AI芯片竞争进入白热化阶段

来源： 半导体行业观察

深度学习加速器目前主打的是性能和能效比，其性能能帮助深度学习的推理流畅执行，而其能效比则保证了算法加速过程中不会消耗太多电池，可以在移动端长时间使用。目前在移动领域，智能摄像头、无人机、手机等都是深度学习加速器潜在的应用领域，其中以手机的应用市场最大。

关于深度学习加速器的用法，一般分为芯片和IP两种。芯片的代表如Movidius的Myriad系列（以及基于Myriad芯片的neural stick产品）和，用户可以把芯片集成到自己的系统中来做深度学习加速。然而，在BOM可谓寸土寸金的手机领域，额外加一块芯片加速深度学习几乎不可能，可行的做法是在手机SoC里面集成一块深度学习加速器IP，在手机执行深度学习应用的时候可以把计算放到加速器模块去执行。

华为、苹果和Imagination纷纷发布人工智能加速IP

GOPS的数量级。这样的数字能够支持基础的深度学习算法：

目前，苹果宣称其A11中的neural engine主要是加速Face ID应用，而华为的展示项目则是实时物体辨识。预期在未来，这些人工智能加速器的应用场景会远远多于这些，同时也促成移动端人工智能应用的井喷式发展。

另一方面，我们也应该看到，100GOPS数量级的算法运行计算量更大的实时物体检测（object detection，从画面中同时定位并识别多个物体）还不够流畅，因此深度学习IP还有不少进步的空间。

Nvidia DLA：为AI生态铺路的前瞻性产品

与华为、苹果等定制深度学习IP模块不同，Nvidia选择了开源其深度学习加速架构DLA。目前，DLA已经在github上发布了其RTL代码可供编译、仿真以及验证，预计在未来Nvidia将进一步公布其C模型等重要设计组件。

Nvidia DLA最主要的部分是计算单元，据悉目前DLA会使用Winograd算法来减小卷积的计算开销，同时也会使用数据压缩技术，来减少DRAM访问时的数据流量。

Nvidia同时给出了NVDLA构成的两种系统，在比较复杂的大系统中， DLA的接口包括与处理器交互的IRQ／CSB，与片外DRAM交互的DBBIF，以及与SRAM交互的SRAMIF，而在小系统的例子中，则省去了SRAMIF，因为小系统中的SRAM比较宝贵可能没有可供NVDLA使用的部分。

在性能方面，NVDLA在使用2048个MAC的时候可以每秒完成269次ResNet-50推理，相当于2.1TOPS的性能，当然其对于内存的带宽要求也达到了20GB/s，接近DDR4系列的最高带宽。

动端人工智能市场真正蓬勃发展后，即使DLA不带来收入也能从人工智能产业链的上游获得大量收益，因此开源DLA的举动是Nvidia布局人工智能生态的重要一步。

Intel Loihi：神经拟态芯片，试验性产品

与前述的几家公司不同，Intel推出的Loihi是一款基于神经拟态（neuromorphic）的芯片。目前最流行的深度学习神经网络中，神经网络把人类的神经系统的统计行为抽象为一系列运算（高维卷积以及非线性运算）的数学系统，与真正的生物神经工作并不相同，而之前介绍的几款产品（以及绝大多数其他人工智能加速器硬件）都是加速这类经典神经网络结构的。