谈到AI芯片，你会想到什么？有哪些种类的芯片可以实现AI功能呢？一起来回顾一下吧。

第一种，CPU芯片

AI算法可以在通用CPU上实现。由于CPU的普及率高，通用编程能力强，神经网络技术在开始时期的算法验证工作，主要是在CPU上完成的。

但其实CPU并不是实现神经网络的理想芯片。因为其不能很好地契合AI算法的高吞吐量和低延时的需求。

另外，摩尔定律的放缓也注定CPU的性能提升不会很快，不能满足AI对暴增的计算量的需求。

CPU芯片

第二种，GPU芯片

GPU最初用于图形渲染。因其并行计算能力超强，而被用来进行AI的运算。

随着GPU厂商针对AI场景进行优化设计，其AI运算能力得到了进一步地提升。另外，由于GPU在AI方面起步较早，目前已经构建了成熟易用地开发环境（如CUDA）。目前，GPU在业内得到了广泛地应用。

但是，GPU也并非没有缺陷。例如，其能效还不够高。在实际应用中，很难使GPU长时间保持忙碌。

GPU芯片

第三种，FPGA芯片

现场可编程门阵列（FPGA）是一种“可重构”的芯片。一般的芯片都是软件可编程，而FPGA则是硬件可编程。

FPGA最大的优点就是，即使在被制造出来以后，仍然可以在运行之前，甚至是运行期间对硬件进行重构，这给AI开发工作带来了极大的灵活性，与此同时，大大缩短了上市时间表。由于此特性，FPGA在AI的实际应用中，占据了一定的市场份额。

FPGA芯片

第四种，ASIC芯片

ASIC是定制的专用AI芯片，可以在芯片架构和电路上进行优化，以满足特定的应用需求。

在高性能和低功耗角度，ASIC是最佳的解决方案。目前大部分AI芯片的初创公司，都是开发此类芯片。

但是，ASIC也有其缺点。首先是成本高昂。其设计周期长，流片价格高。在出货量没有达到一定数值前，有很大的成本劣势。其次是灵活性不足。ASIC芯片一旦开始批量生产，就无法再改动里面的硬件架构。万一市场对AI芯片功能的需求出现重大变化，或者研发成功了新的AI算法，那这款芯片就只能被淘汰，再由芯片设计者继续开发新的芯片。

ASIC芯片

第五种，类脑芯片

为了贴近大脑的生物特性，AI芯片应该具有在模拟（而非数字）方面，更准确地模拟人类大脑运作的功能。用这种方法开发的AI芯片被称为类脑芯片或者神经形态芯片。

这种芯片基于新的芯片架构，关键组成部分包含脉冲神经元、低精度突触和可扩展的通信网络等。

这类芯片的特点是基本上没有时钟，它采用事件驱动型操作，它的功耗远低于传统的AI芯片。

类脑芯片和深度学习是AI技术的两个不同发展方向。目前，主流的AI芯片都是基于深度学习。类脑芯片目前主要处在实验室研究和少量试用阶段。

类脑芯片

第六种，仿生芯片

仿生计算是对大自然生物机制的模拟，包含遗传计算、细胞自动机/细胞神经网络、免疫计算、DNA计算等。

仿生芯片有以下几大特点

无须人工干预，通过自身在线进化，可以实现自动升级和自动设计。

可以根据环境变化自适应调整硬件电路结构。

可以自己修复错误。

仿生芯片目前主要处在实验室研究阶段。仍局限于仅面向某个功能，且对产品或服务的技术性能要求不高的应用。

仿生芯片

第七种，基于忆阻器的芯片

忆阻器（Memristor）一词是Memory和Resistor这两个英文单词的组合。

忆阻器是一种两端元件，能够根据在其端子上施加的电压、电流来改变其电导率。

以电阻的电导为权重，电压为输入，电流为输出，来进行乘法运算；通过将不同忆阻器的电流相加来完成加法。这比用数字电路来实现乘积累加简单得多。

忆阻器的阵列结构最适合进行点积乘法和累加运算，而这类运算正是深度学习算法中的绝大部分运算。

现在已有很多研究团队制作出了第一代含有忆阻器的AI芯片，但是目前还处于在实验室进行小批量试用的阶段。距离大规模量产，还有很长的路要走。

基于忆阻器的芯片

---

以上是伽利略的第24篇笔记。与君共勉。