寒武纪带头引燃AI“芯”战火！十大国产芯片同台竞技“硬刚”国际大厂

　　11月14日，在正在进行的深圳高交会上，国内AI芯片巨头寒武纪发布了边缘端AI芯片“思元220”和思元220-M.2边缘加速卡。据了解，思元220是一款专门用于深度学习的SoC边缘加速芯片，采用台积电16nm工艺，基于寒武纪全新的MLUv02架构，峰值算力达到32TOPS(INT4)，在算力方面甚至超越了英伟达上周发布的系统级模块Jetson Xavier，且功耗仅为10W。这也让人不禁感叹，中国AI芯片正在从追赶实现超越。

　　(图片来源于网络)

　　据不完全统计，截止目前，国内已有超过 20 家企业投入到 AI 芯片的研发中来，当然也有更多新兴创业公司也都想蹭一蹭AI芯片的热度。但在竞争日趋激烈的AI芯片市场，只有不断的刷新自己的产品线，打造更强力的芯片才有机会赢得市场。

　　而寒武纪此次推出的思元220，显然是再次填补了自家产品链上的缺口。至此，寒武纪已经完成了覆盖云端(思元100、思元270)、边缘端(思元220)、终端(1A、1H、1M处理器IP)，即云边终的使命。不过，本土AI芯片市场并不乏有实力的玩家。寒武纪思元220之后，国内还有哪些更值得关注的AI芯片呢?

　　1.地平线：旭日二代

　　与寒武纪同为AI独角兽企业的地平线，在上月刚刚发布了同样用于边缘计算的AI芯片旭日二代。旭日二代集成了地平线第二代BPU架构(伯努利架构)，典型算法模型的算力利用率大于90%，加上地平线自家的高效算法，每TOPS算力可以处理的图像帧数高于同样标称4T算力的AI芯片，并且是同等算力GPU的10倍。

　　规格方面，旭日二代采用28nm工艺，因为面向AIoT应用，其设计功耗仅为2W。当然算力从纸面数据上看4TOPS并不算太高，但考虑到其低功耗和28nm制程带来的成本优势，旭日二代在AIoT领域有很大机会去开辟出属于自己的市场空间。

　　2.华为：昇腾(Ascend)310

　　去年10月份发布的昇腾310采用了华为AI芯片中统一使用的达芬奇架构，而统一架构的优势在于对开发者非常友好。据编者了解，在AI芯片中统一使用达芬奇架构后，开发者在面对云端、边缘端、侧端等不同芯片的应用开发时只需要进行一次算子开发和调试，即可应用于不同平台，大幅度降低了迁移成本。

　　从规格上看，昇腾310兼顾了AI算力提升与能效平衡，采用12nmFFC工艺，在最大功耗8W的条件下，可以达到16TOPS(INT8), 8TOPS(FP16)的性能。另一方面，华为在软件层面上对开发者的支持可能是最大的优势，除了上述提及的统一架构带来的优势外，华为还为其推出了高效灵活的自定义指令集，面向张量和向量计算进行设计，能够充分发挥出3D Cube的性能优势，提高各计算单元的利用率，并有效解决目前在AI应用中出现的能效比等普适性问题。而从产业的角度来看，开发成本的大幅降低可以有效推动AI应用的落地发展。

　　3.紫光展锐：虎贲T710

　　与前面的芯片都面向较为单一的使用场景不同，紫光展锐今年8月推出的高性能AI边缘计算平台虎贲T710一开始就面向日渐复杂的应用场景，以及应对不断增长的算力需求。

　　据了解，虎贲710采用了异构双核架构NPU 和8核CPU架构，搭载了4颗2.0GHz的Arm Cortex-A75和4颗1.8GHz的Arm Cortex-A55，以及800MHz的IMG PowerVR GM 9446图形处理器。同时，为了应对各种不同AI应用的需求，虎贲T710还包含了 CPU、GPU、NPU、ISP、VDSP等处理单元。除了支持多种AI训练框架外，还支持多种AI模型量化方式和Android NN，拥有紫光展锐自研SDK，便于第三方应用程序能更高效地部署AI功能。此外，虎贲T710还整合了多媒体和无线通信能力，例如4K@30fps编解码、802.11AC、BT 5.0等功能。

　　4. 嘉楠科技：勘智K210

　　低功率和高性能并存从来都是一个伪命题，两者不得兼容。出于对低功率的要求，目前大多数AI芯片公司的解决办法是通过叠加模块来提升算力，例如在芯片中加入NPU来弥补AI算力的不足等。不过也有部分厂商另辟蹊径，从指令集的角度入手提升芯片算力，嘉楠科技的勘智K210就是其中之一。

　　勘智K210中内置的FPU双核64位处理器采用了精简指令集RISC-V，使其自身功耗仅为0.3W，即使搭载摄像头等外部设备，功耗仍能够维持在1W左右。算力方面，在0.3W的条件下，勘智K210可提供1TOPS的算力，超过3TOPS/W的效率，能很好地适应各种超低功耗应用下的需求。

　　5.比特大陆：BM1880

　　与嘉楠科技相似，在当年比特币挖矿热时，依靠矿机研发崛起的比特大陆，也同样走向了AI芯片之路。在去年10月，比特大陆推出的AI芯片BM1880，是比特大陆首款面向边缘端计算的低功耗AI协处理器BM1880，采用28nm工艺，Arm A53双核架构以及RISC-V指令集CPU，其典型功耗2W，int 8精度算力能够达到1 TOPS，在Winograd卷积加速下，这一数值可以达到2 TOPS，支持CNN/RNN/DNN等。

　　6.平头哥：含光800

　　阿里平头哥在今年表现得相当活跃，7月份发布了基于RISC-V的处理器IP核“玄铁910”;8月，平头哥又发布SoC芯片设计平台“无剑”，但还没有一款芯片产品诞生。终于在9月，平头哥发布了自家首款AI芯片“含光800”。

　　据达摩院介绍，在业界标准的ResNet-50测试中，含光800推理性能达到78563 IPS，比目前业界最好的AI芯片性能高4倍;能效比500 IPS/W，是第二名的3.3倍。在11月7日，阿里巴巴平头哥的AI芯片含光800在MLPerf基准联盟公布的Resnet50基准测试结果中，击败了谷歌TPU v3、英伟达T4和英特尔CLX 9282等获得单芯片性能第一。不过阿里并没有将这款处理器投入到市场上，而是将其用于阿里生态中，在云端与终端更好的结合，突出软硬结合的优势，并以无剑平台为核心，为企业提供普惠算力。

　　7.云天励飞：DeepEye1000

　　与寒武纪类似，云天初芯也在今年的高交会期间，正式发布了DeepEye1000芯片。DeepEye100专注边缘和端侧视觉应用，采用22nm工艺，基于多核异构并行计算架构设计，内置四核神经网络处理器，可支持INT16 / INT12 / INT8混合精度量化数据，采用存算融合体系架构和可重构计算阵列，可以灵活、高效的执行各种深度学习算法模型的推理计算，峰值算力达2.0Tops。

　　其中，DeepEye1000神经网络处理器由云天励飞自主研发，深度定制指令集，定制指令多达160条以上，支持主流神经网络模型。神经网络处理器采用可重构计算阵列，支持灵活可编程计算流，计算效率超过99%。另外，DeepEye1000还支持H.264和H.265解码，可支持4K@30fps视频、4路高清视频并行的实时分析。

　　8.天数智芯：Iluvatar CoreX I

　　作为天数智芯的首款边缘端AI推理芯片，Iluvatar CoreX I采用16nm制程工艺，基于32核并行数据流和图计算的CNN优化架构，支持检测、分类、识别等视觉智能算法，支持主流深度学习框架，能效比达到1 TFLOPS/W-0.2 TFLOPS/mm2，可支持实现超高能效比的边缘计算加速。同时支持FP16精度，单芯片算力达4.8TFLOPS，物体检测可达1000fps，支持TensorFlow框架原生兼容、客户开发环境无痛迁移，提供高性价比的消费级方案和高稳定性的工业级方案，面向行业用户提供端到端解决方案，面向开发用户提供软硬结合开发环境。

　　9.依图科技：求索(QuestCore)芯片

　　依图在今年5月份推出的“求索”是全球首款深度学习云端定制 SoC 芯片，定位服务器芯片/云端 AI 芯，可独立使用，将与依图的智能视觉分析软件结合，作为软硬件一体化的解决方案，适用于加速各类视觉推理任务，比如交通运输、公共安全、智慧医疗和智慧零售等行业，尤其是对云端智能视频实时分析等应用具有强需求的企业环境。

　　在能效上，“求索”峰值性能达到 11.2T(深度学习推理运算)，功耗 20W，摄像头单路功耗仅为英伟达 GPU P4 的 30%，同等功耗下，深度学习推理运算性能是市面同类产品的 2~5 倍。这款产品也支持 TensorFlow、PyTorch 等各类深度学习框架，适用于加速各类视觉推理任务，最高 50 路 FHD 视频流硬件解码，另外还支持虚拟化、容器化，可将 AI 云的弹性计算和调度提升一个量级。

　　10.百度：昆仑

　　百度的“昆仑”是中国第一款云端全功能AI芯片，其中包含训练芯片昆仑818-300，推理芯片昆仑818-100，主要面向AI大规模运算需求，这是目前为止业内设计算力最高的AI芯片。

　　而在参数方面，“昆仑”采用了14nm工艺，拥有260Tops性能，512GB/s内存带宽，功耗仅为100+W。昆仑AI芯片具有高效、低成本和易用三大特征，其针对语音、NLP、图像等专门优化，同等性能下成本降低10倍，支持paddle等多个深度学习框架、编程灵活度高、灵活支持训练和预测。与含光800类似的是，百度表示将使用昆仑芯片，通过“百度昆仑云服务器”为用户提供强大的云算力。但截至目前，“昆仑”并没有任何量产的消息。

　　小结：

　　综上，国产AI芯片如今已走上高速发展的快车道，性能和技术上的不断刷新，也让一众本土AI芯片玩家站上了更高的舞台，与国外如英伟达、英特尔这样的老牌芯片巨头们同台竞技。虽然从某些参数上来看，国产AI芯片已经有很大的进步且能媲美国际大厂的产品，但长远来看，本土AI芯片企业想要从追赶实现超越，还有一段路要走。

　　毕竟，并不是所有初创公司都能够像互联网巨头一般，有着充足的资金支持、完善的生态以及他们自身业务、应用等对于芯片的需求。对于国内AI创企们而言，目前的要做的不仅是从纸面数据上对芯片性能进行提高，更重要的是找到合适的应用领域，融入合适的生态圈，尽快取得落地应用并推广才是当务之急。

本文为华强电子网原创，版权所有，转载需注明出处

关注电子行业精彩资讯，关注华强资讯官方微信，精华内容抢鲜读，还有机会获赠全年杂志

关注方法：添加好友→搜索“华强微电子”→关注

或微信“扫一扫”二维码