江苏龙网

  1. 首页 > 人文 > >

科技怪人CPU、GPU、NPU、FPGA等芯片架构特点分析( 五 )


基于ASIC开发人工智能芯片开发周期较长 。 基于ASIC开发人工智能芯片更像是电路设计 ， 需要反复优化 ， 需要经历较长的流片周期 ， 故开发周期较长 。
量产后ASIC人工智能芯片成本及价格较低 。 虽然相较于FPGA ，ASIC人工智能芯片需要经历较长的开发周期 ， 并且需要价格昂贵的流片投入 ， 但是这些前期开发投入在量产后会被摊薄 ， 所以量产后 ， ASIC人工智能芯片的成本和价格会低于FPGA人工智能芯片 。
ASIC芯片性能功耗比较高 。 从性能功耗比来看 ， ASIC作为定制芯片 ， 其性能要比基于通用芯片FPGA开发出的各种半定制人工智能芯片更具有优势 。 而且ASIC也并不是完全不具备可配置能力 ， 只是没有FPGA那么灵活 ， 只要在设计的时候把电路做成某些参数可调即可 。
ASIC人工智能芯片主要面向消费电子市场 。 ASIC更高的性能 ， 更低的量产成本以及有限可配置特性 ， 使其主要面向消费电子市场 ， 如寒武纪等公司 。
5.4 类脑芯片
类人脑芯片架构是一款基于神经形态的工程 ， 旨在打破“冯·诺依曼”架构的束缚 ， 模拟人脑处理过程 ， 感知世界、处理问题 。 这种芯片的功能类似于大脑的神经突触 ， 处理器类似于神经元 ， 而其通讯系统类似于神经纤维 ， 可以允许开发者为类人脑芯片设计应用程序 。 通过这种神经元网络系统 ， 计算机可以感知、记忆和处理大量不同的信息 。 类脑芯片的两大突破：1、有望形成自主认知的新形式；2、突破传统计算机体系结构的限制 ， 实现数据并行传送、分布式处理 ， 能以极低功耗实时处理大量数据 。
06.总结
科技怪人CPU、GPU、NPU、FPGA等芯片架构特点分析
本文插图
CPU 有强大的调度、管理、协调能力 。 应用范围广 。 开发方便且灵活 。 但其在大量数据处理上没有 GPU 专业 ， 相对运算量低 ， 但功耗不低 。
GPU：是单指令、多数据处理 ， 采用数量众多的计算单元和超长的流水线 ， 如名字一样 ， 图形处理器 ， GPU善于处理图像领域的运算加速 。 但GPU无法单独工作 ， 必须由CPU进行控制调用才能工作 。 CPU可单独作用 ， 处理复杂的逻辑运算和不同的数据类型 ， 但当需要大量的处理类型统一的数据时 ， 则可调用GPU进行并行计算 。
FPGA：和GPU相反 ， FPGA适用于多指令 ， 单数据流的分析 ， 因此常用于预测阶段 ， 如云端 。 FPGA是用硬件实现软件算法 ， 因此在实现复杂算法方面有一定的难度 ， 缺点是价格比较高 。 将FPGA和GPU对比发现 ， 一是缺少内存和控制所带来的存储和读取部分 ， 速度更快 。 二是因为缺少读取的作用 ， 所以功耗低 ， 劣势是运算量并不是很大 。 结合CPU和GPU各自的优势 ， 有一种解决方案就是异构 。
ASIC芯片：是专用定制芯片 ， 为实现特定要求而定制的芯片 。 除了不能扩展以外 ， 在功耗、可靠性、体积方面都有优势 ， 尤其在高性能、低功耗的移动端 。 谷歌的TPU、寒武纪的MLU ， 地平线的BPU都属于ASIC芯片 。 谷歌的TPU比CPU和GPU的方案快30-80倍 ， 与CPU和GPU相比 ， TPU把控制缩小了 ， 因此减少了芯片的面积 ， 降低了功耗 。
四种架构将走向哪里？
众所周知 ， 通用处理器（CPU）的摩尔定律已入暮年 ， 而机器学习和Web 服务的规模却在指数级增长 。
人们使用定制硬件来加速常见的计算任务 ， 然而日新月异的行业又要求这些定制的硬件可被重新编程来执行新类型的计算任务 。
将以上四种架构对比 ， GPU未来的主攻方向是高级复杂算法和通用性人工智能平台 ， 其发展路线分两条走：一是主攻高端算法的实现 ， 对于指令的逻辑性控制要更复杂一些 ， 在面向需求通用的AI计算方面具有优势；二是主攻通用性人工智能平台 ， GPU的通用性强 ， 所以应用于大型人工智能平台可高效完成不同的需求 。 FPGA更适用于各种细分的行业 ， 人工智能会应用到各个细分领域 。


推荐阅读


上一篇：红梅千雪|王祖蓝宣布二胎好消息，我却只注意邓超的评论，瞬间看出家庭地位

下一篇：艾利聊职场穿搭|长裙如何穿出显瘦效果？掌握4个法则，优雅浪漫还显苗条