人工智能芯片市场格局 - 人工智能发展推动公司面临性能优化与未来模型适配的难题，目前市场提供针对高端手机、数据中心及边缘设备的多样化方案，包括GPU、ASIC、NPU、MPU和FPGA [1] - 云端与边缘设备存在明显区分，边缘设备涵盖手机、汽车等多样化形态，各自具有不同的散热和功耗特性 [1] - 人工智能训练主要在云端进行，而推理在边缘设备中占比较大，边缘设备更注重隐私保护、本地数据处理及响应效率 [1] 处理器架构比较 - CPU具有极高灵活性和可编程性，但并行处理能力不足，适合作为备用引擎运行通用代码 [2] - GPU功能强大且用途广泛，是数据中心首选处理器，但高功耗限制其在移动设备中的应用 [2] - NPU针对人工智能任务优化，具备低功耗和低延迟特点，适合移动和边缘设备，在性能与效率间取得平衡 [2] - DSP介于GPU和NPU之间，为人工智能及其他工作负载提供更高能效，可作为NPU的备用和卸载机制 [2] - ASIC为特定推理任务提供最高效率和性能，适合大规模部署，但缺乏灵活性且开发成本高 [2][3] 定制化芯片趋势 - 大型系统公司如谷歌、微软、亚马逊等开始涉足芯片制造，推动定制化硅发展，以满足特定功耗和软件优化需求 [4] - 高端定制芯片在移动设备中存在软件所有权维护难题，需要广泛开发者生态支持 [4] - ASIC难以适应快速变化的人工智能模型，GPU因其架构灵活性更具优势 [4] - 人工智能算法快速发展推动硬件对灵活性和适应性的需求，并行计算引擎更适合人工智能工作负载 [4] DSP与人工智能融合 - 传统DSP处理领域如音频和相机接口正被人工智能算法取代，实现更高精度和复杂功能 [6][7] - 手机中NPU可能由DSP演变而来，例如高通Hexagon DSP通过扩展成为低功耗人工智能加速器 [7] - 人工智能推动DSP角色转变，在移动领域渗透到特定处理领域如相机接口和音频处理 [6][7] FPGA应用前景 - FPGA提供算法上的灵活性和可管理性，适合不断变化的算法如稀疏度算法 [8] - 嵌入式FPGA(eFPGA)结合ASIC的低功耗和FPGA的计算能力，适合需要更新算法的场景 [8] - FPGA擅长确定性结果和宽并行处理，在信号处理类型任务中表现优异 [8] 边缘设备处理器选择 - 低功耗边缘设备通常配备MCU和NPU，运行轻量级实时操作系统如FreeRTOS或Zephyr [10] - 手机和高端设备运行完整操作系统如Linux或iOS，并配备GPU和NPU [10] - 神经形态计算作为手机人工智能处理的备选方案，可降低功耗但生态系统尚不完善 [11] 边缘计算市场趋势 - 边缘领域不存在一刀切的解决方案，应用范围从企业数据中心到移动设备不等 [12] - 市场趋势朝向更多定制化和细粒度优化发展，特定领域和工作负载需求推动多样化解决方案 [12] - 功耗、性能和面积/成本是主要考虑因素，其重要性因应用领域和供电方式而异 [12]