作者： Emanuel TIMOR 、夏志進、Brian TOH、Tracy JIN

在人工智能芯片研究報告的第一部分中，我們分析了人工智能的驅動因素。第二部分，我們將探討由人工智能主導的對算力的需求將如何推動這些趨勢：

1）未來基于深度學習的神經網絡算法的訓練將會依賴更大量的數據集

2）這將會導致對計算性能的要求從一般應用轉向基于神經網絡的應用，即增加對高性能計算的需求

3）深度學習算法既是計算密集型的，又是內存密集型的，對處理器的性能要求極高

4）因此，一些 創業 公司研發新的人工智能優化芯片將會加速人工智能在各個領域的應用

深度學習將持續推動神經網絡算法訓練

人工智能算法的優化需要越來越多的數據集

對計算性能的要求將會從一般應用轉向基于神經網絡的應用

深度學習算法既是計算密集型的，又是內存密集型的

提高處理器的性能可以通過以下幾種方式：矩陣乘法

神經網絡的量化

圖像處理

一些新的方法專注于圖像處理和稀疏矩陣的特性，強調計算時輸入和輸出的通信

以及在內存架構中針對人工智能算法的優化和芯片的大規模并行計算能力

對芯片的選擇取決取決于應用場景：即用于訓練還是推斷，云端還是終端亦或是兩者的混合

行業巨頭正在嘗試不同的方案

延遲和場景化是邊緣計算的關鍵驅動因素

展望未來，我們更可能會看到聯合學習——一個多層次的基礎設施，學習不僅發生在云端也發生在終端

這將會推動ASIC、FPGA和其他新興類型的芯片組產量的增加

關鍵要點

完整版英文報告請關注“祥峰 投資 ”公眾號并回復“ AI芯片2 ”獲取。

文|Emanuel TIMOR 、夏志進、Brian TOH、Tracy JIN

來源|祥峰投資　?