人工智能（AI）市場持續(xù)升溫，但產業(yè)對于這些系統(tǒng)應如何建構仍十分分歧，大型科技公司動輒投入數(shù)十億美元購并新創(chuàng)公司或支持研發(fā)，各國政府也提供大學和研究機構大筆研究經(jīng)費，希望在這波AI競賽中脫穎而出。

據(jù)SemiconductorEngineering報導，研究機構Tractica的數(shù)據(jù)顯示，全球AI市場規(guī)模將在2025年成長至368億美元，只不過目前對于AI的定義或是需要分析的數(shù)據(jù)類型都還沒有共識，OneSpinSolutions總裁暨執(zhí)行長RaikBrinkmann指出，眼下有三個問題需要解決，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，第三則是移動大量數(shù)據(jù)導致的耗能問題。

目前市場首批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)新的設計，最后誰能勝出仍不明朗。無論如何，這些系統(tǒng)仍需有至少一個CPU負責控制，但可能需要不同類型的協(xié)同處理器。

AI處理多牽涉到矩陣乘法和加法，使用并行運作的GPU成本較低，但缺點是耗能較高。內建DSP區(qū)塊和本地存儲器的FPGA可獲得較佳的能源效率，但價格比較昂貴。MentorGraphics董事長暨執(zhí)行長WallyRhines表示，有些人使用標準GPU執(zhí)行深度學習，同時也有許多人采用CPU，為了達到使類神經(jīng)網(wǎng)路行為更像人腦的目標，刺激了新的一波設計浪潮。

視覺處理是目前最受關注的AI區(qū)塊，目前大部分的AI研究與自動駕駛使用的視覺處理有關，這項技術在無人機和機器人方面的應用也與日俱增。Achronix公司總裁暨執(zhí)行長RobertBlake指出，影像處理的運算復雜度很高，市場需要5~10年時間沉淀，不過因為變數(shù)精度（variableprecisionarithmetic）運算需要，可程式邏輯元件的角色會更吃重。

FPGA非常適合矩陣乘法，可程式化特性增加了設計上的彈性，用來做決策的數(shù)據(jù)部分會在本地處理，部分則由數(shù)據(jù)中心進行，但兩者的比例會因應用的不同而改變，并影響AI芯片和軟件設計。

目前汽車使用的AI技術主要是偵測和避免物體，這和真正的人工智能還有段差距。真正的AI應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)處理和預編程行為得來，后者則能夠作出價值判斷，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建安全機制，此外還必須能保護數(shù)據(jù)安全，許多根據(jù)現(xiàn)成零件開發(fā)的設計很難兼顧運算和編程效率。Google試圖以專為機器學習開發(fā)的TPU特殊應用芯片改變這樣的方程式，并開放TensorFlow平臺以加快AI發(fā)展速度。

第一代AI芯片將重點放在運算能力和異質性，但這就像早期的IoT裝置，在不確定市場如何演變的情況下，業(yè)者只好把所有東西都加進去，之后再找出瓶頸，針對特定功能設計，取得功率和性能上的平衡。

隨著自駕車使用案例的增加，AI應用范圍也會逐漸擴大，這也是為何英特爾在2016年8月收購Nervana的原因。Nervana開發(fā)的2.5D深度學習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器，希望比GPU解決方案縮短100倍的深度學習模型訓練時間。

量子運算則是AI系統(tǒng)的另一個選擇。IBM研究部門副總裁DarioGil解釋，如果4張卡片中有3張藍卡1張紅卡，使用傳統(tǒng)運算猜中紅卡的機率為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并沒有所謂最適合的單一系統(tǒng)，也沒有一種應用可以吃遍各種市場，這些進一步的細分市場都需要再精致化、再擴大尋找可用工具，并需要生態(tài)系統(tǒng)來支持，但低功率、高吞吐量及低延遲則是AI系統(tǒng)的通用需求。半導體產業(yè)經(jīng)過多年仰賴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入新市場的方法。

更多資訊請關注工業(yè)機器人頻道