智能時代就要到來，芯片市場格局一變再變。兩個典型例子：引領處理器市場 40 多年的英特爾 2015 年底收購完 Altera，今年 4 月就宣布計劃裁員 1.2 萬;另一方面，GPU 巨頭英偉達今年 3 月推出加速人工智能和深度學習的芯片 Tesla P100，投入研發經費超過 20 億美元，據《華爾街日報》報道，今年 5 月英偉達售出的 GPU 比去年同月增長 62%，公司當前市值 240 億美元。

深度學習應用大量涌現使超級計算機的架構逐漸向深度學習應用優化，從傳統 CPU 為主 GPU 為輔的英特爾處理器變為 GPU 為主 CPU 為輔的結構。不過，未來相當長一段時間內，計算系統仍將保持 CPU + 協處理器的混合架構。但是，在協處理市場，隨著人工智能尤其是機器學習應用大量涌現，芯片廠商紛紛完善產品、推出新品，都想成為智能時代協處理器的領跑者——但問題是，誰會擔當這個角色呢?

TPU：始于谷歌，終于谷歌

要說新的芯片，首先不得不提谷歌在剛剛結束的 I/O 大會上披露的 TPU。

有輿論稱，谷歌自己打造芯片，勢必對芯片制造商產生巨大影響。確實，面向機器學習專用的處理器是芯片行業的發展趨勢，而且未來其他大公司也很有可能組建芯片團隊，設計自己專用的芯片。

TPU 團隊主要負責人、計算機體系結構領域大牛 Norm Jouppi 介紹，TPU 專為谷歌 TensorFlow 等機器學習應用打造，能夠降低運算精度，在相同時間內處理更復雜、更強大的機器學習模型并將其更快投入使用。 Jouppi 表示，谷歌早在 2013 年就開始秘密研發 TPU，并且在一年前將其應用于谷歌的數據中心。TPU 從測試到量產只用了 22 天，其性能把人工智能技術往前推進了差不多 7 年，相當于摩爾定律 3 代的時間。

有媒體評論稱 TPU 不僅為谷歌帶來了巨大的人工智能優勢，也對市面上已有的芯片產品構成了威脅。

這后半句話值得商榷。GPU 巨頭、英偉達 CEO 黃仁勛日前告訴《華爾街日報》，兩年前谷歌就意識到 GPU 更適合訓練，而不善于做訓練后的分析決策。由此可知，谷歌打造 TPU 的動機只是想要一款更適合做分析決策的芯片。這一點在谷歌的官方聲明里也得到了印證：TPU 只在特定機器學習應用中作輔助使用，公司將繼續使用其他廠商制造的 CPU 和 GPU。

谷歌云服務副總裁 Diane Greene 也表示，谷歌并沒有對外銷售 TPU 的打算——拋開 TPU 本來就是為了谷歌自己設計的這個事實以外，谷歌對外銷售芯片的可能性很低，就像 Facebook 主張全球提供免費互聯網，也并不是自己要做運營商。

因此，TPU 再好，也僅適用于谷歌，而且還是用于輔助 CPU 和 GPU。

TrueNorth 坐山觀虎斗?

第二個要說的是 IBM TrueNorth。IBM 在 2014 年研發出脈沖神經網絡芯片 TrueNorth，走的是“類腦計算”的路線。類腦計算的假設是，相似的結構可能會實現相似的功能，所以類腦計算研究者使用神經形態器件制造與人腦神經網絡相似的電子神經網絡，希望后者具有與人腦類似的功能，并進一步反過來理解人類智能。

TrueNorth 一張郵票大小，有 54 億個晶體管，構成的神經元陣列包含 100 萬個數字神經元，這些神經元之間又通過 2.56 億個電突觸彼此通信。由于采用了異步架構，TrueNorth 的能耗很低，54 億個晶體管僅用 70 毫瓦;而且，只有在特定神經元被開啟并和其他神經元通信時才會產生能耗。TrueNorth 設計師 Filipp Akopyan 表示，TrueNorth 的目標是 Edge-of-the-Net 和大數據解決方案，所以必須要能夠用超低功耗實時處理大量數據。

在此基礎上，2016年 4 月 IBM 推出了用于深度學習的類腦超級計算平臺 IBM TrueNorth，含 16 個 TrueNorth 芯片，處理能力相當于 1600 萬個神經元和 40 億個神經鍵，消耗的能量只需 2.5 瓦。

將低能耗芯片用于深度學習無疑是一大重舉，美國 LLNL 數據科學副主任 Jim Brase 表示，類腦計算與未來高性能計算和模擬發展趨勢一致。但是，新智元芯片群的幾位專家討論后一致認為，TrueNorth 雖然與人腦某些結構和機理較為接近，但智能算法的精度或效果有待進一步提高，離大規模商業應用還有一段距離。

因此，未來 10 年芯片市場群雄逐鹿，TrueNorth 大概不會有亮相的機會。

寒武紀：中國的智能芯片