具備大算力又低功耗的高能效比芯片，正是當下市場中所“缺失”的版圖。

AI應用版圖不斷擴大，算力需求缺口猶在

依據艾瑞咨詢所統計的數據，預計到2022年，國內AI賦能實體經濟的市場規模將達到1573億，約是2018年的6.3倍，足以可見AI應用落地的速度之快、范圍之廣。

而在應用增長的背后，我們看到的是市場對于AI算力需求的增長。

此前OpenAI曾發布一份報告，提到自2012年至2018年，AI算力需求在6年期間增長了30萬倍，3.5個月就會翻一倍，遠遠快過摩爾定律“18個月”的周期。

隨著5G商用和云計算需求的迅猛增長，物聯網得以快速發展，更是引發了新的算力需求。

目前智能計算芯片的市場規模有多大？僅從賽道玩家的角度來看，除了英特爾、AMD等傳統芯片企業，包括Facebook、亞馬遜、谷歌以及國內的BAT等互聯網科技企業也正在不斷涌入，另外還有數量更為龐大的初創企業。

而大算力帶來的過高功耗，使得大量場景無法普及應用。場景對于“能效比”越來越敏感，致使“大算力又低功耗的高能效比芯片”的市場呼聲也越來越高漲。

高能效比芯片的背后：大算力與低功耗是相悖命題

觀察市場上的智能計算芯片公司，可以看到他們也一直探尋大算力、低功耗的智能芯片解決方案。然而大算力與低功耗就存在性而言，一直都是相悖的。

就具體產品而言，有的廠商會選擇做專用芯片，但這也意味著通用性差，應用場景受限。有的廠商主打芯片低功耗，但是算力往往不盡人意，不能滿足大場景需求。

目前智能計算芯片廠商大多采用優化芯片制程工藝（7nm、5nm、3nm等），來提升芯片性能。但在摩爾定律下，晶體管微縮越來越難，面臨各種物理極限挑戰，3nm被公認為已經達到摩爾定律的物理極限。提升算力兼具降低功耗這條路已經越走越艱難。

大算力、低功耗如何實現質的飛躍？廠商們在想辦法

當前芯片主要采用馮·諾依曼架構，存儲和計算物理上是分離的。有數據顯示，過去二十年，處理器性能以每年大約55%的速度提升，內存性能的提升速度每年只有10%左右。結果長期下來，不均衡的發展速度造成了當前的存儲速度嚴重滯后于處理器的計算速度，出現了“存儲墻”問題，最終導致芯片性能難以跟上需求。

英偉達提出的“黃氏定律”，預測GPU將推動AI性能實現逐年翻倍，采用新技術協調并控制通過設備的信息流，最大限度減少數據傳輸，來避免“存儲墻”問題。

不同于英偉達的做法，還有一部分芯片玩家將突破點放在馮·諾依曼架構上，比如近期完成天使輪融資的南京后摩智能科技有限公司。

他們打破傳統的馮·諾依曼架構，創新計算范式，基于全球領先的存算一體技術和存儲工藝，突破智能計算性能及功耗瓶頸，可將芯片每瓦功耗的算力提升5-10倍。正如阿里達摩院在發布的技術報告所言，AI的出現與存算一體格外匹配，這一技術也將大大改善現有的AI算力瓶頸。

另外在他們看來，全棧的團隊才能快速達成芯片產品的快速落地及商業化應用，因此，后摩智能創立之初就組建了一支由多位國際頂尖學者和芯片工業界資深專家組成的明星級創始團隊，對于GPU/CPU等高性能計算芯片及其軟件生態建設有深厚的積累。創始人吳強博士在普林斯頓大學期間博士的論文，即為高能效比計算芯片及編譯器，獲計算機體系架構頂會MICRO時年最佳論文。他先后工作于AMD、Facebook，回國后加入地平線擔任CTO，在體系架構和軟件方面積累深厚，對邊緣端和云端應用場景都有深刻理解和工程實踐。

團隊成員來自美國普林斯頓大學、美國Penn State大學、新加坡國立大學、加州大學、清華大學、北京大學、電子科技大學等國內外知名高校和AMD、Nvidia、華為海思等一線芯片企業，他們既有業內領先的全棧的存算一體技術，又有大算力芯片量產經驗，他們有能力做出產品級高能效比芯片。

此前，GSMA Intelligence發布報告稱，到2025年，全球將有13億5G設備連接入網，這一可預見的現實正逼迫著芯片向著大算力、低功耗、低時延的方向進行升級，帶動云計算平臺和邊緣端設備的智能升級。

此時，真正提高能效比，實現芯片的大算力、低功耗，并普及開來，已然成為芯片領域，尤其是智能計算領域一個新制高點。
責任編輯:tzh