AI芯片的分类详解

人工智能（Artificial Intelligence，AI）芯片的界定：广义上讲，凡是能执行人工智能算法的芯片均可称为AI芯片。然而，通常所指的AI芯片，是专为人工智能算法进行加速优化的芯片。当前，这类芯片主要针对深度学习算法，但也涵盖了其他机器学习算法。

人工智能与深度学习

深度学习算法通常涉及对连续数值的接收、学习处理及输出，这虽无法完全复刻生物大脑的运作。基于此，学术界提出了SNN（Spiking Neural Network，脉冲神经网络）模型。作为第三代神经网络，SNN更接近生物神经网络，引入了时域信息。目前基于SNN的芯片代表有IBM的TrueNorth、Intel的Loihi及清华大学的“天机芯”。

（1）AI芯片按技术架构分类

GPU（Graphics Processing Unit，图形处理单元）：在传统的冯·诺依曼架构中，CPU执行指令需从存储器读取数据，处理大量数据时，CPU常因专注于数据读取、指令分析等非运算任务而受限。相比之下，GPU控制逻辑简单，晶体管构成专用电路和多条流水线，计算速度远超CPU，且浮点运算能力强。这有助于解决深度学习训练难题，但GPU无法独立运行，需CPU调度，且功耗较高。

半定制化FPGA：FPGA（Field Programmable Gate Array，现场可编程门阵列）通过更新配置文件来定义内部门电路和存储器的连接。与GPU相比，FPGA兼具硬件流水线并行和数据并行能力，整数运算性能好，适合深度学习的推断阶段。FPGA省去了内存和控制单元的存储读取，速度快、功耗低，但编程复杂、价格高、整体算力有限。国内深鉴科技等提供了基于FPGA的方案。

全定制化ASIC：ASIC（Application-Specific Integrated Circuit）是专为特定需求定制的芯片。定制化能提升性能功耗比，但在设计、开发周期和扩展性上有劣势。其优势在于功耗、可靠性和集成度高，尤其适合高性能、低功耗的移动端。谷歌TPU、寒武纪、地平线BPU均属此类。TPU通过简化控制电路，将面积和功耗降至最低，速度比CPU/GPU快30至80倍。

神经拟态芯片：模拟生物神经网络机制，从结构上逼近大脑。分为两个层次：一是神经网络层面，如IBM TrueNorth，将定制数字内核作神经元，内存作突触，集成内存、CPU和通信部件，解决速度瓶颈。二是神经元与突触层面，如IBM制造的人造纳米尺度随机相变神经元，支持高速无监督学习。

（2）AI芯片按功能分类

依据机器学习步骤，分为训练和推断：训练需大量数据输入构建复杂模型，计算量巨大，对处理器能力要求高，常用英伟达GPU集群或TPU加速；推断则是用模型处理新数据得出结论，计算量较小但涉及矩阵运算，CPU、GPU、FPGA、ASIC均可参与。

（3）AI芯片按应用场景分类

服务器端（云端）：训练阶段数据运算量大，需高性能计算，支持多网络结构、浮点运算及阵列结构以提升性能；推断阶段模型复杂，亦属计算密集型，通常部署在服务器端。

移动端（手机、智能家居、无人车等）：设计思路与服务器端不同，首要保证高计算能效，且需在设备端完成实时推断（如ADAS）。此外，还需满足低功耗、低延迟、低成本的要求，因此移动端芯片形态多样。