تراشه ASIC یک مدار مجتمع طراحی شده برای هدف خاص، تراشه AI قدرت بهینه برای عملکرد خاص است، طراحی شده برای اهداف خاص. بر خلاف انعطاف پذیری GPU و FPGA، ASIC سفارشی را نمی توان پس از آن ساخته شده است. بنابراین هزینه اولیه بالا است و چرخه طولانی توسعه مانع ورود به سیستم را بالا می برد. در حال حاضر، بیشتر غول های با الگوریتم های AI و رویاها در توسعه تراشه ها، مانند TPU گوگل، خوب هستند.
در حال حاضر برای افزایش سرعت آموزش یادگیری ماشین و عمق اصلی عصبی فن آوری تراشه شبکه، از جمله یک تراشه ASIC، تراشه های گرافیکی (GPU را)، زمینه برنامه ریزی دروازه آرایه منطق (FPGA) تراشه، و یک واحد پردازش مرکزی (CPU) چهار نوع، در دسترس است که 4 تکنولوژی تراشه مبتنی بر رشوه دادن در این زمینه و مزایا و معایب حمایت AI و یادگیری ماشین است که GPU در فن آوری ASIC هنر مورد استفاده در الگوریتم های پردازش نقاشی، در جایی که تفاوت ASIC مجموعه دستورالعمل تراشه فراهم می کند مخزن و قادر می سازد GPU سبک بندی، که می تواند مورد استفاده برای پردازش داده های ذخیره شده محلی، مانند شتاب دهنده برای بسیاری از الگوریتم های موازی است.
تراشه ASIC
در واقع GPU بسیار سریع و نسبتا انعطاف پذیر است، اگر چه از فن آوری ASIC نیز است استفاده از سرعت پردازش سریع است، اما نسبتا عدم الاستیک در توسعه تراشه ASIC، به طراحی منابع و تلاش مورد نیاز برای قرار دادن یک تراشه ASIC بسیاری ممکن است به هزینه ده ها میلیون نفر و یا حتی میلیاردها دلار، و نیاز به راه اندازی یک تیم از مهندسین است کم هزینه نیست، آن را نشان می دهد سرمایه گذاری بسیار قابل توجهی، و تراشه ASIC نیز باید به طور مداوم ارتقاء به نگه دارید تا با تکنولوژی های جدید و سطح فرآیند، به علاوه طراحان تراشه ASIC در حال حاضر در فرایند توسعه اولیه ثابت منطقی آن، بنابراین اگر ایده های جدید وجود دارد در چنین رشته به سرعت در حال تحول از تراشه AI، ASIC قادر نخواهد بود برای پاسخ سریع به این ظهور، تکنولوژی FPGA سوی دیگر در نتیجه می تواند دوباره برنامه تکنولوژی برای پیاده سازی یک ویژگی جدید است.
یکی دیگر از توسعه آینده تراشه ASIC است مانند مغز مغز-تراشه مهندسی neuromorphic بر اساس، یادگیری از راه مغز پردازش اطلاعات انسانی، مناسب برای پردازش در زمان واقعی اطلاعات بدون ساختار، با توانایی یادگیری تراشه برق فوق العاده کم، نزدیک تر به هوش مصنوعی هدف با توجه به کاملا به الگوریتم های شبکه عصبی مربوطه اعمال می شود، ASIC عملکرد و مصرف برق بهتر از GPU FPGA است، TPU1 14-16 برابر عملکرد GPU سنتی است، NPU 118 بار در GPU است. کامبرین نرم افزار های خارجی منتشر شده مجموعه آموزش، انتظار می رود که ASIC هسته ای از تراشه های آینده AI باشد.
در تئوری، این درست است، اما واقعیت این است که چه کسی OEM را انجام خواهد داد؟
در سمت ریخته گری نگاه کنید، هستند بسیاری از ریخته گری جهانی وجود دارد، اما به دلیل بیش از حد دشوار، می توانید یک بسته واحد سیستم های هوش مصنوعی بسیاری از تولید کنندگان نمی تولید، TSMC، شرکت GlobalFoundries و سامسونگ در میان این فهرست هستند.
بنابراین، کدام یک از فروشندگان سیستم AI یکپارچه را طراحی می کنند؟
شما نیاز به نگاه 2.5D واقعا خوب که فروشندگان کلیدی IP یکپارچه شده است و طراحی مورد نیاز (مانند HBM2 رابط لایه فیزیکی و با سرعت بالا SerDes). HBM2 PHY و با سرعت بالا SerDes ماژول به انجام وظایف حیاتی بین اجزای متعدد در داخل یک سیستم بسته تنها ارتباطات جنسی این چالش ها بسیار دشوار در طرح های آنالوگ است. خرید IP از فروشنده ASIC می تواند خطر را به حداقل برساند.
فروشنده ASIC متخصص در این مناطق بسیار نیست، اما به دلیل بازار هوش مصنوعی ممکن است رشد انفجاری به نظر می رسد، بنابراین این تولید کنندگان ASIC بهره مند شوند.