算力至上？四大AI芯片大对决来源|老石谈芯（ID:laoshi_tanxi

文章插图
文章插图
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。
文章插图
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。
文章插图
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......
文章插图
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。
文章插图
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？