Google AI發展采ASIC晶片途徑 亞馬遜、微軟、百度等是否跟進

日前宣布推出該公司第二代「特殊應用集成電路」(ASIC)晶片，將用於加速該公司機器學習(ML)演算處理，此即第二代機器學習專用晶片「TPU」，隨著在發展人工智慧(AI)上似乎是要以開發ASIC晶片途徑為主，其他同樣正在發展自有AI技術的亞馬遜(Amazon)、Facebook、微軟(Microsoft)、阿里巴巴、騰訊及百度是否也會跟進Google腳步，以及對當前全球AI晶片發展處領導地位的NVIDIA、超微(AMD)、英特爾(Intel)及許多希望進軍這塊領域的新創企業又會因此產生哪些影響，也成為外界關注焦點。

根據富比士(Forbes)報導，當前可用於加速機器學習訓練及深度神經網路的主要晶片技術，包括ASIC晶片、繪圖晶片(GPU)、現場可程式化邏輯閘陣列(FPGA)晶片以及中央處理器(CPU)等4種，這4類晶片技術在支援AI及機器學習上各有擅場及優劣勢，其中GPU在技術上即為ASIC技術運用在處理繪圖演算法上，差異在於ASIC晶片可提供指令集及資源庫可讓GPU進行程式化，藉此可用在處理本地儲存的資料，好比是許多平行演算法的加速器般。

基本上GPU速度非常快且相對具彈性，ASIC技術雖同樣具備處理速度很快的優勢，不過使用彈性相對較缺乏。

在開發ASIC晶片上，要設計出一款ASIC晶片所需投入的資源及努力不少，可能必須耗資高達數千萬甚或數億美元，且需要組建一支成本不低的工程師團隊，顯示投資甚鉅，且ASIC晶片還將必須不斷升級以跟上新技術及製程水平，加上ASIC晶片設計者在開發過程初期便已固定其邏輯，因此若在AI這類快速演進的領域有新想法出現，ASIC晶片將無法對此快速做出反應，反觀FPGA技術還能因此進行再程式化以執行一項全新功能。

因此，顯示ASIC技術並非現階段在AI及深度神經網絡應用領域最佳的晶片技術，但為何Google仍持續采ASIC技術發展自有AI加速訓練晶片，原因有三，分別是戰略目的、滿足自有龐大運算基礎架構需求以及Google雲端發展的重要性。

戰略目的上，Google如今已將發展AI技術列為公司發展首要項目，AI技術對該公司搜尋本業、雲端業務、自駕車發展、Google Home以及許多其他全新及既有產品線與服務來說，都有其提供強化及支援的重要性，因此Google如今希望控制自有硬體TPU加速器以及自有軟體架構TensorFlow，也不令外界感到意外。

滿足自有龐大運算基礎架構需求上，Google自有運算基礎架構堪稱全球規模最大，在此情況下意謂Google可能需要擁有自有用於AI加速的硬體平台，以及需要一定的規模來打平所需投入的ASIC晶片龐大設計成本，實際上Google也宣稱TPU晶片可省去該公司投建額外12座資料中心以用於處理AI負載的需要。

Google雲端發展重要性上，Google高層對於該公司在全球雲端運算市場上，排名仍落後於亞馬遜及微軟、屈居第三感到不滿意，在Google雲端運算部門負責人Diane Greene領導下已大舉投資雲端業務發展，未來Google可能運用Google雲端TPU的定價能力及效能表現，加上TensorFlow的受青睞程度，作為在雲端領域機器學習發展上囊括市占率的潛在顯著優勢。

至於上述同樣正積極發展自有AI技術的業者方面，即使具備打造自有加速器的實力，卻沒有任何一家業者有如Google般出現上述驅動其發展自有ASIC晶片的三大驅動力，反而有部分業者採取不同發展途徑，如百度宣布結盟NVIDIA發展其雲端、智能家庭及自駕車的AI倡議，未來也不排除設計自有AI晶片。

微軟方面，至少目前其雲端服務Azure及Bing基礎架構，已決定採用英特爾Altera FPGA晶片技術，另微軟也採用NVIDIA GPU來訓練自有神經網路。

因此報導預估，除了Google外，上述其餘6家科技大廠可能不會很快就放棄采GPU發展AI的途徑，改採ASIC晶片途徑，由於這6家業者似乎都正忙於發展機器學習模型，並投入欲發展成各類產品與服務的商品化努力上，因此若要這6家業者設計ASIC晶片及相應軟體，基於需要投入大量時間金錢，可能會導致發展資源遭分散，而無法集中於當前努力的目標上。

若真要說，NVIDIA開發的深度學習加速器(DLA)Open Source ASIC晶片，可說是循ASIC發展途徑走的案例，該ASIC晶片是NVIDIA設計至其下世代自駕車平台DrivePX的產品，藉此AI硬體開發者將能夠採用NVIDIA最新AI硬體及軟體技術，以及授權NVIDIA硬體IP作為由NVIDIA貢獻的開放源技術。

之後NVIDIA或可將此免費開放源硬體IP與軟體服務商用化。