU)의 트레이닝을 가속화중인 어느 도 4는 필드 변조 기반의 칩 기술을 가지고 장단점이 AI와 차이 ASIC 칩 명령어 세트 저장소를 제공하며, GPU 있도록 상기 연신 처리 알고리즘에 사용 된 기술의 ASIC 기술의 GPU 인 기계 학습을 지원 로컬에 저장된 데이터를 처리하는 데 사용할 수있는 양식화는 많은 병렬 알고리즘의 가속기와 같습니다.
ASIC 칩
기본적으로 GPU는 매우 빠르고 유연성이 뛰어나며, ASIC 기술은 처리 속도가 빠르지 만 탄력성이 상대적으로 부족합니다 .ASIC 칩을 개발하려면 ASIC 칩을위한 자원과 노력을 설계해야합니다. 많은 사람들이 수천만 달러 또는 수백억 달러를 지출해야 할 수 있으며, 매우 저렴한 비용으로 엔지니어 팀을 구성해야 투자가 매우 만연하고 ASIC 칩도 새로운 기술과 프로세스 레벨을 따라 잡아야한다는 것을 보여줄 수 있습니다. ASIC 칩 설계자는 개발 프로세스 초기에 로직을 수정했기 때문에 AI와 같이 빠르게 진화하는 분야에 새로운 아이디어가 있으면 ASIC 칩은 이에 신속하게 대응할 수 없으며 그에 반하여 FPGA 기술도 그에 따라 재 프로그래밍 할 수 있습니다. 새로운 기능을 수행합니다.
ASIC 칩의 또 다른 미래 발전은 뇌와 같다. 뇌 칩은 인공 지능에 가까운 초 저전력 칩을 배울 수있는 능력을 길에서 비정형 정보의 실시간 처리에 적합한 인간의 뇌 정보 처리를 배우고, neuromorphic 기술을 기반으로 완벽 관련 신경망 알고리즘 적용으로 인해 대상, ASIC 성능과 전력 소비는 NPU가 118 배 GPU이며, TPU1 전통적인 GPU의 14 ~ 16 배의 성능이며, GPU의 FPGA보다 낫다. 캄브리아기 외부 응용 프로그램을 게시 명령어 세트는, 미래의 AI ASIC 칩의 핵심이 될 것으로 예상된다.
이론적으로는 그렇게 말하지만, 현실은 누구 OEM 예정입니까?
, 파운드리 봐 글로벌 파운드리의 많은이 있습니다,하지만 너무 어려운 있기 때문에, AI 시스템은 많은 제조 업체 아닌 하나의 패키지를 생성 할 수 있습니다, TSMC, 글로벌 파운드 삼성 목록 중입니다.
그래서, AI 시스템의 설계에 하나의 패키지 제조 업체 무엇인가?
당신은 공급 업체가 주요 IP 통합하고 디자인 (예 : HBM2 물리 계층 인터페이스와 고속 SerDes를 같은)이 필요합니다 정말 좋은 2.5D를 볼 필요가있다. HBM2 PHY 및 고속의 SerDes 모듈은 단일 패키지 시스템 내에서 여러 구성 요소 사이의 중요한 작업을 수행 할 수 통신. 이러한 위험을 최소화 할 수 있습니다 ASIC 업체의 IP를 구입 매우 까다로운 아날로그 설계 문제입니다.
ASIC 공급 업체가 많이없는이 지역을 전문으로하지만, 때문에 인공 지능 시장의 폭발적인 성장 나타날 수 있으므로 이러한 ASIC 제조 업체 도움이됩니다.