在比較成熟的AI平臺方面，在2012年出現了AlexNet，一直到最近，2018年出現了AlphaGo Zero，在短短的6年內，算力提高了20多萬倍，這完全不同於傳統計算硬體（如CPU、MCU等）的演進軌跡，速度之驚人令我們難以預測。
三種AI晶片的對比
從AI晶片的應用場景類別來看，主要分為雲端和終端。目前，AI在雲端應用的更多，相對成熟，而其在雲端應用又可分為訓練和推理兩種，其中訓練的市場規模佔比較高。另外，訓練需要的資料量和計算量較大，所用的處理器主要是GPU。至於推理，也以GPU為主，此外，還有FPGA，以及專用的AI晶片（ASIC），其中，ASIC還不是很成熟，量產的產品也不多，因此用量有限，還處於發展初期，如果能實現大規模量產，其效能和成本是最優的，主要推進廠商是Google，其標誌性產品就是TPU。
FPGA是典型的半定製化晶片，其功能可以透過程式設計來修改，平行計算能力很強，但是延遲和功耗遠低於GPU，而與ASIC相比，FPGA的一次性成本要低很多，但其量產成本很高。因此，在實際應用需求還未成規模，且演算法需要不斷迭代、改進的情況下，利用FPGA的可重構特性來實現半定製的AI晶片是最佳選擇。
目前來看，由於GPU具備強大的平行計算能力和完善的生態系統，現在雲端AI應用方面處於主導地位。FPGA方面，由於是半定製化的，可以透過程式設計來實現不同的功能電路，因此，其在通用性和效能之間取得了比較好的平衡，但是較高的開發門檻和量產成本，對其應用是個限制。
專用的AI晶片應該是未來的發展趨勢，無論是在雲端還是在邊緣側，隨著應用的逐漸落地，應用場景和各種專用功能會愈加清晰，市場需求也會越來越多。另外，與GPU和FPGA相比，ASIC的專利壁壘要小得多，而且其設計難度也是最小的。隨著AI應用場景的落地，專用的ASIC晶片量產成本低、效能高、功耗低的優勢會逐漸凸顯出來。
AI晶片案例
目前，在AI應用方面，全球資料中心用GPU市場基本被英偉達壟斷，這裡用到的都是高效能GPU，其門檻很高，又是用於AI，因此，還沒有什麼競爭對手。
除了GPU晶片本身之外，英偉達還有一個優勢，那就是其在AI計算方面，有CUDA軟體生態系統的配合。CUDA程式設計工具包讓開發者可以對每一個畫素輕鬆程式設計，在這之前，對程式設計師來說，GPU程式設計是一件很痛苦的事，CUDA成功將Java、C++等高階語言開放給了GPU程式設計，從而讓GPU程式設計變得簡單了許多，研究者也可以更低的成本快速開發他們的深度學習模型。以圖形處理器加速卡Tesla V100 PCIe/SXM2為例，其晶片採用臺積電的12nm製程工藝，透過與CUDA軟體和NVLink快速通道的配合，能達到近125兆次深度學習的浮點運算訓練速度，而以16bit的半精度浮點效能來看，可達到31Tera FLOPS。
FPGA方面，Altera被英特爾收購之後，賽靈思是目前的霸主，作為傳統的CPU廠商，英特爾近幾年正在AI領域大力佈局，收購相關公司自然是一個重要手段，透過收購全面佈局 FPGA和ASIC，除了Altera的FPGA之外，還透過收購Mobileye和視覺處理器公司Movidius，佈局無人駕駛和計算機視覺，這也是將來AI大有可為的兩個應用領域。
在收購Altera之後，英特爾的技術發展路線就出現了調整，例如，其原來的產品策略是做分立的CPU+FPGA加速器，而兩家公司整合後，由簡單的分立器件疊加改為了封裝整合，即將CPU和FPGA晶片封裝在一起，這還不算完，英特爾下一步還要將CPU和FPGA整合在同一晶片內，做成SoC。
賽靈思方面，該公司於2018年底推出了以低成本、低延遲、高能效深度神經網路（DNN）演算法為基礎的Alveo加速卡，基於該公司的UltraScale架構，採用了臺積電的16nm製程工藝，目標市場就是資料中心和雲端的AI推理市場。
AI專用ASIC方面，國內外已經有多家企業投入了研發，例如國內的寒武紀（正在開發NPU）、地平線（BPU系列），還有華為海思和位元大陸，也在專用AI晶片方面投入了不少資源。國外最為知名的就是谷歌的TPU了，這也是到目前為止，最為成熟的高效能AI專用晶片了。做ASIC需要對應用場景有深刻和精確到位的瞭解，而這方面卻是傳統晶片設計企業和IDM的短板，因此，目前做AI專用ASIC的，大多是系統產商，網際網路巨頭，或者以演算法起家的公司。
在中國，位元大陸的算豐 (SOPHON) BM1680和BM1682雲端安防及大資料AI推理系列產品已經上市，此外，還有其它幾家沒有量產的晶片，如華為海思的昇騰Ascend 910系列，據悉會採用臺積電的7nm製程工藝，預計會在今年年底量產。此外，百度的崑崙晶片（採用三星的14nm製程)，以及阿里平頭哥的Ali-NPU等，也處在研發階段，距離量產還有一段時日。
結語