在比较成熟的AI平台方面，在2012年出现了AlexNet，一直到最近，2018年出现了AlphaGo Zero，在短短的6年内，算力提高了20多万倍，这完全不同于传统计算硬件（如CPU、MCU等）的演进轨迹，速度之惊人令我们难以预测。
三种AI芯片的对比
从AI芯片的应用场景类别来看，主要分为云端和终端。目前，AI在云端应用的更多，相对成熟，而其在云端应用又可分为训练和推理两种，其中训练的市场规模占比较高。另外，训练需要的数据量和计算量较大，所用的处理器主要是GPU。至于推理，也以GPU为主，此外，还有FPGA，以及专用的AI芯片（ASIC），其中，ASIC还不是很成熟，量产的产品也不多，因此用量有限，还处于发展初期，如果能实现大规模量产，其性能和成本是最优的，主要推进厂商是Google，其标志性产品就是TPU。
FPGA是典型的半定制化芯片，其功能可以通过编程来修改，并行计算能力很强，但是延迟和功耗远低于GPU，而与ASIC相比，FPGA的一次性成本要低很多，但其量产成本很高。因此，在实际应用需求还未成规模，且算法需要不断迭代、改进的情况下，利用FPGA的可重构特性来实现半定制的AI芯片是最佳选择。
目前来看，由于GPU具备强大的并行计算能力和完善的生态系统，现在云端AI应用方面处于主导地位。FPGA方面，由于是半定制化的，可以通过编程来实现不同的功能电路，因此，其在通用性和性能之间取得了比较好的平衡，但是较高的开发门槛和量产成本，对其应用是个限制。
专用的AI芯片应该是未来的发展趋势，无论是在云端还是在边缘侧，随着应用的逐渐落地，应用场景和各种专用功能会愈加清晰，市场需求也会越来越多。另外，与GPU和FPGA相比，ASIC的专利壁垒要小得多，而且其设计难度也是最小的。随着AI应用场景的落地，专用的ASIC芯片量产成本低、性能高、功耗低的优势会逐渐凸显出来。
AI芯片案例
目前，在AI应用方面，全球数据中心用GPU市场基本被英伟达垄断，这里用到的都是高性能GPU，其门槛很高，又是用于AI，因此，还没有什么竞争对手。
除了GPU芯片本身之外，英伟达还有一个优势，那就是其在AI计算方面，有CUDA软件生态系统的配合。CUDA编程工具包让开发者可以对每一个像素轻松编程，在这之前，对程序员来说，GPU编程是一件很痛苦的事，CUDA成功将Java、C++等高级语言开放给了GPU编程，从而让GPU编程变得简单了许多，研究者也可以更低的成本快速开发他们的深度学习模型。以图形处理器加速卡Tesla V100 PCIe/SXM2为例，其芯片采用台积电的12nm制程工艺，通过与CUDA软件和NVLink快速通道的配合，能达到近125兆次深度学习的浮点运算训练速度，而以16bit的半精度浮点性能来看，可达到31Tera FLOPS。
FPGA方面，Altera被英特尔收购之后，赛灵思是目前的霸主，作为传统的CPU厂商，英特尔近几年正在AI领域大力布局，收购相关公司自然是一个重要手段，通过收购全面布局 FPGA和ASIC，除了Altera的FPGA之外，还通过收购Mobileye和视觉处理器公司Movidius，布局无人驾驶和计算机视觉，这也是将来AI大有可为的两个应用领域。
在收购Altera之后，英特尔的技术发展路线就出现了调整，例如，其原来的产品策略是做分立的CPU+FPGA加速器，而两家公司整合后，由简单的分立器件叠加改为了封装集成，即将CPU和FPGA芯片封装在一起，这还不算完，英特尔下一步还要将CPU和FPGA集成在同一芯片内，做成SoC。
赛灵思方面，该公司于2018年底推出了以低成本、低延迟、高能效深度神经网络（DNN）算法为基础的Alveo加速卡，基于该公司的UltraScale架构，采用了台积电的16nm制程工艺，目标市场就是数据中心和云端的AI推理市场。
AI专用ASIC方面，国内外已经有多家企业投入了研发，例如国内的寒武纪（正在开发NPU）、地平线（BPU系列），还有华为海思和比特大陆，也在专用AI芯片方面投入了不少资源。国外最为知名的就是谷歌的TPU了，这也是到目前为止，最为成熟的高性能AI专用芯片了。做ASIC需要对应用场景有深刻和精确到位的了解，而这方面却是传统芯片设计企业和IDM的短板，因此，目前做AI专用ASIC的，大多是系统产商，互联网巨头，或者以算法起家的公司。
在中国，比特大陆的算丰 (SOPHON) BM1680和BM1682云端安防及大数据AI推理系列产品已经上市，此外，还有其它几家没有量产的芯片，如华为海思的昇腾Ascend 910系列，据悉会采用台积电的7nm制程工艺，预计会在今年年底量产。此外，百度的昆仑芯片（采用三星的14nm制程)，以及阿里平头哥的Ali-NPU等，也处在研发阶段，距离量产还有一段时日。
结语
