2017年12月，IBM推出首個為AI而生的服務器CPU POWER9，旨在為數據密集型人工智能工作負載管理自由流動數據、流傳感器及算法。該處理器采用14納米技術，嵌入80億個晶體管。

POWER9試圖通過最新的技術和聯盟來解決系統短板——異構處理器是否有足夠的帶寬與系統的其它部分進行通信。

從通用CPU到AI定制CPU，POWER9代表了CPU行業在AI領域的發展趨勢。

對于云端AI芯片市場，小公司只能覬覦，這是一場屬于寥寥可數大公司的權利游戲，云端發展不只需要有高運算力的芯片，還得營造出生態系，基本上供應商就是這幾家巨頭。但對于終端市場，能實現更小功耗、更低成本的xPU與ASIC將成為主流。這就注定通用AI芯向專用AI芯發展的趨勢。

AI通用芯玩法

CPU & GPU

黃仁勛曾表示：GPU不會替代CPU，它是攜手和CPU共同工作的，這也是我們為什么把它稱之為加速器，CPU是通用型的，什么場景都可以適用。但是GPU在一些專門的問題上是能量非常大的。它的性能要比CPU超過10倍，50倍甚至百倍。最完美的架構就是“萬事皆能的CPU”+“勝任重大計算挑戰的GPU”。

我們先來看看CPU與GPU的對比情況：

英特爾CPU與英偉達GPU性能對比圖

CPU功能模塊很多，能適應復雜運算環境；GPU構成相對簡單，對Cache需求小，大部分晶體管可以組成各類專用電路、多條流水線，使得GPU的計算速度有了突破性的飛躍，擁有了更強大的處理浮點運算的能力。

CPU與GPU結構對比示意圖

GPU未來的主攻方向是高級復雜算法和通用性人工智能平臺。但GPU無法單獨工作，必須由CPU進行控制調用才能工作。這也就是黃仁勛為何強調“CPU+GPU”的模式了。

CPU向AI發力的重要一大方向就是加速了CPU和GPU、FPGA甚至TPU之間的通信。POWER9也印證了這一觀點，POWER9將加速POWER和GPU、FPGA、TPU之間的合作。比如支持最新的英偉達Nvida NVLINK技術，可大幅提升GPU與CPU之間的數據交換速度。

GPU未來的主攻方向是高級復雜算法和通用性人工智能平臺。

FPGA

FPGA兼顧了低功耗和高運算能力的優勢，FPGA在AI領域的優勢是加速和異構計算，比如騰訊云的FPGA加速可以實現比通用CPU型服務器快30倍的性能。

FPGA和GPU未來在超級數據中心將成主流應用，尤其是在深度學習方面，在這方面GPU強在訓練，而FPGA強在推斷。

賽靈思曾表示：伙伴廠商利用FPGA芯片進行基因體定序與優化語音識別所需的深度學習，察覺FPGA的耗能低于GPU且處理速度較快。相較于GPU只能處理運算，FPGA能以更快速的速度一次處理所有與AI相關的信息。

DSP

DSP是AI通用芯里面最低調的，或者說最受重視的。

我們先來看看驍龍845如何發揮AI實力吧。

與華為、蘋果采用ASIC方式來不同，高通驍龍845利用基于分布式架構的神經網路處理引擎（SNPE），運行在驍龍異構平臺的CPU、GPU、DSP等每一個單元上。

Hexagon 685 DSP不僅只是一塊用于處理語音和音頻的解碼器，由于采用了異步計算架構，支持矢量計算，因此可用于AI以及神經運算，在虛擬現實、增強現實、圖像處理、視頻處理、計算視覺等功能中發揮作用。

DSP核心主要供貨商CEVA認為，若要在嵌入式系統中實現CNN（卷積神經網絡），DSP將能取代GPU和CPU，因CNN在本質上，就十分適合運用DSP。

DSP能夠實現平行處理，核心利用率高。據悉，相較GPU只能達到40～50%的使用率，DSP甚至達到90%以上的核心使用率。業內專家表示，對于一些應用場景，以DSP架構驅動的CNN引擎，在成本與功耗上皆具優勢。

關于AI通用芯的情況就講完了。

回顧2017，我們發現我國的AI芯熱主要集中于半定制化芯片與全定制化ASIC芯片領域。與非網友關于“集成電路最難攻克的環節（芯片），在AI大環境下，一切都變得那么EASY？”的問題，我們將在下期《AI發現》中找出答案。