算力至上？四大AI芯片大对决

来源 | 老石谈芯（ID: laoshi_tanxin）

目前，全世界超过90%的数据都是在过去的两三年之内产生的。随着人工智能、自动驾驶、5G、云计算等各种技术的不断发展，海量数据都将会继续源源不断的产生。预计到2025年，数据总量将比现在增长10倍。在这些技术的发展中，很大的一部分都基于对大数据的研究和分析。正因为如此，很多人就形象的将数据比喻为人工智能时代的石油。

为了对海量的数据进行处理，基于传统CPU的计算结构已经很难满足需求了，我们需要更加强大的硬件和芯片，来更快、更好的完成这些工作。

此外，我们也需要更好的方法，比如使用各种人工智能的算法和模型，来帮助我们进行数据的分析和处理，并得到有意义的结论。如果把这两者结合起来，就产生了各种各样的人工智能芯片。

在这篇文章里，我们来一起看一下关于人工智能芯片的几个有意思的事情。我想讨论的重点，是在实际的工程实践和应用场景里，如何对人工智能加速芯片进行合理的评价和选择，以及各种不同的AI芯片的优缺点都有哪些。我会给大家介绍一个简单的思维框架，帮助大家理解和思考。

讨论：一个前提条件

在开始讨论之前，我们首先要明确一些讨论的前提条件，这些对于接下来的分析至关重要。很多人常犯的一个逻辑谬误，就是在讨论问题的时候缺少一个特定的讨论范围，这个英文叫做context，中文通常翻译成语境，或者上下文。

说白了，这个就是我们在讨论问题的时候，要圈定一个讨论的范围，大家都在这个圈圈里讨论问题。这就像拳击或者格斗比赛一样，要在那个擂台上比拼，不能跑到台下打。否则的话，就会像老郭和于大爷说的那样：

你和他讲道理，他和你讲法制；

你和他讲法制，他和你讲政治；

你和他讲政治，他和你讲国情；

你和他讲国情，他和你讲文化；

你和他讲文化，他和你讲道理......

同样的，对于我们要讨论的人工智能芯片，其实有很多不同的应用领域。从这个角度来看，AI芯片可以分成移动端和服务器端两大类，也有很多人把两类称为终端和云端。

事实上，在这两类应用中，人工智能芯片在设计要求上有着本质区别。比如，移动端更加注重AI芯片的低功耗、低延时、低成本，而部署在云端的AI芯片，可能会更加注重算力、扩展能力，以及它对现有基础设施的兼容性等等。

对于这两类人工智能芯片，我们很难直接进行比较。这就好像一棵大树，它的树干负责支撑起这颗树，并且还能输送各种营养物质。它的树叶就负责进行光合作用，并生产营养物质。但是我们很难比较树干和树叶，究竟谁更有用。

在这篇文章里，我们要把讨论的范围缩小，只关注部署在服务器端的人工智能芯片的相关问题。

此外，我们还需要明确一下具体讨论哪些AI芯片。这篇文章将主要对比四种最常见的芯片：CPU、GPU、ASIC和FPGA。其他的一些相对小众的芯片种类，比如类脑芯片和量子芯片等等，就不列入讨论的范围了。

分析：一个思维框架

我们现在明确了讨论的领域和对象，也就是部署在服务器端的四种常见的芯片，接下来应该确定的是，通过什么样的方式来衡量这些AI芯片的优缺点。

在这里给大家介绍一个我们在工程实践里经常使用的思维框架。具体来说，当我们考虑在数据中心里大量部署AI芯片的时候，通常需要考虑以下几个重要的因素。

首先就是算力，也就是芯片的性能。这里的性能有很多方面，比如这个芯片做浮点或者定点数运算的时候，每秒的运算次数，以及这个芯片的峰值性能和平均性能等等。

但是，算力或者性能其实并不是衡量AI芯片好坏的唯一标准。事实上，在很多时候它甚至不是最重要的标准。那么，还有哪些考虑的因素呢？

在这个思维框架里，一共有五个衡量因素。除了性能之外，还有灵活性、同构性、成本和功耗四点。

其中，灵活性指的是这个AI芯片对不同应用场景的适应程度。也就是说，这个芯片能不能被用于各种不同的AI算法和应用。

同构性指的是，当我们大量部署这个AI芯片的时候，我们能否重复的利用现有的软硬件架构和资源，还是需要引入其他额外的东西。举个简单的例子，比如我的电脑要外接一个显示器，如果这个显示器的接口是HDMI，那么就可以直接连。但是如果这个显示器的接口只有VGA或者DVI或者其他接口，那么我就要买额外的转接头才行。这样，我们就说这个设备，也就是显示器，它对我现有系统的同构性不好。

成本和功耗就比较好理解了。成本指的就是钱和时间，当然如果细抠的话，还有投入的各种人力物力，以及没有选择其他芯片带来的机会成本等等。不过归根到底还是钱和时间。成本包含两大部分，一部分是芯片的研发成本，另一部分是芯片的部署和运维成本。

功耗就更好理解了，指的就是某种AI芯片对数据中心带来的额外的功耗负担。

比较：4种芯片，5个维度

现在我们知道了这个思维框架里的五个重要元素，那么我们就能对前面提到的四种芯片，也就是CPU、GPU、ASIC和FPGA做一个定性的比较了。这里声明一下，这些对比仅代表我个人的观点，也欢迎大家在留言里和我交流你的想法。

CPU

对于CPU来说，它仍然是数据中心里的主要计算单元。事实上，为了更好的支持各种人工智能应用，传统CPU的结构和指令集也在不断迭代和变化。

比如，英特尔最新的Xeon可扩展处理器，就引入了所谓的DL Boost，也就是深度学习加速技术，来加速卷积神经网络和深度神经网络的训练和推理性能。但是相比其他三种芯片，CPU的AI性能还是有一定差距。

CPU最大的优势就是它的灵活性和同构性。对于大部分数据中心来说，它们的各种软硬件基础设施都是围绕CPU设计建设的。所以CPU在数据中心的部署、扩展、运维，包括生态其实都已经非常成熟了。它的功耗和成本不算太低，但也还在可接受的范围内。

GPU

GPU有着大规模的并行架构，非常适合对数据密集型的应用进行计算和处理，比如深度学习的训练过程。和CPU相比，GPU的性能会高几十倍甚至上千倍。因此业界的很多公司，都在使用GPU对各种AI应用进行加速。

GPU的另外一个优势，是它有着比较成熟的编程框架，比如CUDA，或者OpenCL等等，这是GPU在AI领域得到爆发最直接的推动力量之一，也是GPU相比FPGA或者ASIC的最大优势之一。

但是，GPU的最大问题就是它的功耗。比如，英伟达的P100、V100和A100 GPU的功耗都在250W到400W之间。相比于FPGA或ASIC的几十瓦甚至几瓦的功耗而言，这个数字显得过于惊人了。

而对于神经网络的训练来说，它往往需要大量密集的GPU集群来提供充足的算力。这样一来，一个机柜的功耗就可能会超过几十千瓦。这就需要数据中心为它修改供电和散热等结构。比如传统的数据中心大都靠风扇散热，但如果要部署GPU，就可能要改成水冷散热。对于大数据中心来说，这是笔巨大的开销。

伴随着高功耗，更大的问题实际是高昂的电费开支。要知道，现代数据中心的运维成本里，电费开支占40%甚至更高。所以，对于GPU在数据中心里的大规模部署，我们通常考虑的是它所带来的性能优势，能否抵消它带来的额外电费。

ASIC

ASIC就是所谓的人工智能专用芯片。这里的典型代表，就是谷歌阿尔法狗里用的TPU。根据谷歌的数据，TPU在阿尔法狗里替代了一千多个CPU和上百个GPU。

在我们的衡量体系里，这种AI专用芯片的各项指标都非常极端，比如它有着极高的性能和极低的功耗，和GPU相比，它的性能可能会高十倍，功耗会低100倍。

但是，研发这样的芯片有着极高的成本和风险。与软件开发不同，芯片开发全程都需要大量的人力物力投入，开发周期往往长达数年，而且失败的风险极大。放眼全球，同时拥有雄厚的资金实力和技术储备以进行这类研发的公司，大概用两只手就能数的出来。也就是说，这种方案对于大多数公司而言并可能没有直接的借鉴意义。

此外呢，AI专用芯片的灵活性往往比较低。顾名思义，包括谷歌TPU在内的AI专用芯片，通常是针对某种特定应用而设计开发，因此它可能很难适用于其他的应用。在使用成本的角度，如果要采用基于ASIC的方案，就需要这类目标应用有足够的使用量，以分摊高昂的研发费用。同时，这类应用需要足够稳定，避免核心的算法和协议不断变化。而这对于很多AI应用来说是不现实的。

值得一提的是，我国在人工智能专用芯片领域涌现出来了一波优秀的公司，比如寒武纪、地平线，还有之前被赛灵思收购的深鉴科技等等。受篇幅限制，关于这些公司的具体产品和技术，这里就不再展开了。