AI芯片产业生态梳理幻灯片课件

AI芯片作为产业核心，也是技术要求和附加值最高的环节，在AI产业链中的产业价值和战略地位远远大于应用层创新。腾讯发布的《中美两国人工智能产业发展全面解读》报告显示，基础层的处理器/芯片企业数量来看，中国有14家，美国33家。AI芯片产业生态梳理Page2目录AI芯片分类1AI芯片产业生态2中国AI芯片公司3……4Page4AI芯片分类——从应用场景分Cloud/DataCenter云端•在深度学习的Training阶段，由于对数据量及运算量需求巨大，•单一处理器几乎不可能独立完成一个模型的训练过程，•Training环节目前只能在云端实现，在设备端做Training目前还不是实际。•在Inference阶段，由于目前训练出来的深度神经网络模型大多仍非常复杂，其推理过程仍然是计算密集型和存储密集型的，若部署到资源有限的终端用户设备上难度很大，因此，云端推理目前在人工智能应用中需求更为明显。•GPU、FPGA、ASIC(GoogleTPU1.0/2.0)等都已应用于云端Inference环境。Device/Embedded设备端•在设备端Inference领域，智能终端数量庞大且需求差异较大，•如高级辅助驾驶ADAS、虚拟现实VR等设备对实时性要求很高，推理过程不能交由云端完成，•要求终端设备本身需要具备足够的推理计算能力，•一些低功耗、低延迟、低成本的专用芯片也会有很大的市场需求。可以分成“Cloud/DataCenter(云端)”和“Device/Embedded(设备端)”两大类Page5AI芯片分类——从技术架构分通用芯片•GPU•FPGA基于FPGA的半定制化芯片•深鉴科技DPU、•百度XPU(256核、基于FPGA的云计算加速芯片（与赛灵思Xilinx合作)全定制化ASIC芯片•TPU•寒武纪Cambricon-1A等类脑计算芯片•IBMTrueNorth、•Westwell西井科技、•高通Zeroth等Page6AI芯片分类象限图TrainingInferenceGPUTPU2.0VSCloud/DataCenterDevice/Embedded?GPU/FPGA/ASICFPGA/ASICPage7AI芯片产业生态InferenceOnDevice设备端推理MobileADASCVNLPVRInferenceOnCloud云端推理GPUFPGAASICTrainingOnCloud云端训练GPUASICTPU1.0/2.0TPU2.0TrainingOnDevice设备端训练?Page8Training训练CPUVSGPU架构ControlALUALUALUALUCacheDRAMDRAMCPUGPUPage9CPU和GPU对比说明CPU架构2007年以前，人工智能研究受限于当时算法、数据等因素，对于芯片并没有特别强烈的需求，通用的CPU芯片即可提供足够的计算能力。GoogleBrain项目，使用包含16000个CPU核的并行计算平台，训练超过10亿个神经元的深度神经网络。CPU的串行结构并不适用于深度学习所需的海量数据运算需求，用CPU做深度学习训练效率很低，在早期使用深度学习算法进行语音识别的模型中，拥有429个神经元的输入层，整个网络拥有156M个参数，训练时间超过75天。在内部结构上，CPU中70%晶体管都是用来构建Cache(高速缓冲存储器)和一部分控制单元，负责逻辑运算的部分(ALU模块)并不多，指令执行是一条接一条的串行过程。GPU架构GPU整个就是一个庞大的计算矩阵，GPU具有数以千计的计算核心、可实现10-100倍应用吞吐量，还支持对深度学习至关重要的并行计算能力，可以比传统处理器更加快速，大大加快了训练过程。GPU由并行计算单元和控制单元以及存储单元构成，拥有大量的核(多达几千个)和大量的高速内存，擅长做类似图像处理的并行计算，以矩阵的分布式形式来实现计算。同CPU不同的是，GPU的计算单元明显增多，特别适合大规模并行计算。Page10通用计算GPU—NVIDIA一家独大2010年NVIDIA就开始布局人工智能产品，2014年发布了新一代PASCALGPU芯片架构，这是NVIDIA的第五代GPU架构，也是首个为深度学习而设计的GPU，它支持所有主流的深度学习计算框架。2016年上半年，NVIDIA又针对神经网络训练过程推出了基于PASCAL架构的TESLAP100芯片以及相应的超级计算机DGX-1。DGX-1包含TESLAP100GPU加速器，采用NVLINK互联技术，软件堆栈包含主要深度学习框架、深度学习SDK、DIGITSGPU训练系统、驱动程序和CUDA，能够快速设计深度神经网络(DNN)，拥有高达170TFLOPS的半精度浮点运算能力，相当于250台传统服务器，可以将深度学习的训练速度加快75倍，将CPU性能提升56倍。Page11Training市场NVIDIA竞争对手GoogleTraining市场目前能与NVIDIA竞争的就是Google。今年5月份Google发布了TPU2.0，TPU(TensorProcessingUnit)是Google研发的一款针对深度学习加速的ASIC芯片，第一代TPU仅能用于推理，而目前发布的TPU2.0既可以用于训练神经网络，又可以用于推理。TPU2.0包括了四个芯片，每秒可处理180万亿次浮点运算。Google还找到一种方法，使用新的计算机网络将64个TPU组合到一起，升级为所谓的TPUPods，可提供大约11500万亿次浮点运算能力。Google表示，公司新的深度学习翻译模型如果在32块性能最好的GPU上训练，需要一整天的时间，而八分之一个TPUPod就能在6个小时内完成同样的任务。目前Google并不直接出售TPU芯片，而是结合其开源深度学习框架TensorFlow为AI开发者提供TPU云加速的服务，以此发展TPU2的应用和生态，比如TPU2同时发布的TensorFlowResearchCloud(TFRC)。Page12传统CPU/GPU厂家也进入Training市场传统CPU/GPU厂家Intel和AMD也在努力进入这Training市场，如Intel推出的XeonPhi+Nervana方案，AMD的下一代VEGA架构GPU芯片等，但从目前市场进展来看很难对NVIDIA构成威胁。初创公司中，英国Graphcore公司的IPU处理器(IntelligenceProcessingUnit)据介绍也同时支持Training和Inference。该IPU采用同构多核架构，有超过1000个独立的处理器；支持All-to-All的核间通信，采用BulkSynchronousParallel的同步计算模型；采用大量片上Memory，不直接连接DRAM。总之，对于云端的Training(也包括Inference)系统来说，业界比较一致的观点是竞争的核心不是在单一芯片的层面，而是整个软硬件生态的搭建。NVIDIA的CUDA+GPU、Google的TensorFlow+TPU2.0，巨头的竞争也才刚刚开始。IntelXeonPhi+NervanaAMD下一代VEGA架构GPU芯片Page13InferenceOnCloud云端推理—FPGA应用相对于Training市场上NVIDIA的一家独大，Inference市场竞争则更为分散。业界所说的深度学习市场占比(Training占5%，Inference占95%)，Inference市场竞争必然会更为激烈。在云端推理环节，虽然GPU仍有应用，但并不是最优选择，更多的是采用异构计算方案(CPU/GPU+FPGA/ASIC)来完成云端推理任务。FPGA领域，四大厂商(Xilinx/Altera/Lattice/Microsemi)中的Xilinx和Altera（被Intel收购）在云端加速领域优势明显。Altera在2015年12月被Intel收购，随后推出了Xeon+FPGA的云端方案，同时与Azure、腾讯云、阿里云等均有合作；Xilinx则与IBM、百度云、AWS、腾讯云合作较深入，另外Xilinx还战略投资了国内AI芯片初创公司深鉴科技。目前来看，云端加速领域其他FPGA厂商与Xilinx和Altera还有很大差距。Page14InferenceOnCloud云端推理—FPGA应用时间公司内容2015/06/10IBM在IBMPOWER系统上运用XilinxFPGA加速工作负载处理技术2016/03/23FacebookFacebook开始采用CPU+FPGA服务器2016/09/30微软微软开始使用FPGA加速Bing搜索和Azure云计算2016/11/30亚马逊AWS亚马逊AWS推出FPGA云服务EC2F12017/01/20腾讯云腾讯云推出国内首款高性能异构计算基础设施—FPGA云服务器2017/01/21阿里云阿里云发布异构计算解决方案：弹性GPU实例和FPGA解决方案2017/05/25百度云百度对外正式发布FPGA云服务器Page15InferenceOnCloud云端推理—ASIC应用ASIC领域，应用于云端推理的商用AI芯片目前主要是Google的TPU1.0/2.0。其中，TPU1.0仅用于DatacenterInference应用。它的核心是由65,536个8-bitMAC组成的矩阵乘法单元，峰值可以达到92TeraOps/second(TOPS)。有一个很大的片上存储器，一共28MiB。它可以支持MLP，CNN和LSTM这些常见的神经网络，并且支持TensorFLow框架。它的平均性能(TOPS)可以达到CPU和GPU的15到30倍，能耗效率(TOPS/W)能到30到80倍。如果使用GPU的DDR5memory，这两个数值可以达到大约GPU的70倍和CPU的200倍。TPU2.0既用于训练，也用于推理，上一节已经做过介绍。国内AI芯片公司寒武纪科技据报道也在自主研发云端高性能AI芯片，目前与科大讯飞、曙光等均有合作。Page16InferenceOnDevice设备端推理设备端推理的应用场景更为多样化，智能手机、ADAS、智能摄像头、语音交互、VR/AR等设备需求各异，需要更为定制化、低功耗、低成本的嵌入式解决方案，这就给了创业公司更多机会，市场竞争生态也会更加多样化Page17InferenceOnDevice设备端推理——智能手机应用华为2017年9月初发布的麒麟970AI芯片就搭载了神经网络处理器NPU(寒武纪IP)。苹果2017年最新发布的A11仿生芯片也搭载了神经网络单元。高通从2014年开始也公开了NPU的研发，并且在最新两代骁龙8xx芯片上都有所体现，Page18InferenceOnDevice设备端推理——自动驾驶应用NVIDIA去年发布自动驾驶开发平台DRIVEPX2，基于16nmFinFET工艺，功耗高达250W，采用水冷散热设计；支持12路摄像头输入、激光定位、雷达和超声波传感器；CPU采用两颗新一代NVIDIATegra处理器，当中包括了8个A57核心和4个Denver核心；GPU采用新一代Pascal架构，单精度计算能力达到8TFlops，超越TITANX，有后者10倍以上的深度学习计算能力。Intel收购的Mobileye、高通收购的NXP、英飞凌、瑞萨等汽车电子巨头也提供ADAS芯片和算法。初创公司中，地平线的深度学习处理器(BPU，BrainProcessorUnit)IP及其自研雨果(Hugo)平台也是重点面向自动驾驶领域。Page19InferenceOnDevice设备端推理——机器视觉应用Intel收购的Movidius是其中的一家芯片提供商，大疆无人机、海康威视和大华股份的智能监控摄像头部分使用了Movidius的Myriad系列芯片。目前国内做计算机视觉技术的公司中，商汤科技、Face++、云从、依图等，未来有可能随着其自身计算机视觉技术的积累渐深，部分