人工智能芯片是人工智能开发、部署和发展的关键。这些计算机芯片是驱动和处理大规模人工智能计算的基础，并且它们正在快速发展。Gartner 预测，到 2027 年，全球 AI 芯片收入将增加一倍以上，从 2023 年预期的 530 亿美元增加到 2027 年的 1190 亿美元。

这篇入门文章将解答什么是AI芯片、在大众市场层面上有哪些功能和类型，以及它们可以支持哪些应用。

什么是AI芯片？

“芯片”是指微芯片，一种使用半导体材料在微观尺度上制造的集成电路单元。电子元件（例如晶体管）和复杂的连接被蚀刻到这种材料中，以实现电信号的流动和功率计算功能。

AI 芯片专注于为 AI 功能提供动力。AI 工作负载需要大量的处理能力，而 CPU 等通用芯片通常无法提供必要的规模。为了获得高处理能力，构建AI芯片需要利用大量更快、更小、更高效的晶体管。

从历史上看，这一直具有挑战性。但多亏了摩尔定律，该技术已经能够发展到制造商可以在芯片上安装比以往更多的晶体管的地步。这在很大程度上降低了最近人工智能的门槛。

在微芯片上添加晶体管并不是为人工智能计算提供动力的唯一方法。制造商正在设计芯片功能，以针对专门的 AI 功能进行优化。

AI芯片的特性

尽管摩尔定律支持着先进的AI芯片设计，但最终将不可能在芯片上安装更多的晶体管，即使在微观尺度上也是如此。在芯片上添加更多晶体管的成本也很高，这在大众市场上令人望而却步。因此，制造商现在专注于更有效的芯片架构，以实现类似的结果。

这就是加速器的用武之地。AI 加速器可提高芯片上 AI 工作负载的处理速度，并实现更高的可扩展性和更低的系统延迟。这些加速器是将数据快速转化为信息的关键，人工智能算法可以使用这些信息，从中学习和使用这些信息来生成更准确的输出。

加速器专注于速度，因为 AI 工作负载很复杂。理想情况下，这意味着需要并行进行大量计算，而不是连续进行计算，以获得更快的结果。专门设计的加速器功能有助于支持 AI 工作负载所需的并行性和快速计算，但晶体管数量较少。与具有AI加速器的芯片相比，常规微芯片需要更多的晶体管才能完成相同的AI工作负载。

在AI芯片设计中，这种对更快数据处理的关注应该是数据中心所熟悉的。这一切都是为了促进数据进出内存，提高数据密集型工作负载的效率，并支持更好的资源利用率。这种方法会影响 AI 芯片的每个功能，从处理单元和控制器到 I/O 模块和互连结构。

AI优化特性是AI芯片设计的关键，也是加速AI功能的基础，避免安装更多晶体管的需求和成本。

AI芯片的类型及其特征

AI 功能可以内置到多种微芯片中，但某些类型的芯片非常适合不同的 AI 用途。这些是最常见的 AI 芯片类型，从通用芯片转向更专业的芯片：

• CPU。这些是通用芯片，通常用于执行顺序任务。CPU 可以处理更简单的 AI 工作负载，但与更专业的芯片相比，它们的处理性能往往会迅速下降。
• GPU。这些也是通用芯片，但通常用于执行并行处理任务。GPU 最初设计用于同时执行多个复杂的图形计算，以显示视频游戏的视觉效果。这种对并行处理的关注几乎完美地从图形转化为 AI 计算，并使 GPU 成为训练 AI 算法的首选芯片之一。
• 现场可编程门阵列（FPGA）。这些是基于可编程逻辑块的芯片。这些模块可以通过多种方式互连以执行复杂的功能。与GPU一样，它们可以支持并行处理。但与 CPU 和 GPU 不同的是，它们不是通用的。FPGA 通常针对特定功能进行编程，但可以根据需要重新编程。
• 专用集成电路 （ASIC）。这些不是通用芯片。它们是为支持特定应用而定制和构建。ASIC是基于FPGA实现的，因此它们提供类似的计算能力，但用户无法对其进行重新编程。谷歌的Tensor Processing Unit是ASIC的一个示例，它是为加速 ML 工作负载而定制开发。

其他芯片正在开发中，基于更具体的用途。例如，云和边缘 AI 芯片在云服务器或边缘设备（例如手机、笔记本电脑或物联网设备）上处理推理。这些产品专为平衡成本以及为云和边缘应用中的 AI 计算提供支持而构建。

AI芯片的应用

AI芯片可以大大提高AI、ML和深度学习算法的训练和提炼速度，这对于加快ChatGPT等大型语言模型和其他生成式AI功能的开发特别有用。从聊天机器人等人工智能助手到硬件自动化，这些应用遍布各行各业。

人工智能芯片可以大规模地支持更高效的数据处理。这可以帮助数据中心更高效地运行具有更高复杂性的扩展工作负载。在数据中心等数据密集型环境中，人工智能芯片将是改善和促进数据移动、提高数据可用性和推动数据驱动解决方案的关键。因此，数据中心可以使用更少的能源，同时仍能实现更高水平的性能。

随着人工智能芯片的快速发展，数据中心经理和管理员应随时了解新芯片的推出和发布。这样做将帮助他们确保其企业能够大规模满足其数据密集型处理需求。