AI芯片

AI的三大关键基础要素是数据、算法和算力。随着云计算的广泛应用，特别是深度学习成为当前AI研究和运用的主流方式，AI对于算力的要求不断快速提升。以GPU、FPGA、ASIC为代表的AI芯片，是目前可大规模商用的技术路线，是AI芯片的主战场，本文以下主要讨论的就是这类AI芯片。

<strong>继年初发布新一代FPGA框架后，FPGA巨头赛灵思在Hot Chips大会揭露了最新一代深度神经网络推理装置xDNN的部分规格参数。随着更多定制芯片的发展，现如今AI芯片的战火已经蔓延到推理领域。赛灵思的xDNN可配置、可复写，进行多任务处理，还配有Tensor内存。</strong>

目前来看，FPGA可能没有像一些人预期的那样在深度学习的训练空间中占据一席之地，但AI推理的低功耗、高频率需求非常适合可重复编程硬件的性能曲线。

然而，现在人们越来越专注于推理与训练的新体系架构，FPGA也在努力在定制化硬件领域保持领先，而这要靠一些高级编程工具来降低编程的复杂度。

目前，要判断通用CPU、GPU、FPGA及定制芯片如何才能吸引最广泛的用户群还为时尚早，但基于云的FPGA以及不断发展的高级FPGA集，越来越多地作为实验工具使用，让FPGA在面向推理的任务中占据了一席之地。

考虑到所有这些因素，FPGA制造商Xilinx近日在Hot Chips大会上发布了Xilinx深度神经网络推理（xDNN）设备的一些参数细节，公司将在接下来10月1日举行的开发者大会上发布更多信息和性能基准。

<font color="#FF8000">作者：佐思产研周彦武</font>

央行放水之后，催生出了一大批手握重金的投资机构，而国内优秀的投资标的，特别是高科技领域的标的极为稀缺，AI芯片获得投资易如反掌，一时间冒出来几百家AI芯片公司，也给投机分子可乘之机。
<center><img src="http://xilinx.eetrend.com/files-eetrend-xilinx/news/201807/13187-38177-…; alt=""></center>