人工智能（AI）市場(chǎng)持續(xù)升溫，但產(chǎn)業(yè)對(duì)于這些系統(tǒng)應(yīng)如何建構(gòu)仍十分分歧，大型科技公司動(dòng)輒投入數(shù)十億美元購(gòu)并新創(chuàng)公司或支持研發(fā)，各國(guó)政府也提供大學(xué)和研究機(jī)構(gòu)大筆研究經(jīng)費(fèi)，希望在這波AI競(jìng)賽中脫穎而出。
據(jù)Semiconductor Engineering報(bào)導(dǎo)，研究機(jī)構(gòu)Tractica的數(shù)據(jù)顯示，全球AI市場(chǎng)規(guī)模將在2025年成長(zhǎng)至368億美元，只不過(guò)目前對(duì)于AI的定義或是需要分析的數(shù)據(jù)類(lèi)型都還沒(méi)有共識(shí)，OneSpin Solutions總裁暨執(zhí)行長(zhǎng)Raik Brinkmann指出，眼下有三個(gè)問(wèn)題需要解決，第一是大量待處理的數(shù)據(jù)，其次是并行處理和互連技術(shù)，第三則是移動(dòng)大量數(shù)據(jù)導(dǎo)致的耗能問(wèn)題。
目前市場(chǎng)首批AI芯片幾乎都是以現(xiàn)成的CPU、GPU、FPGA和DSP加以組合而成，盡管英特爾（Intel）、Google、NVIDIA、高通（Qualcomm）和IBM等公司正研發(fā)新的設(shè)計(jì)，最后誰(shuí)能勝出仍不明朗。無(wú)論如何，這些系統(tǒng)仍需有至少一個(gè)CPU負(fù)責(zé)控制，但可能需要不同類(lèi)型的協(xié)同處理器。
AI處理多牽涉到矩陣乘法和加法，使用并行運(yùn)作的GPU成本較低，但缺點(diǎn)是耗能較高。內(nèi)建DSP區(qū)塊和本地存儲(chǔ)器的FPGA可獲得較佳的能源效率，但價(jià)格比較昂貴。Mentor Graphics董事長(zhǎng)暨執(zhí)行長(zhǎng)Wally Rhines表示，有些人使用標(biāo)準(zhǔn)GPU執(zhí)行深度學(xué)習(xí)，同時(shí)也有許多人采用CPU，為了達(dá)到使類(lèi)神經(jīng)網(wǎng)路行為更像人腦的目標(biāo)，刺激了新的一波設(shè)計(jì)浪潮。
視覺(jué)處理是目前最受關(guān)注的AI區(qū)塊，目前大部分的AI研究與自動(dòng)駕駛使用的視覺(jué)處理有關(guān)，這項(xiàng)技術(shù)在無(wú)人機(jī)和機(jī)器人方面的應(yīng)用也與日俱增。Achronix公司總裁暨執(zhí)行長(zhǎng)Robert Blake指出，影像處理的運(yùn)算復(fù)雜度很高，市場(chǎng)需要5~10年時(shí)間沉淀，不過(guò)因?yàn)樽償?shù)精度（variable precision arithmetic）運(yùn)算需要，可程式邏輯元件的角色會(huì)更吃重。
FPGA非常適合矩陣乘法，可程式化特性增加了設(shè)計(jì)上的彈性，用來(lái)做決策的數(shù)據(jù)部分會(huì)在本地處理，部分則由數(shù)據(jù)中心進(jìn)行，但兩者的比例會(huì)因應(yīng)用的不同而改變，并影響AI芯片和軟件設(shè)計(jì)。
目前汽車(chē)使用的AI技術(shù)主要是偵測(cè)和避免物體，這和真正的人工智能還有段差距。真正的AI應(yīng)該具有一定程度的推理，例如判斷如何閃避正在穿越馬路的人群。前者的推論為根據(jù)傳感器輸入的大量數(shù)據(jù)處理和預(yù)編程行為得來(lái)，后者則能夠作出價(jià)值判斷，思考各種可能后果以找出最佳選擇。
這樣的系統(tǒng)需要極高的頻寬并內(nèi)建安全機(jī)制，此外還必須能保護(hù)數(shù)據(jù)安全，許多根據(jù)現(xiàn)成零件開(kāi)發(fā)的設(shè)計(jì)很難兼顧運(yùn)算和編程效率。Google試圖以專(zhuān)為機(jī)器學(xué)習(xí)開(kāi)發(fā)的TPU特殊應(yīng)用芯片改變這樣的方程式，并開(kāi)放TensorFlow平臺(tái)以加快AI發(fā)展速度。
第一代AI芯片將重點(diǎn)放在運(yùn)算能力和異質(zhì)性，但這就像早期的IoT裝置，在不確定市場(chǎng)如何演變的情況下，業(yè)者只好把所有東西都加進(jìn)去，之后再找出瓶頸，針對(duì)特定功能設(shè)計(jì)，取得功率和性能上的平衡。
隨著自駕車(chē)使用案例的增加，AI應(yīng)用范圍也會(huì)逐漸擴(kuò)大，這也是為何英特爾在2016年8月收購(gòu)Nervana的原因。Nervana開(kāi)發(fā)的2.5D深度學(xué)習(xí)芯片利用高性能處理器核心將數(shù)據(jù)從載板移到高頻寬存儲(chǔ)器，希望比GPU解決方案縮短100倍的深度學(xué)習(xí)模型訓(xùn)練時(shí)間。
量子運(yùn)算則是AI系統(tǒng)的另一個(gè)選擇。IBM研究部門(mén)副總裁Dario Gil解釋?zhuān)绻?張卡片中有3張藍(lán)卡1張紅卡，使用傳統(tǒng)運(yùn)算猜中紅卡的機(jī)率為4分之1，使用量子電腦及疊加量子位元的糾纏（entanglement），系統(tǒng)每次都可以提供正確答案。
AI并沒(méi)有所謂最適合的單一系統(tǒng)，也沒(méi)有一種應(yīng)用可以吃遍各種市場(chǎng)，這些進(jìn)一步的細(xì)分市場(chǎng)都需要再精致化、再擴(kuò)大尋找可用工具，并需要生態(tài)系統(tǒng)來(lái)支持，但低功率、高吞吐量及低延遲則是AI系統(tǒng)的通用需求。半導(dǎo)體產(chǎn)業(yè)經(jīng)過(guò)多年仰賴(lài)制程微縮元件以改善功率，性能和成本，如今則需要重新思考進(jìn)入新市場(chǎng)的方法。