AI芯片技术架构有哪些？

AI芯片的技术架构，说到底就是芯片内部怎么设计、怎么分工，才能更好地跑深度学习这类计算任务。市面上常见的几种架构，各有各的脾气和专长。

先说说GPU架构。GPU最早是为图形渲染和游戏而生的，但它的并行计算能力实在强大，后来就被“抓”来搞深度学习。它里面塞了大量CUDA核心，适合做浮点运算和矩阵乘法。像NVIDIA的Tensor Core技术，更是把深度学习计算效率又提了一个台阶。

然后是FPGA架构。FPGA（现场可编程门阵列）的特点是“可重新配置”——你甚至可以把一个深度学习模型直接变成硬件电路，实现高度定制化的计算，功耗还低。而且，它支持不断调整电路结构，灵活性是它的王牌。

至于ASIC架构，那就是为特定应用量身定做的专用芯片。它针对某一种算法或网络结构做了极致优化，性能和能效比通常是最高的。当然，代价就是研发和生产成本高，一旦设计定型就很难改。

NPU架构，即神经网络处理器，专门为加速神经网络运算而设计。它内部有高度并行的计算单元，对卷积、矩阵乘法、张量处理这些操作做了专门优化，能高效完成推理和训练任务。

还有DSP架构，数字信号处理器。它原本在信号处理、音频处理领域广泛应用，但在AI应用中也能派上用场，通过并行计算和高速运算单元加速某些深度学习推理任务。

这几种架构各有千秋，选择哪一种全看具体需求。实际上，很多AI芯片会把多种架构混合起来，取长补短，以达成更灵活、更高效的计算。

芯片的架构是什么意思

芯片架构，通俗地说，就是芯片内部的设计蓝图——电路怎么排布、功能模块怎么搭配、数据怎么流动、控制怎么协调。它直接决定了芯片的性能、功耗和整体能力。

可以拆开来看几点：

• 功能模块：芯片架构决定了集成了哪些模块，比如CPU核心、内存控制器、输入输出接口等。不同应用场景需要不同的模块组合。
• 数据通路：数据在芯片内部怎么走、怎么处理，包括寄存器、运算单元、数据缓存这些关键结构。
• 控制单元：负责统筹指挥各个模块，比如指令解析、流水线调度、时序控制等，保证芯片按预期流程运转。
• 性能特性：时钟频率、运算能力、存储容量这些性能指标，都跟架构设计息息相关。好的架构能让芯片发挥出更高的性能。
• 能效特性：架构对功耗和能效比的影响也很大。合理的设计可以在不牺牲太多性能的前提下，把功耗压到最低。

芯片架构设计需要综合考虑应用场景、性能要求、功耗限制等多个因素。不同的架构会在不同领域各显神通，满足多样化的需求。

FPGA芯片定义及结构

FPGA全称Field-Programmable Gate Array（现场可编程门阵列），是PAL、GAL、CPLD等可编程器件的进化产物。它在专用集成电路领域属于半定制电路——既解决了全定制芯片灵活性不足的问题，又弥补了早期可编程器件门电路数量有限的短板。

一个典型的FPGA芯片主要由六个部分组成：可编程输入输出单元、基本可编程逻辑单元、完整的时钟管理模块、嵌入块式RAM、丰富的布线资源，以及内嵌的底层功能单元和专用硬件模块。目前主流的FPGA依然基于查找表（LUT）技术，但已经远远超越了早期的基本性能，还整合了常用的硬核（ASIC型）模块，比如RAM、时钟管理和DSP等。

FPGA工作原理

FPGA需要反复烧写配置，所以它的组合逻辑实现方式不能像ASIC那样靠固定与非门，而必须采用一种易于重新配置的结构。查找表恰好能满足这个要求。目前主流FPGA都采用基于SRAM工艺的查找表，也有部分军品和宇航级FPGA会用Flash或熔丝/反熔丝工艺。通过烧写文件改变查找表的内容，就能实现对FPGA的重复配置。

查找表（Look-Up-Table，LUT）本质上是一个RAM。当前FPGA多使用4输入的LUT，每个LUT可以看作一个有4位地址线的RAM。用户通过原理图或硬件描述语言描述逻辑电路后，开发软件会自动计算所有可能的结果，并把真值表写入RAM。这样，输入信号进行逻辑运算时，实际就是输入一个地址去查表，找出对应内容并输出。

可编程输入/输出单元（I/O单元）是芯片与外界电路的接口，负责完成不同电气特性下输入/输出信号的驱动与匹配。FPGA的I/O按组划分，每组可以独立支持不同的I/O标准。通过软件配置，可以适配各种电气标准、调整驱动电流大小、改变上拉/下拉电阻。如今高端FPGA的I/O口频率越来越高，借助DDR寄存器技术，甚至能支持高达2Gbps的数据速率。

CLB（可配置逻辑块）是FPGA的基本逻辑单元。不同器件中CLB的数量和特性会有差异，但每个CLB都包含一个可配置开关矩阵——通常由4或6个输入、一些多路复用器等选型电路和触发器组成。这个开关矩阵非常灵活，可以配置成组合逻辑、移位寄存器或RAM。以Xilinx的FPGA为例，每个CLB由多个（通常4个或2个）相同的Slice和附加逻辑构成。CLB不仅能实现组合逻辑和时序逻辑，还能配置成分布式RAM或分布式ROM。

自动驾驶的“芯”杀手

自动驾驶和高级驾驶辅助系统（ADAS）市场正在经历蜕变，对计算和传感器功能提出了全新的复杂需求。FPGA拥有其他芯片方案无法比拟的独特优势，成为满足这一领域不断变化需求的优良选择。本质上，FPGA一方面可以通过软件工具反复多次配置，另一方面拥有丰富的IO接口和计算单元。因此，它能根据具体应用场景，同时处理流水线并行和数据并行，天生具备计算性能高、延迟低、功耗小等优点。

高吞吐量、高能效、实时处理——这些特性正好契合自动驾驶的技术需求。高级辅助驾驶系统（ADAS）和车载体验（IVE）应用的标准演变很快，系统设计人员最关注的是出色的灵活性和更快的开发周期，同时还要维持较高的性能功耗比。可重新编程的FPGA与不断增多的汽车级产品相结合，让汽车设计师能够从容应对设计要求，在变化迅速的行业里保持领先。

适应性更强的平台

对自动驾驶芯片来说，真正的价值在于计算引擎的利用率——也就是理论性能和实际性能之间的差距。FPGA内部包含了大量的路由链路和大量小型存储单元，这些资源的组合使得设计人员可以为计算引擎创建定制化的数据馈送网络，从而获得更高的利用率。可编程逻辑为客户提供了高度的灵活性，以适应ADAS和自动驾驶等新兴应用领域不断变化的需求。接口标准的改进、算法的创新、新传感器技术的引入，所有这些都需要一个适应性强的平台——不仅能支持软件更改，还能支持硬件更改，而这正是FPGA的优势所在。

FPGA芯片还具备可扩展性。通过改变可编程逻辑的数量，并采用引脚兼容的封装，开发人员可以创建一个单一的ECU平台来承载低、中、高版本的ADAS功能包。根据实际需求，只需选择所需的最小密度芯片，就能灵活控制成本。

差异化解决方案

FPGA芯片允许开发人员创建独特的差异化处理方案，这些方案可以针对特定应用或传感器进行优化。这一点是ASSP芯片无法做到的——即使那些提供专用翻跟斗的芯片，使用方式也受限，而且基本上所有竞争对手都能买到同样的方案。举个例子，Xilinx的长期客户已经积累了只有他们自己能访问的高价值IP库，这些功能可以被公司的各种产品复用。从90nm节点开始，对于大批量汽车应用，Xilinx的芯片就极具成本效益，目前已有超过1.6亿颗Xilinx芯片在汽车行业获得应用。