什么是 AI 芯片？

通过 IBM® Watson 在美国综艺节目《Jeopardy!》中大获全胜，到 OpenAI 推出 ChatGPT，再到自动驾驶汽车和生成式 AI，目前来看，AI 的潜力似乎无限，谷歌、IBM、英特尔、苹果和微软在内的大多数大型科技公司都在大力发展这项技术。

但是，随着 AI 所解决问题的复杂性增加，对计算处理和速度的要求也在提高。AI 芯片旨在满足高度复杂的 AI 算法的需求，并实现传统中央处理器 (CPU) 无法实现的核心 AI 功能。

“AI 芯片”一词含义广泛，包括许多为 AI 任务所需的严苛计算环境而设计的芯片。常见的 AI 芯片示例包括图形处理单元 (GPU)、现场可编程门阵列 (FPGA) 和专用集成电路 (ASIC)。虽然其中一些芯片不一定是专为 AI 而设计，但它们专门用于高级应用程序，并且其中的许多功能适用于 AI 工作负载。

AI 行业正在快速发展，几乎每天都有新闻报道 ML 和生成式 AI 的突破性进展。随着 AI 技术的发展，AI 芯片已经成为大规模创建 AI 解决方案的关键。例如，使用传统 CPU（甚至是几年前的 AI 芯片）来提供面部识别或大规模数据分析等现代 AI 应用的成本将会成倍增加。现代 AI 芯片在 4 个关键方面优于前代产品：速度更快、性能更高、更灵活、更高效。

与前几代芯片相比，AI 芯片采用一种速度更快的不同计算方法。并行处理也称为并行计算，它是将大型复杂问题或任务划分为较小、较简单的问题或任务的过程。老式芯片使用一种称为顺序处理（从一个计算到下一个计算）的过程，而 AI 芯片一次执行数千、数百万甚至数十亿次计算。这种能力使 AI 芯片能够通过将大型复杂问题划分为较小的问题并同时予以解决，从而爆炸式提高它们的速度。

与其他同类产品相比，AI 芯片的可定制性更强，可以为特定的 AI 功能或训练模型而构建。例如，ASIC AI 芯片极小且可编程性强，已广泛用于从手机到防御卫星等各种应用领域。与传统 CPU 不同，AI 芯片是为满足典型 AI 任务的要求和计算需求而构建的，这一特性有助于推动 AI 行业实现快速发展和创新。

现代 AI 芯片所需的能耗比前几代芯片要少。这主要归功于芯片技术的改进，与老式芯片相比，AI 芯片能更高效地分配任务。低精度算术等现代芯片功能使 AI 芯片能够使用更少的晶体管解决问题，从而降低能耗。这些环保改进有助于降低数据中心等资源密集型运营的碳足迹。

由于 AI 芯片是专为特定任务设计而成，因此在执行自然语言处理 (NLP) 或数据分析等核心任务时，它们能提供更准确的结果。随着 AI 技术应用于医学等速度和准确性至关重要的领域，这种精度水平的必要性日益增强。

虽然 AI 芯片的许多特性对于 AI 技术的发展至关重要，但这些强大硬件的广泛应用也面临着挑战：

据《经济学人》报道，台湾芯片制造商生产的半导体占全球 60% 以上，制造的最先进的芯片占全球 90% 以上。遗憾的是，严重的短缺和脆弱的地缘政治局势正在制约增长。¹

Nvidia 是全球最大的 AI 硬件和软件公司，该公司最先进的 AI 芯片几乎完全依赖于台湾积体电路制造公司 (TSMC)。部分“台独”顽固分子仍在为保持“分裂”而垂死挣扎，一些分析人士猜测，鉴于“台独”问题，大陆若与台湾发生战争，可能会彻底摧毁 TSMC 生产 AI 芯片的能力。

随着开发人员构建更大、更强大的 AI 模型，计算需求的增长速度超过了 AI 芯片设计的进步速度。公司正在探索内存计算、AI 算法增强性能和制造等领域，以提高芯片算法效率，但 AI 硬件的改进速度赶不上 AI 应用计算需求的增长速度。

随着性能需求的增加，AI 芯片的尺寸也在不断增大，需要更多的能耗才能运行。对于现代先进的 AI 芯片，每个芯片需要数百瓦功率，这种功率大小很难在狭小的空间内传输。要为 AI 芯片供电，需要在电源配送网络 (PDN) 架构上取得重大进展，否则性能将受到影响。

AI 芯片是指由半导体（通常是芯片）和晶体管构成的集成电路单元。晶体管是与电子电路连接的半导体材料。当电流通过电路并接通或断开时，会产生信号，数字设备可将其读取为 1 或 0。

在 AI 芯片等现代设备中，开启和关闭信号每秒切换数十亿次，使得电路能够使用二进制代码解决复杂的计算，以表示不同类型的信息和数据。

芯片可以具有不同的功能，例如，存储芯片通常用于存储和检索数据，而逻辑芯片执行复杂的操作，以便处理数据。AI 芯片是逻辑芯片，用于处理 AI 工作负载所需的大量数据。

它们的晶体管通常比标准芯片的晶体管更小、更高效，因此处理功能运行更快，能耗更低。

对于 AI 工作负载而言，AI 芯片中可能没有其他功能比加速解决复杂学习算法的并行处理功能更为重要。与不具备并行处理能力的通用芯片不同，AI 芯片可以同时执行多项计算，使其能够在几分钟或几秒钟内完成标准芯片需要更长时间才能完成的任务。

由于 AI 模型的训练涉及大量复杂的计算，AI 芯片的并行处理能力对该技术的有效性和可扩展性至关重要。

AI 芯片有几种不同的类型，其设计和用途也各不相同。

图形处理单元 (GPU) 是一种电子电路，旨在加速各种设备（包括视频卡、系统板、移动电话和个人电脑 (PC)）上的计算机图形和图像处理。

虽然 GPU 芯片最初是为图形处理而设计，但由于其并行处理能力，已成为 AI 模型训练中不可或缺的部分。开发人员通常将多个 GPU 连接到同一个 AI 系统，以便可以获得更强大的处理能力。

现场可编程门阵列 (FPGA) 是定制型可编程 AI 芯片，需要专门的重新编程知识。与其他通常专为特定应用构建的 AI 芯片不同，FPGA 采用独特的设计，具有一系列互连和可配置的逻辑模块。FPGA 在硬件级别上可重新编程，从而实现更高级别的定制。

神经处理单元 (NPU) 是专门为深度学习和神经网络以及这些工作负载所需的大量数据而构建的 AI 芯片。NPU 可以比其他芯片更快地处理大量数据，并执行各种 AI 任务，例如 ChatGPT 等流行应用程序的图像识别和 NLP 功能。

专用集成电路 (ASIC) 是为 AI 应用定制的芯片，不能像 FPGA 那样重新编程。不过，由于其构建目的单一，通常是为了加速 AI 工作负载，因此性能通常优于更通用的同类产品。

作为全球发展最快的技术之一，AI 芯片是设计和实施过程中的关键硬件，其用例遍布各大洲和各行各业。从智能手机和笔记本电脑到机器人、自动驾驶汽车和卫星等更尖端的 AI 应用，AI 芯片正在迅速成为各行各业的关键组成部分。一些较常见的应用包括：