信息产业与技术研究部 陈健

在海量数据、深度学习算法和高性能计算力的推动下，人工智能技术不断取得突破性进展。根据Gartner发布的2017年技术成熟度曲线，深度学习、机器学习、自动驾驶汽车、认知计算等多项人工智能技术正处于曲线巅峰，Gartner预计，人工智能将成为未来十年最具颠覆性的技术。人工智能芯片快速发展，以GPU、FPGA等加速器为代表的人工智能云计算平台，和以NPU为代表的移动计算平台代表了产业化的两个重要方向。

以GPU、FPGA等通用芯片作为加速器应用广泛。GPU适用于处理大规模并行计算，在深度学习领域应用广泛，英伟达凭借超强的GPU性能成为人工智能芯片霸主，公司营收年度增速超过100%。2017年5月，英伟达发布新一代架构（Volta）GPU GV100，机器学习训练速度比上一代产品提升约3倍、推理性能提升约10倍。研究报告显示，Xilinx、Altera共同占据FPGA市场85%的份额，随着英特尔收购Altera，IBM与Xilinx开展深度合作，FPGA将在基于x86、Power两大架构的深度学习计算中占据重要地位。此外还有谷歌开发的TPU，和英特尔首款为深度学习设计的基于x86众核架构的芯片Knights Mill。全球云服务商通过在数据中心中导入加速芯片提升机器学习计算性能，开发深度学习工具打造人工智能云计算平台，通过云服务的形式为人工智能技术开发企业提供计算力。

NPU为代表的人工智能专用芯片。在移动终端人工智能应用需求的推动下，面向移动计算的低功耗人工智能专用芯片兴起。IBM True North芯片和随机相变神经元芯片代表了一类类脑计算——神经拟态计算——的两个层面：神经网络层和神经元层。2016年，中国科学院计算技术研究所发布全球首款能够深度学习的NPU芯片——寒武纪“Dian Nao”芯片，面向认知计算应用，在人脸识别、语音识别等领域占据优势。苹果开发了基于ASIC的深度学习解决方案——神经网络引擎模块，聚焦语音识别和图像识别领域，支持Face ID解锁技术。随着专用芯片的成熟，人工智能计算硬件在移动端的应用落地。2017年9月，华为和苹果相继推出新一代手机处理器，麒麟970搭载寒武纪NPU处理器，A11 Bionic内嵌“神经网络引擎”模块，人工智能硬件首次应用于智能手机。

人工智能专用芯片市场前景广阔。人工智能专用芯片在智能手机中的成功应用，将开启智能硬件的下一个趋势，即在智能硬件中嵌入人工智能计算单元。考虑到当前智能硬件的巨大出货量，这一趋势将创造人工智能专用芯片的巨量市场需求。仅智能手机一项，随着各主流品牌跟进华为和苹果，人工智能手机芯片出货量有望在未来数年突破亿颗甚至10亿颗。