2010 年以来， 由于大数据产业的发展， 数据量呈现爆炸性增长态势，而传统的计算架构又无法支撑深度学习的大规模并行计算需求， 于是研究界对 AI 芯片进行了新一轮的技术研发与应用研究。 AI 芯片是人工智能时代的技术核心之一，决定了平台的基础架构和发展生态。本期我们推荐清华大学的报告《 人工智能芯片研究报告 》，全面讲解人工智能芯片，系统梳理人工智能芯片的发展现状及趋势。
AI芯片基本知识及现状
从广义上讲只要能够运行人工智能算法的芯片都叫作 AI 芯片。但是通常意义上的 AI 芯片指的是针对人工智能算法做了特殊加速设计的芯片， 现阶段， 这些人工智能算法一般以深度学习算法为主，也可以包括其它机器学习算法。人工智能与深度学习的关系如图所示。
▲人工智能与深度学习
深度学习算法，通常是基于接收到的连续数值， 通过学习处理， 并输出连续数值的过程，实质上并不能完全模仿生物大脑的运作机制。 基于这一现实， 研究界还提出了SNN（Spiking Neural Network，脉冲神经网络） 模型。 作为第三代神经网络模型， SNN 更贴近生物神经网络——除了神经元和突触模型更贴近生物神经元与突触之外， SNN 还将时域信息引入了计算模型。目前基于 SNN 的 AI 芯片主要以 IBM 的 TrueNorth、 Intel 的 Loihi 以及国内的清华大学天机芯为代表。
1、AI 芯片发展历程
从图灵的论文《计算机器与智能》 和图灵测试， 到最初级的神经元模拟单元——感知机， 再到现在多达上百层的深度神经网络，人类对人工智能的探索从来就没有停止过。 上世纪八十年代，多层神经网络和反向传播算法的出现给人工智能行业点燃了新的火花。反向传播的主要创新在于能将信息输出和目标输出之间的误差通过多层网络往前一级迭代反馈，将最终的输出收敛到某一个目标范围之内。 1989 年贝尔实验室成功利用反向传播算法，在多层神经网络开发了一个手写邮编识别器。 1998 年 Yann LeCun 和 Yoshua Bengio 发表了手写识别神经网络和反向传播优化相关的论文《Gradient-based learning applied to documentrecognition》，开创了卷积神经网络的时代。
此后， 人工智能陷入了长时间的发展沉寂阶段，直到 1997年 IBM的深蓝战胜国际象棋大师和 2011年 IBM的沃森智能系统在 Jeopardy节目中胜出，人工智能才又一次为人们所关注。 2016 年 Alpha Go 击败韩国围棋九段职业选手，则标志着人工智能的又一波高潮。从基础算法、 底层硬件、 工具框架到实际应用场景， 现阶段的人工智能领域已经全面开花。
作为人工智能核心的底层硬件 AI 芯片，也同样经历了多次的起伏和波折，总体看来，AI 芯片的发展前后经历了四次大的变化，其发展历程如图所示。
