2017年12月，IBM推出首个为AI而生的服务器CPU POWER9，旨在为数据密集型人工智能工作负载管理自由流动数据、流传感器及算法。该处理器采用14纳米技术，嵌入80亿个晶体管。
POWER9试图通过最新的技术和联盟来解决系统短板——异构处理器是否有足够的带宽与系统的其它部分进行通信。
从通用CPU到AI定制CPU，POWER9代表了CPU行业在AI领域的发展趋势。
对于云端AI芯片市场，小公司只能觊觎，这是一场属于寥寥可数大公司的权利游戏，云端发展不只需要有高运算力的芯片，还得营造出生态系，基本上供应商就是这几家巨头。但对于终端市场，能实现更小功耗、更低成本的xPU与ASIC将成为主流。这就注定通用AI芯向专用AI芯发展的趋势。
AI通用芯玩法
CPU & GPU
黄仁勋曾表示：GPU不会替代CPU，它是携手和CPU共同工作的，这也是我们为什么把它称之为加速器，CPU是通用型的，什么场景都可以适用。但是GPU在一些专门的问题上是能量非常大的。它的性能要比CPU超过10倍，50倍甚至百倍。最完美的架构就是“万事皆能的CPU”+“胜任重大计算挑战的GPU”。
我们先来看看CPU与GPU的对比情况：
英特尔CPU与英伟达GPU性能对比图
CPU功能模块很多，能适应复杂运算环境；GPU构成相对简单，对Cache需求小，大部分晶体管可以组成各类专用电路、多条流水线，使得GPU的计算速度有了突破性的飞跃，拥有了更强大的处理浮点运算的能力。
CPU与GPU结构对比示意图
GPU未来的主攻方向是高级复杂算法和通用性人工智能平台。但GPU无法单独工作，必须由CPU进行控制调用才能工作。这也就是黄仁勋为何强调“CPU+GPU”的模式了。
CPU向AI发力的重要一大方向就是加速了CPU和GPU、FPGA甚至TPU之间的通信。POWER9也印证了这一观点，POWER9将加速POWER和GPU、FPGA、TPU之间的合作。比如支持最新的英伟达Nvida NVLINK技术，可大幅提升GPU与CPU之间的数据交换速度。
GPU未来的主攻方向是高级复杂算法和通用性人工智能平台。
FPGA
FPGA兼顾了低功耗和高运算能力的优势，FPGA在AI领域的优势是加速和异构计算，比如腾讯云的FPGA加速可以实现比通用CPU型服务器快30倍的性能。
FPGA和GPU未来在超级数据中心将成主流应用，尤其是在深度学习方面，在这方面GPU强在训练，而FPGA强在推断。
赛灵思曾表示：伙伴厂商利用FPGA芯片进行基因体定序与优化语音识别所需的深度学习，察觉FPGA的耗能低于GPU且处理速度较快。相较于GPU只能处理运算，FPGA能以更快速的速度一次处理所有与AI相关的信息。
DSP
DSP是AI通用芯里面最低调的，或者说最受重视的。
我们先来看看骁龙845如何发挥AI实力吧。
与华为、苹果采用ASIC方式来不同，高通骁龙845利用基于分布式架构的神经网路处理引擎(SNPE)，运行在骁龙异构平台的CPU、GPU、DSP等每一个单元上。
Hexagon 685 DSP不仅只是一块用于处理语音和音频的解码器，由于采用了异步计算架构，支持矢量计算，因此可用于AI以及神经运算，在虚拟现实、增强现实、图像处理、视频处理、计算视觉等功能中发挥作用。
DSP核心主要供货商CEVA认为，若要在嵌入式系统中实现CNN（卷积神经网络），DSP将能取代GPU和CPU，因CNN在本质上，就十分适合运用DSP。
DSP能够实现平行处理，核心利用率高。据悉，相较GPU只能达到40～50%的使用率，DSP甚至达到90%以上的核心使用率。业内专家表示，对于一些应用场景，以DSP架构驱动的CNN引擎，在成本与功耗上皆具优势。
关于AI通用芯的情况就讲完了。
回顾2017，我们发现我国的AI芯热主要集中于半定制化芯片与全定制化ASIC芯片领域。与非网友关于“集成电路最难攻克的环节（芯片），在AI大环境下，一切都变得那么EASY？”的问题，我们将在下期《AI发现》中找出答案。
