作者丨张洁
【51CTO.com原创稿件】
为什么需要 AI 芯片
新型基础设施的完善，推动了人工智能技术在消费领域以及工业生产领域的应用，落地场景趋向细分化、垂直化。当人工智能进一步发展，深度学习模型的复杂度不断增加，硬件和内存逼近临界点，CPU 这样的通用芯片无法满足人工智能任务要求时，AI 芯片应运而生。与此同时，随着智能物联时代掀开序幕，越来越多的数据开始在云、边、端流动。急剧增长的数据量对 AI 芯片的算力和功耗提出了更高要求。
AI 芯片是专门用于处理人工智能应用中大量计算任务的模块，主要分为 GPU、FPGA、ASIC。其中 GPU 主要处理图像领域的运算加速，是最先被引入深度学习的类型，技术相对成熟;FPGA 是一种可以重构电路的芯片，用户可以根据需求进行重复编程，适用于多指令和数据流的分析，性能出众但技术壁垒较高;ASIC 即专用集成电路，除了不能扩展外，在功耗、可靠性方面均有优势，可定制、低成本是其显著特点。
国内外 AI 芯片市场发展现状
2021 年，全球“缺芯”潮依然未曾平复。中美两国的贸易中，芯片是角力中的重头戏。当中国致力于在 2030 年成为人工智能产业的全球领导者时，美国自然也不会甘心于自己在技术上的头把交椅被撼动。而在 AI 芯片战场，国内外呈现出了完全不同的光景。
在“缺芯少魂”的危机意识倒逼下，中国加大自主研发力度寻求破局。BAT 互联网大厂自研 AI 芯片均已揭晓。
百度发布了自主研发的第二代昆仑 AI 芯片“昆仑芯 2”，并宣布实现量产。2 代采用 7nm 制程，通用性显著增强，可应用于互联网、智慧城市、智慧工业等领域;
阿里平头哥自研 AI 芯片含光 800 在双十一期间成为了搜索推荐等场景算力的主力，支持了淘宝搜索、推荐等业务，其中淘宝主搜 100% 的 AI 算力由该芯片提供;
腾讯在其数字生态大会上也公布了自研芯片的进展，AI 推理芯片紫霄性能目前已经流片成功并顺利点亮。
在投融资领域，国内 AI 芯片赛道也颇为热闹。超 40 家 AI 芯片企业在 2021 年拿下新融资。地平线、黑芝麻智能、燧原科技、壁仞科技、昆仑芯、摩尔线程等企业的估值均超 100 亿人民币。
相较于国内的百花齐放，国外 AI 芯片的格局要清晰得多。英伟达和英特尔依然占据了人工智能算力领域的主导位置，而率先闯进独角兽阵营的欧美 AI 芯片企业仅有 6 家，分别是获得谷歌首个 AI 芯片投资的 SambaNova Systems，将“史上最大”晶圆级芯片卖给阿联酋云计算公司的 Cerebras Systems，来自英国的 Graphcore，创始团队曾是谷歌 TPU 核心研发成员的 Groq，业界大神吉姆·凯勒的新东家 Tenstorrent 和主攻边缘 AI 芯片的以色列初创公司 Hailo。
总体来说，受益于存量需求替代以及增量需求释放，芯片行业将迎来新一轮增长契机。但目前产能不足仍是困扰全球芯片行业的主要问题。在芯片应用领域，中国是目前全球最大的芯片应用市场，但芯片自给率依然是一大挑战。放眼整个芯片市场，中国仍处于追赶阶段，还未掌握话语权。尽管现在国内的芯片厂商不少，但在制程工艺上与国际领先水准差距依然很大，此外芯片制造短板也不容忽视。
但“危机”二字本就蕴藏着“转危为机”的可能。国务院印发的《新时期促进集成电路产业和软件产业高质量发展的若干政策》表明，发展集成电路产业已经上升到国家战略高度。未来相信会有更多的资本和企业加入到芯片设计制造行列。
值得关注的发展趋势：存算一体
回顾 2021 年，值得关注的是，在 AI 芯片步入发展快车道的同时，基于下游应用的强驱动，AI 芯片的技术创新进程得到推进。其中最引人瞩目的是，曾经长期止步于理论阶段的“存算一体架构”芯片取得了较好的进展，少数企业已经有成品问世。目前来看，存算一体 AI 芯片将成为未来主流的发展方向。
为什么要发展存算一体芯片
在传统冯·诺伊曼架构下，计算和存储分离，两者间通过数据总线进行数据传输。计算单元从内存中读取数据，计算完成后存回内存。但随着 AI 芯片的发展，这种架构也成为制约计算系统性能提升的主要瓶颈之一。一方面，存储和计算之间性能不匹配的问题长期存在，存储器的数据访问速度跟不上计算单元的数据处理速度，存储器带宽在很大程度上限制了处理器的性能发挥，“存储墙”日益严重，算力提升受限;另一方面，AI 计算往往要面临海量数据，数据总线的有限带宽严重制约处理器的性能与效率，而且大量数据传输导致功耗居高不下，“功耗墙”挑战日盛。
由于两只拦路虎——“存储墙”和“功耗墙”的存在，冯·诺依曼计算架构的局限性日益凸显，因此亟需新型的计算架构应对未来应用场景的挑战。在这一背景下，存算一体的概念重新进入业界视野。
“存算一体”并非新事物，其概念的提出最早可追溯到 20 世纪 60 年代，但受限于制作成本、制作工艺及需求驱动等问题，并未掀起多大波澜。直到近年来人工智能的发展逐渐迈向正轨，存算一体才有机会崭露头角。
由于在存储单元内完成运算，这就直接解决 困扰业界许久的“存储墙”问题，减少了数据搬运过程中高达 90% 的功耗消费。同时，这种架构也减少了等待数据读取时算力的浪费，实际性能更好。这种优势被认为是解决 AI 特定场景需求的关键。
“存算一体”赛道布局
国内外在存算一体方面都还处于起步阶段，因此无论是行业龙头还是初创公司都在积极蓄力，希望在这一赛道保持领先或实现弯道超车。
国外巨头中，三星的动向值得持续关注。2021 年 2 月，三星发布了 HBM-PIM 存内计算技术，在高带宽内存 (HBM) 配置中集成内存处理 (PIM) 。这也是业界第一个 HBM 集成 AI 处理能力的芯片。据官方资料显示，与现有的内存解决方案相比，三星的 PIM 理论上可以通过可编程计算单元 (PCU) 提高 4 倍的性能。
另外，美国 AI 芯片初创公司 Myhtic 也是该领域的重要参与者。在 2021 年 C 轮融资中，Mythic 筹集 7000 万美元，自成立以来 Mythic 的总融资额已达到 1.652 亿美元。2020 年年底，Mythic 推出了其第一代 AI 芯片 M1108 AMP。与很多 AI 芯片不同，M1108 基于更加成熟的模拟计算技术，将足够的存储与大量并行计算单元打包在芯片上，以最大化内存带宽并减少数据移动的能力。
而在国内企业中，看准这一趋势的阿里巴巴落子可谓相当果断。2021 年 12 月，达摩院宣布成功研发新型存算一体架构芯片，该芯片是全球首款基于 DRAM 的 3D 键合堆叠存算一体 AI 芯片。
除了阿里外，众多初创公司也开始在这个赛道发力，知存科技、后摩智能、九天睿芯等皆是个中翘楚。
成立于 2017 年的知存科技推出了国际首个存算一体加速器 WTM1001 和首个存算一体 SoC 芯片 WTM2101。截止 2021 年，知存科技已完成累计近 3 亿元的 A 轮系列融资。
后摩智能作为国内首家采用存算一体技术打造大算力芯片的公司，其愿景也十分清晰：打造出具有“十倍效应”的 AI 芯片， 致力于满足真正人工智能时代的超大算力需求。
九天睿芯成立于 2018 年，专注于神经拟态感存算一体芯片研发。2021 年，九天睿芯已设计出基于 SRAM 的感存算一体架构芯片 ADA20X，可广泛应用于多种视觉场景。
当前，存算一体芯片聚焦于低延迟、低功耗、高算力需求的边缘计算，主要应用于音频类、健康类及低功耗视觉端侧应用场景中。随着 AI 应用日益丰富，在推进规模化应用阶段，终端厂商必然会关注成本问题，而成本和功耗有着直接的关系，低功耗的 AI 芯片往往意味着它能够实现整机低成本。这对于存算一体芯片来说无疑是一片蓝海。
荆棘与鲜花同在
任何一项技术都不是“万金油”，存算一体亦然，它只针对某一类计算特别是以数据为主的 AI 计算，并不适合 CPU 等以控制为主的计算。而且这种架构正处于学术界向工业界迁移的关键时期，要真正实现转化成功，一方面要求对存算一体技术有深刻的洞察，另一方面也要对 AI 应用落地有透彻的理解，两者相结合才可能发生质变，取得实质性突破。
此外，存算一体作为新的芯片方向，还面临电路设计、架构、软件等诸多层面的挑战。由于存算一体芯片和常规的芯片设计方案不同，目前市面上也没有成熟的专用 EDA 工具辅助设计和仿真验证;芯片流片之后，没有成熟的工具协助测试;在芯片落地应用阶段，也缺乏专用的软件与之适配。如何完善重要技术的生态链，是行业上下游厂商应该共同考虑的问题。
“时势造英雄。”每一次计算构架的大变革都会创造一个新的王者。从主机时代的 IBM、PC 时代的英特尔、移动时代的高通，现在进入智能物联网的时代，问芯片天下，谁主沉浮?我们拭目以待。
