|
人工智能芯片（AI chips）采用特定的架構構建，并集成了AI加速，以支持基于深度學習（DL）的應用，包括專用集成電路(ASICs)、現場可編程門陣列(FPGAs)、中央處理器(CPU)和圖形處理器。
深度學習（DL）更通常被稱為主動神經網絡(ANN)或深度神經網絡(DNN)，是機器學習（ML）的一個子集，屬于AI的更廣泛的范圍。它結合了一系列刺激活動和大腦結構的計算機命令或算法。
dnn經歷一個訓練階段，從現有數據中學習新的能力。然后，DNNs可以通過應用在深度學習訓練中學習到的這些能力來進行推理，以針對以前從未見過的數據進行預測。深度學習可以讓收集、分析和解釋大量數據的過程變得更快、更容易。
傳統芯片和AI芯片的區別
傳統芯片包含處理器內核和內存，執行計算任務時，它們不斷地在兩個硬件組件之間移動命令和數據。然而，這些芯片對于AI應用來說并不理想，因為它們無法處理具有大量數據的AI工作負載的更高計算需求，雖然一些更高端的傳統芯片可能能夠處理某些AI應用。
AI芯片通常包含處理器核心，以及幾個AI優化的核心(取決于芯片的規模)，這些核心旨在執行計算任務時協調工作。由于與旨在處理非AI應用的其他處理器內核緊密集成，AI內核針對具有低延遲推理的異構企業級AI工作負載的需求進行了優化。
從本質上講，AI芯片重新想象了傳統芯片的架構，使智能設備能夠以最低的功耗實時執行復雜的深度學習任務，如對象檢測和分割。
AI芯片應用
半導體公司為大量智能機器和設備開發了各種專業的AI芯片，其中包括據說可以為邊緣設備提供數據中心級計算機性能的芯片。
其中，一些芯片支持車載計算機更有效地運行最先進的AI應用程序。AI芯片也在推動可穿戴電子產品、無人機和機器人中的計算成像應用。此外，由于對聊天機器人和在線渠道(如Messenger、Slack等)的需求增加，AI芯片在NLP(自然語言處理)應用中的使用也有所增加。他們使用NLP來分析用戶信息和對話邏輯。
此外，還有一些芯片制造商制造了具有片上硬件加速功能的AI處理器，旨在幫助客戶在銀行、金融、貿易、保險應用和客戶互動等領域實現大規模商業洞察。
隨著AI在不同工作負載中變得無處不在，擁有一個包括支持主要深度學習框架的專用推理加速器將允許公司利用其數據的全部潛力。（Donna Zhang，張底剪報）
|
