随着人工智能技术的快速发展，要实现更高效、更人性化的AI，我们不仅需要架构和算法，还需要帮助AI成型的基石，那就是AI芯片。
作为人工智能运行的载体，AI芯片的发展无疑影响着人工智能技术的进步。
近日，华为AI战略全面披露，多款AI芯片正式亮相。
他们强大的表现让所有人惊叹的同时，也不禁让人好奇华为为何为此改变集团愿景。
为什么AI芯片如此受欢迎？在初始阶段，由于不需要考虑功耗等原因，人工智能芯片可以追求高算力、高并发、高吞吐量。
目前的解决方案一般都是以“GPU+CPU”的异构模式完成。
同时，该解决方案主要针对各大AI公司和实验室的培训环节。
由于目前市场AMD在这方面长期缺乏，深度学习GPU加速市场由NVIDIA主导。
但随着人工智能逐渐在云端应用，对AI芯片提出了更多要求。
在兼顾高性能的同时，还需要考虑功耗和响应时间。
作为半定制的专用集成电路FPGA（现场可编程门阵列），可以满足要求。
其特点是低能耗、低延迟、高吞吐量，可以满足人工智能在云端运行的需求。
目前，Xilinx和Altera在FPGA市场占据绝对垄断地位，市场份额接近90%。
未来，人工智能技术注定会进一步去中心化到终端设备。
由于物理限制，芯片的功耗、面积和成本需要进一步优化。
主要解决方案是独立ASIC和SoC+IP；独立的ASIC可以通过定制设计实现性能更好、保密性更强的芯片，但缺点是开发周期长、投资成本巨大，一般企业难以承受。
SoC+IP相对于ASIC的开发缺点有很大的优势，但缺点是其功能扩展性较弱。
华为此前发布的升腾系列AI芯片就是根据该方案开发的。
尽管ASIC存在各种开发难点，但作为专用集成电路，其在性能和功耗方面的优势是显而易见的。
在人工智能神经网络计算中，与传统计算存在一定的差异。
因此，在进行神经网络计算时，CPU、DSP、GPU在计算能力、性能、能效等方面都存在不足，因此出现了专门针对神经网络计算而设计的系统。
设计处理器或加速器要求。
由于ASIC是定制芯片，需要重新设计电路，生产难度很大。
目前，市场上人工智能ASIC领域的领导者是谷歌TPU。
其今年5月发布的第三代TPU处理器具有以下功能： 是第二代的两倍。
以手机为例。
智能手机等设备一般都具备GPU和CPU，可以为人工智能提供相应的算力支持。
那么为什么我们需要专门开发AI芯片来完成这项工作呢？这是一个简单的例子。
当你去普通的餐厅吃饭时，你可以选择多种菜系，可能会更美味。
不过，想要吃到正宗的菜肴，就得去专门的餐厅。
AI芯片也是如此。
虽然手机也会有GPU和CPU，但低功耗、轻量化、薄厚度才是他们追求的方向。
专用AI芯片可以实现最大效率和能力，且仅占用很小的空间并降低功耗。
同时，它不会占用过多的CPU和GPU资源，保证手机在运行人工智能的同时可以进行其他操作。
当然，AI芯片的重要性还不止于此。
以谷歌TPU1为例。
那么TPU1每秒的峰值计算次数约为90 Tops。
当然，这只是一个理论值。
由于数据传输、存储、提取等原因，往往达不到峰值速率。
然而，与普通的 GPU 和 CPU 方案进行训练相比，尤其是现在神经网络规模越来越大、参数越来越复杂的情况下，大规模 NN 模型的训练时间通常会持续数周甚至数月，而且各种意想不到的情况也会发生。
期间发生的情况。
会影响训练进度，比如停电等，有了TPU1，一顿饭就可以完成，效率大大提高。
AI芯片虽然名为AI，但其本质仍然是芯片。
经历了中美贸易战初期，国内企业已经认识到，没有自己的核心技术，再强也不过是海滩上的一堆雕塑，到时候就会被摧毁。
波浪来了。
面对国外企业对CPU、GPU的垄断，AI芯片成为国内厂商新的突破点。
目前，中国和美国在人工智能技术上基本处于同一起跑线，因此更有利于AI芯片的发展。
不过，芯片设计并不是一朝一夕的事情，我国的芯片制造能力也非常薄弱。
需要投入大量的人力和财力才能生产出有效的产品。
目前国内投入AI芯片研究的公司有寒武纪、华为海思、中兴微电子、阿里巴巴平头哥等，不少小公司也纷纷效仿，进入AI芯片领域。
这是因为AI芯片的生产与传统芯片不同。
不需要花费精力来生产IP核。
其他IP直接结合使用，并在架构层面进行优化，根据业务需求进行IP集成。
因此，生产门槛大大降低。
如上所述，SoC+IP的解决方案。
华为Ascend系列的推出，给国产AI芯片打了一针强心剂，极大地鼓舞了国内AI芯片相关制造企业。
不过值得注意的是，虽然华为推出了AI芯片，但其在手机上的应用仍然存在诸多局限性，且大多仅用于图像识别。
不仅华为如此，苹果、联发科也如此。
未来如何拓展AI更多应用，成为下一步的关键。