基于芯片中的一些知识
AI芯片的分类
Context的理解
CPU GPU ASIC FPGA
AI芯片按应用场景分类
- 服务器端(云端)
- 移动端(终端)
算力-AI芯片的性能
浮点运算或定点运算时的每秒的运算次数
峰值性能或平均性能等
灵活性:对不同场景的适应程度
同构性:大量部署时,能不能利用现有的软硬件基础设施架构
功耗:该芯片对数据中心带来的额外功耗负担
成本:钱和时间,投入的人力和物力(研发成本和部署运维成本)
昇腾AI芯片
推动人工智能发展的三个推动力:
- 大数据积聚
- 算法革新
- 算力提升
昇腾310 针对推理应用
昇腾910 针对训练应用
自研的达芬奇架构:
- 能执行标量/向量和张量三种基础的运算
昇腾AI处理器架构的编程
硬件架构 软件栈 生态系统
M1
芯片设计的三个原则,对PPA进行优化:
- POWER 功耗
- PERFORMANCE 性能
- AERA 面积
没有完美的设计,只有完美的平衡
- 5纳米的芯片制造工艺
- 架构升级
- 生态系统
FPGA
FPGA的三个发展阶段:
- 发明阶段
- 扩张阶段
- 累积阶段
无晶圆厂模式: 只进行芯片的电路设计 再交由芯片代工厂进行制造 这样可以专注于芯片设计和销售 世界上绝大部分的芯片公司都采用这种模式 主要的芯片代工厂:台积电/中芯国际/三星电子等
FPGA也是一种芯片,不同之处是,制造出来以后,可以通过编程来改变自身的逻辑功能.过程可重复进行.
固定开发工具和开发环境.
ASIC 专用集成电路 专用集成电路是为特定用户或特定应用场景设计和制造的集成电路.
FPGA开发 用的是芯片公司的EDA集成工具
xilinx使用的vivado/ISE
FPGA底部是门电路,可以验证芯片设计的逻辑正确性.一般芯片设计阶段会用这个验证;但是FPGA时钟主频低,跑不快
一般设计需求转化很快的可能会使用FPGA,而固定逻辑的一般使用ASIC
FPGA地位很尴尬 通用性不如GPU 速度不如ASIC 功耗也没有明显优势
当时AI加速芯片还没有起来,微软利用FPGA搭载己方的数据中心
目前也就只有微软 百度 亚马逊在有限场景用了FPGA
FPGA开发极其不友好 是一个asic部署的过渡阶段
业内目前的主流也是使用Xavier这种异构的类GPU产品
cpu + asic目前没有落地的迹象 感觉还是GPU靠谱
有后期需要再补充