9月28日消息，近日，美国媒体VentureBeat对近年来行业在AI芯片竞争中研发的新芯片架构进行解读，其中包括神经拟态芯片、光学计算芯片和Cerebras WSE芯片。随着社会越来越多领域的问题都试图采用AI技术来解决，因此，一场围绕AI技术的军备竞赛也就此爆发，而其中，就有以更高速度、更低运行功耗，以及支持深度学习等特征的专用硬件——AI芯片。毫无疑问，AI芯片的芯片体系结构较以往来说，均有着较大的技术突破，它们执行的计算方式也与从前有着许多差异。这次，VentureBeat通过对三种典型AI芯片功能的拆解，来分析它们将在未来几年内催生的各种AI应用程序。

    一、神经拟态芯片：中国“天机（Tianjic）”芯片  

神经拟态芯片主要用于进行神经拟态计算（Neuromorphic Computing），简单来说，它可通过数字电路，来模拟人类大脑的行为，能够进行计算和自主学习等功能。

神经网络由成千上万个小程序组成，它们负责通过简单的计算来执行复杂的任务，例如检测图像中的对象，或将语音转换为文本，而这些也是深度学习的关键。

但传统计算机并未针对神经网络操作的特征进行优化，相反，它们由一个或几个强大的CPU组成。

相比之下，神经拟态计算机则使用另一种全新的芯片架构——神经拟态芯片，以一种物理的形式来模拟神经网络。

神经拟态芯片由许多物理人工神经元组成，这些神经元直接与其软件的对应部分相对应，使得它们能快速地训练和运行神经网络。

实际上，神经拟态计算的概念在1980年代就已出现。但当时，神经网络的效率十分低下，因此并未广泛地引起人们的关注。

直到近年来，随着技术的发展，以及深度学习和神经网络的兴起，关于神经拟态芯片的研究也再次回到研究人员的关注视野。

今年7月，中国的一支清华芯片团队研发出了一颗名为“天机（Tianjic）”的神经拟态芯片，它采用28nm制程，由156个FCores组成。同时，其面积为3.8×3.8毫米，包含了大约40000个神经元和1000万个突触，可同时支持机器学习算法和类脑电路。

研究人员曾将该芯片整合到自动驾驶自行车中测试芯片性能，显示其能够实现目标检测、导航和语音识别等功能。

这一研究成果不仅发表在了顶级学术杂志《自然（Nature）》中，也成功登上了杂志封面。而研究人员也在论文中说到：“我们的研究有望通过为更通用的硬件平台铺平道路，来刺激AGI（通用人工智能）的发展。”

尽管目前，并没有直接证据表明神经拟态芯片是创建人工智能的正确途径，但它们肯定会有助于创建更高效的AI硬件。

与此同时，神经拟态计算也引起了各大高科技巨头们的关注。

今年上半年，英特尔推出了一台装有64个Intel Loihi神经拟态芯片的计算机，名为“Pohoiki Beach”，它能够模拟800万个人工神经元。英特尔表示，Loihi的信息处理速度比传统处理器快1000倍，效率最高10000倍。

    二、光学AI加速器与“全光学”神经网络  

随着技术的发展，神经网络和深度学习计算需要大量的计算资源和电力。

但随之而来的，AI的碳足迹也已成为一个环境问题。同时，神经网络的部署也受到能耗的影响，特别在电力有限的环境中十分受限，例如电池供电设备。

而且，随着摩尔定律发展的持续放缓，传统的电子芯片也正努力跟上AI行业不断增长的需求。

如今，许多公司和研究实验室已转向光学计算领域，以寻找解决AI行业中速度和电力问题的解决方案。

简单地说，光学计算使用光子硬件代替电子硬件，并使用光学信号代替数字电子设备来进行计算。

由于光学计算设备并不会像铜缆那样产生热量，因此其能耗大大降低。光学计算机也特别适用于快速矩阵乘法，而这也是神经网络中的关键操作之一。

今年上半年，总部位于波士顿的光学AI芯片创企Lightelligence研发了一款光学AI加速器，该光学加速器与当前的电子硬件兼容，并可通过优化一些重型神经网络计算，将AI模型的性能提高一两个数量级。

Lightelligence的工程师表示，光学计算的进步还将降低制造AI芯片的成本。

就在前段时间，香港科技大学研究人员研发了双层全光学神经网络。该全光学神经网络（AONN）使用的线性函数和非线性激活函数，均根据光学实现。同时，它还能扩展到更加复杂的神经网络架构，以完成图像识别等更复杂的任务。

目前，研究人员已经开发了一种概念验证（proof-of-principle）模型，可以模拟具有16个输入和2个输出的完全连接的两层神经网络。

此外，大规模的光学神经网络能以光速和低能耗运行计算密集型应用，包括从图像识别到科学研究领域。

    三、有史以来最大规模AI芯片：Cerebras WSE  

在研发AI芯片的过程中，还有一种解决方式就是扩大规模。

今年8月，美国硅谷的一家AI芯片创企Cerebras Systems推出了有史以来规模最大的AI芯片，名为“Cerebras WSE”。

Cerebras WSE包含1.2万亿个晶体管，其芯片面积为46225平方毫米，比当前市场上最大的英伟达Tesla V100大56倍。

同时，该芯片采用台积电16nm制程，面积每边约22厘米（约8.5英寸），拥有40万个AI优化核心和18 Gigabytes片上内存。

在带宽方面，Cerebras WSE还拥有9 PByte/s内存带宽和100 Pbit/s fabric带宽。

该芯片主要用于深度学习的加速神经网络训练，不仅能加快数据处理速度，还能以更快的速度训练AI模型。同时，与传统的GPU和CPU相比，Cerebras WSE拥有的独特架构还进一步降低了能耗。

当然，该芯片的尺寸也将在一定程度上，影响它在空间受限环境中的使用。因此，它的商用价值在公布后也受到了一定的质疑。

然而，Cerebras最近也与美国能源部的两大实验室达成合作，率先签下商用落地的第一份合同。美国能源部将使用该芯片来加速科学、工程和健康领域的深度学习研究。

    AI芯片市场潜力巨大，正面临落地挑战  

近年来，AI芯片的风口一度火爆，许多AI芯片创企和研究室拔地而起，针对深度学习训练而研发出的新成果，也一次次地刺激着人们对AI和芯片未来发展认知的神经。

就行业来看，AI芯片的市场潜力十分庞大，一面是云端和边缘段AI芯片的火热，一面是终端AI芯片的转型和爆发，IoT、智能家居、智能手机和自动驾驶汽车等多个甚至碎片化的应用场景等待着它的“哺乳”。

深度学习应用的行业和领域是多样化的，单一架构几乎不可能主导市场。毫无疑问，未来也将涌现出更多突破性的AI芯片技术，给整个社会、行业和人们的生活带来变革性的发展。

现阶段，AI芯片的落地和商用价值也已经进入了大浪淘沙的阶段，未来谁能真正成为赢家？时间将会告诉我们答案。