深度學習全稱深度神經網絡，本質上是多層次的人工神經網絡算法，即模仿人腦的神經網絡，從最基本的單元上模擬了人類大腦的運行機制。近年來，其所取得的前所未有的突破掀起了人工智能新一輪的發(fā)展熱潮。

最早的神經網絡的思想起源于1943年的MCP人工神經元模型，當時是希望能夠用計算機來模擬人的神經元反應的過程，但直到最近，它才真正讓人工智能火起來。主要原因在于：算法的突破、數(shù)據(jù)量的激增和計算機能力／成本的下降。其中計算能力的提升的作為人工智能實現(xiàn)的物理基礎，對人工智能發(fā)展的意義不言而喻。

本文我們就來分析目前主流的深度學習芯片的優(yōu)缺點。

CPU不適合深度學習

深度學習與傳統(tǒng)計算模式最大的區(qū)別就是不需要編程，它是從輸入的大量數(shù)據(jù)中自發(fā)地總結出規(guī)律，而傳統(tǒng)計算模式更多都需要人為提取所需解決問題的特征或者總結規(guī)律來進行編程。也正因為如此，深度學習對計算能力要求非常高，以至于有人將深度學習稱之為“暴力計算”。

因此，傳統(tǒng)的CPU并不適用于深度學習。

從內部結構上來看，CPU中70％晶體管都是用來構建Cache（高速緩沖存儲器）和一部分控制單元，負責邏輯運算的部分（ALU模塊）并不多?？刂茊卧饶K的存在都是為了保證指令能夠一條接一條的有序執(zhí)行。

這種通用性結構對于傳統(tǒng)的編程計算模式非常適合，但對于并不需要太多的程序指令，卻需要海量數(shù)據(jù)運算的深度學習的計算需求，這種結構就顯得有心無力了。

GPU，深度學習主流芯片

與CPU少量的邏輯運算單元相比，GPU整個就是一個龐大的計算矩陣，GPU具有數(shù)以千計的計算核心、可實現(xiàn)10－100倍應用吞吐量，而且它還支持對深度學習至關重要的并行計算能力，可以比傳統(tǒng)處理器更加快速，大大加快了訓練過程。GPU是目前最普遍采用的深度學習運算單元之一。

目前，谷歌、Facebook、微軟、Twitter和百度等互聯(lián)網巨頭，都在使用GPU作為其深度學習載體，讓服務器學習海量的照片、視頻、聲音文檔，以及社交媒體上的信息，來改善搜索和自動化照片標記等各種各樣的軟件功能。而某些汽車制造商也在利用這項技術開發(fā)無人駕駛汽車。

不過，由于GPU的設計初衷是為了應對圖像處理中需要大規(guī)模并行計算。因此，根據(jù)樂晴智庫介紹，其在應用于深度學習算法時有數(shù)個方面的局限性：

第一，應用過程中無法充分發(fā)揮并行計算優(yōu)勢。深度學習包含訓練和應用兩個計算環(huán)節(jié)，GPU在深度學習算法訓練上非常高效，但在應用時一次性只能對于一張輸入圖像進行處理，并行度的優(yōu)勢不能完全發(fā)揮。

第二，硬件結構固定不具備可編程性。深度學習算法還未完全穩(wěn)定，若深度學習算法發(fā)生大的變化，GPU無法靈活的配置硬件結構。

另外，在能耗上面，雖然GPU要好于CPU，但其能耗仍舊很大。

備受看好的FPGA

FPGA，即現(xiàn)場可編輯門陣列，是一種新型的可編程邏輯器件，由于其具有靜態(tài)可重復編程和動態(tài)在系統(tǒng)重構的特性，使得硬件的功能可以像軟件一樣通過編程來修改。

FPGA作為人工智能深度學習方面的計算工具，主要原因就在于其本身特性：可編程專用性，高性能，低功耗。

北京大學與加州大學的一個關于FPGA加速深度學習算法的合作研究。展示了FPGA與CPU在執(zhí)行深度學習算法時的耗時對比。在運行一次迭代時，使用CPU耗時375毫秒，而使用FPGA只耗時21毫秒，取得了18倍左右的加速比。

根據(jù)瑞士蘇黎世聯(lián)邦理工學院（ETHZurich）研究發(fā)現(xiàn)，基于FPGA的應用加速比CPU／GPU方案，單位功耗性能可提升25倍，而時延則縮短了50到75倍，與此同時還能實現(xiàn)出色的I／O集成。而微軟的研究也表明，F(xiàn)PGA的單位功耗性能是GPU的10倍以上，由多個FPGA組成的集群能達到GPU的圖像處理能力并保持低功耗的特點。

根據(jù)英特爾預計，到2020年，將有1／3的云數(shù)據(jù)中心節(jié)點采用FPGA技術。

不可估量的ASIC

ASIC（Application Specific Integrated Circuits，專用集成電路），是指應特定用戶要求或特定電子系統(tǒng)的需要而設計、制造的集成電路。ASIC用于專門的任務，比如去除噪聲的電路，播放視頻的電路，但是ASIC明顯的短板是不可更改任務。但與通用集成電路相比，具有以下幾個方面的優(yōu)越性：體積更小、功耗更低、可靠性提高、性能提高、保密性增強、成本降低。

從算力上來說，ASIC產品的計算能力是GK210的2．5倍。功耗上，ASIC功耗做到了GK210的1／15。

當然ASIC是能效最高的，但目前，都在早期階段，算法變化各異。想搞一款通用的ASIC適配多種場景，還是有很多路需要走的。但從比特幣挖礦機經歷的從CPU、GPU、FPGA到最后ASIC的四個階段來推論，ASIC將是人工智能發(fā)展的重要趨勢之一。另外，在通信領域，F(xiàn)PGA曾經也是風靡一時，但是隨著ASIC的不斷發(fā)展和蠶食，F(xiàn)PGA的份額和市場空間已經岌岌可危。

據(jù)了解，谷歌最近曝光的專用于人工智能深度學習計算的TPU，其實也是一款ASIC。