近期关于AI芯片 (ASIC) 与FPGA的关系, 地位正在业内被讨论. 因此, 我们也就这个话题邀请业内投资人, 创业者进行探讨.
回顾芯片发展史, 是一部摩尔定律驱动的制程演进史, 也是一部应用定义的架构演进史, 所以谈起ASIC是不是会被FPGA取代, 本身是一个门外汉的问题.
在摩尔定律放缓的背景下, 应用场景定义的芯片架构乃至软硬件系统将更加重要. 正如GPU, DSP, 视频处理芯片等一波波新应用带来的专用芯片架构的变革, AI在这一波浪潮当中也会随着算法的演进和收敛, 逐渐沉淀出一些更加高效的架构来, 并且这些芯片架构是和场景应用软件高度融合, 平衡功耗, 性能, 成本的设计.
计算架构主要有三个核心要素组成, 包括计算, 存储和网络, 因此芯片种类也基本上可以按照三类来划分, 这样方便理解.
首先, 我们谈一谈计算芯片, Intel和ARM的CPU, NVIDIA的GPU, CEVA的DSP都属于这一类芯片或者IP, 主要任务就是完成逻辑和数学运算, 支撑了IT世界的云计算, 手机终端应用和信号处理, 乃至AI等等; FPGA是其中一个小门类, 在整个Intel的营收当中不到5%, 通常FPGA可以做到一些CPU不擅长的加速运算, 比如信号处理, AI推理等场景, 但是FPGA的缺点也非常明确, FPGA强调的是逻辑的通用性, 支持软件改写和配置, 导致计算密度是有瓶颈的, 并且通用逻辑带来了大量冗余, 这意味着成本和功耗的大幅度上升. 在移动互联网和物联网时代, 用户数和应用复杂度急剧上升, 计算密度 (单位功耗支撑的计算力) 是核心竞争力, FPGA显然无法胜任, 虽然FPGA可以在加速场景能够比CPU提升一个数量级, 但是相对于专用的AI引擎又低了至少一个数量级.
有人会质疑ASIC是不是通用型不够, 其实这个答案很简单, 通用型和计算密度是一种折衷, 比如理论上CPU是可以做任何的运算, 但是通用架构带来了计算密度的损失, 举个例子, 最好的服务器CPU大致也只能提供1Tflops的AI推理算力; 再看看GPU, 轻松可以做到10Tflops, 但是GPU并不能完成复杂的逻辑运算, 因此它永远无法取代CPU; FPGA是介于CPU和ASIC中间的一个物种, 有一定的灵活性但是性价比低, 无法满足主流的需求, 比如说手机行业, 为了节省几美分的成本在不停的优化设计, 面对如此巨大的行业, 点滴的成本节省都是巨大的利益, 因此FPGA的命运一直是市场早期的过渡产品或者服务于小批量的细分市场.
最近我们注意到一件有趣的事情, Intel收购了一家从事结构化ASIC设计的公司, 可以基于FPGA的设计裁剪掉部分冗余逻辑加速从FPGA逻辑设计到ASIC的开发过程, 从这一点也可以看出ASIC才是主流市场的终极答案.
北极光投资了四家AI芯片公司:
▪ 分别针对云计算的登临,
▪ 自动驾驶的黑芝麻,
▪ 消费电子和安防的亿智,
▪ 超低功耗传感器融合的Ours technology,
这些公司分别是针对不同应用场景优化过AI引擎, 未来的芯片公司不能只是生产硬件的公司, 必须深刻理解用户的需求, 界定灵活性的边界, 才能定义出最好的产品. 比如说, 登临面向云计算市场, 需要支持更多的AI网络模型, 因此它的架构设计更兼顾通用性, 更接近GPGPU的架构; 而黑芝麻和亿智深刻理解应用场景的性能需求, 只需要支持用户需要的少数几种算法, 而更追求功耗和性能的平衡. 客户真正关心的不是通用性, 否则用CPU就好了, 而是满足场景需求的计算密度下的成本.
还有人质疑新兴公司抢不到产能, ASIC的目的就是用最主流和相对便宜的制程去完成FPGA用最先进制程才能做到的事情, 不存在产能问题, 比如说亿智只需要用40nm和28nm的制程就可以提供1TOPS以上的算力, 成本只是FPGA的1/10甚至更低, 最先进的制程适合的是通用芯片设计, 但是在摩尔定律放缓的背景下, 会成为一个巨大的负担. 这里也想谈下深鉴被收购的个人观点, FPGA开发者非常少, 使用困难, 因此自动化工具对FPGA是有价值的, 深鉴的软件工具可以加速FPGA的AI开发进度, 但是Xilinx是否还会继续投入AI专用芯片的研发拭目以待. 作为行业老大的Intel在自动驾驶, 消费, 安防和云计算都有专用AI芯片的布局, 包括BAT都在各自研发AI芯片, 这个方向还是具有相当的共识.
我们概括一下观点, 场景定义AI专用芯片和异构计算是下一个计算架构变革周期的主旋律.
其实, 中国投资AI芯片公司不是太多而是太少了, 真正具备产业经验的成熟团队才是投资界应该追逐和支持的标的, 也是国家未来的战略资源.