江苏龙网

  1. 首页 > 资讯 > 科技 > >

科技怪人|CPU、GPU、NPU、FPGA等芯片架构特点分析( 三 )


本文插图

4.4 ASIC（Application Specific IntegratedCircuit）
ASIC,即专用集成电路 ， 指应特定用户要求和特定电子系统的需要而设计、制造的集成电路 。 目前用CPLD（复杂可编程逻辑器件）和 FPGA（现场可编程逻辑阵列）来进行ASIC设计是最为流行的方式之一 。
优点:它作为集成电路技术与特定用户的整机或系统技术紧密结合的产物 ， 与通用集成电路相比具有体积更小、重量更轻、 功耗更低、可靠性提高、性能提高、保密性增强、成本降低等优点 。
缺点：灵活性不够 ， 成本比FPGA贵
主要性能指标：功耗、速度、成本
生产厂商：谷歌、地平线、寒武纪等

科技怪人|CPU、GPU、NPU、FPGA等芯片架构特点分析
本文插图

4.5 四种芯片的特性总结
CPU是一个有多种功能的优秀领导者 。 它的优点在于调度、管理、协调能力强 ， 计算能力则位于其次 。 而GPU相当于一个接受CPU调度的“拥有大量计算能力”的员工 。
GPU 作为图像处理器 ， 设计初衷是为了应对图像处理中需要大规模并行计算 。
因此 ， 其在应用于深度学习算法时 ， 有三个方面的局限性：
第一 ， 应用过程中无法充分发挥并行计算优势 。 深度学习包含训练和应用两个计算环节 ， GPU 在深度学习算法训练上非常高效 ， 但在应用时一次性只能对于一张输入图像进行处理 ， 并行度的优势不能完全发挥 。
第二 ， 硬件结构固定不具备可编程性 。 深度学习算法还未完全稳定 ， 若深度学习算法发生大的变化 ， GPU 无法像FPGA 一样可以灵活的配置硬件结构 。
第三 ， 运行深度学习算法能效远低于FPGA 。 学术界和产业界研究已经证明 ， 运行深度学习算法中实现同样的性能 ， GPU 所需功耗远大于FPGA ， 例如国内初创企业深鉴科技基于FPGA 平台的人工智能芯片在同样开发周期内相对GPU 能效有一个数量级的提升 。
FPGA ， 其设计初衷是为了实现半定制芯片的功能 ， 即硬件结构可根据需要实时配置灵活改变 。
研究报告显示 ， 目前的FPGA市场由Xilinx 和Altera 主导 ， 两者共同占有85%的市场份额 ， 其中Altera 在2015 年被intel以167 亿美元收购 ，Xilinx则选择与IBM进行深度合作 ， 背后都体现了 FPGA 在人工智能时代的重要地位 。
尽管 FPGA 倍受看好 ， 甚至百度大脑、地平线AI芯片也是基于FPGA 平台研发 ， 但其毕竟不是专门为了适用深度学习算法而研发 ， 实际仍然存在不少局限：
第一 ， 基本单元的计算能力有限 。 为了实现可重构特性 ， FPGA 内部有大量极细粒度的基本单元 ， 但是每个单元的计算能力（主要依靠LUT 查找表）都远远低于CPU 和GPU中的ALU模块 。
第二 ， 速度和功耗相对专用定制芯片（ASIC）仍然存在不小差距 。
第三 ， FPGA 价格较为昂贵 ， 在规模放量的情况下单块FPGA 的成本要远高于专用定制芯片 。
人工智能定制芯片是大趋势 ， 从发展趋势上看 ， 人工智能定制芯片将是计算芯片发展的大方向 。
05.AI芯片算力对比
5.1 通用芯片—GPU
GPU（Graphics Processing Unit）即为图形处理器 。 NVIDIA公司在1999年发布GeForce256图形处理芯片时首先提出GPU的概念 。 从此NVIDIA显卡的芯就用这个新名字GPU来称呼 。 GPU使显卡削减了对CPU的依赖 ， 部分替代原本CPU的工作 ， 特别是在3D图形处理方面 。 由于在浮点运算、并行计算等方面 ， GPU可以提供数十倍乃至于上百倍于CPU的性能 。
GPU相比CPU更适合人工智能计算 。 GPU和CPU分别针对的是两种不同的应用场景 ， 他们的设计目标不同 ， CPU需要很强的通用性来处理各种不同的数据类型 ， 同时逻辑判断又会引入大量的分支跳转和中断的处理 。 这些都使得CPU的内部结构异常复杂 。 而GPU擅长的则是在不需要被打断的纯净的计算环境中进行类型高度统一的、相互无依赖的大规模数据处理 ， 人工智能的计算恰巧主要是后者 ， 这使得原本为图像处理而生的GPU在人工智能时代焕发第二春 。


推荐阅读


上一篇：科技小数据|深度学习——卷积神经网络中十大令人拍案叫绝的操作

下一篇：电脑之家|细节风采依旧 vivo X50 Pro+复刻千里江山图