隨著機器學習、邊緣計算、自動駕駛的發展，大量數據處理任務的產生，使得人們對于芯片計算效率、計算能力和計能耗比都提出了很高的要求，在此背景下，ASIC得到了越來越多人的關注。

1981年3月，Sinclair公司推出了一款8位個人電腦ZX81，其中的Z80處理器則被認為是最早的ASIC原型。ASIC（Application Specific Integrated Circuit）芯片是專用集成電路，是針對用戶對特定電子系統的需求，從根級設計、制造的專有應用程序芯片，廣泛應用于人工智能設備、虛擬貨幣挖礦設備、耗材打印設備、軍事國防設備等智慧終端。在硬件層面，ASIC 芯片由基本硅材料、磷化鎵、砷化鎵、氮化鎵等材料構成。在物理結構層面，ASIC 芯片模塊通常包括 32 位微處理器、存儲器塊、網絡電路等。

01

不同的ASIC芯片

ASIC 芯片可根據終端功能不同分為 TPU 芯片、DPU 芯片和 NPU 芯片等。其中，TPU 為張量處理器，專用于機器學習。如 Google 于 2016 年 5 月研發針對 Tensorflow 平臺的可編程 AI 加速器，其內部指令集在 Tensorflow 程序變化或更新算法時可運行。DPU即Data Processing Unit，可為數據中心等計算場景提供引擎。NPU 是神經網絡處理器，在電路層模擬人類神經元和突觸，并用深度學習指令集直接處理大規模電子神經元和突觸數據。

ASIC 有全定制和半定制兩種設計方式。全定制依靠巨大的人力時間成本投入以完全自主的方式完成整個集成電路的設計流程，雖然比半定制的ASIC 更為靈活性能更好，但它的開發效率與半定制相比甚為低下。  

隨著功能模塊電路和單元庫的設計日趨成熟，半定制的ASIC 設計逐漸取代了全定制方法。設計人員可以更為輕松地直接使用預先完成的單元庫中的標準邏輯單元進行設計，或使用門陣列的方式，現在用全定制方法進行完整電路設計的情況很少出現?；跇藴蔬壿媶卧突陂T陣列是當前半定制的ASIC 設計主要采用的兩種設計方法。    

基于標準單元的方法直接從單元庫里挑選標準邏輯單元，諸如各種中小規模的集成電路單元和門級、行為級甚至系統級電路模塊，這些標準單元在進行ASIC設計使用之前已經被預先設計好并經過了嚴格的設計規則驗證，可靠性很高，半定制的設計人員可以直接從單元庫中拿來進行系統設計，使用方便。    

基于門陣列的方法是在互聯金屬層排列形成的晶體管陣列上，以全定制確定掩膜，通過掩膜之間的互相連接完成設計，這種門陣列由其突出的形式故被稱為MGA（掩膜式門陣列）。門陣列庫在相同邏輯單元版圖的基礎上，定制金屬的互連線。

ASIC 設計的流程自頂向下——“Top－Down”的設計思想通常為基于標準單元的ASIC 所采用，其設計基本流程圖所示。

02   

ASIC和CPU、FPGA等對比

ASIC和CPU、FPGA等對比CPU ：基于低延時的設計，有強單次邏輯處理能力，但面對有限功耗的大量數據處理能力有限。中央處理器 CPU 需要很強的處理不同類型數據的計算能力以及處理分支與跳轉的邏輯判斷能力，這些都使得 CPU 的內部結構異常復雜．深度學習模型需要通過大量的數據訓練才能獲得理想的效果。驟然爆發的數據洪流滿足了深度學習算法對于訓練數據量的要求，但是算法的實現還需要相應處理器極高的運算速度作為支撐。當前流行的包括 X86 和 ARM 在內的傳統 CPU 處理器架構往往需要數百甚至上千條指令才能完成一個神經元的處理，但對于并不需要太多的程序指令，卻需要海量數據運算的深度學習的計算需求，這種結構就顯得非常笨拙。尤其是在當前功耗限制下無通過提升 CPU 主頻來加快指令執行速度，這種矛盾愈發不可調和。    

GPU：較成熟生態系統，最先受益人工智能爆發。GPU 與 CPU 類似，只不過是一種專門進行圖像運算工作的微處理器。GPU 是專為執行復雜的數學和幾何計算而設計的，這些計算是圖形渲染所必需的。GPU 在浮點運算、并行計算等部分計算方面可以提供數十倍乃至于上百倍于 CPU 的性能。但其有三個方面的局限性：1．應用過程中無法充分發揮并行計算優勢。2．硬件結構固定不具備可編程性。3．運行深度學習算法能效遠低于 ASIC 及 FPGA。    

FPGA：能效中等、靈活度高、成本較高的 AI 白板，具有三類局限。FPGA 稱為現場可編程門陣列，用戶可以根據自身的需求進行重復編程，與 GPU、CPU 相比，具有性能高、能耗低、可硬件編程的特點。同時具有三類局限：1、基本單元的計算能力有限；2、速度和功耗有待提升；3、FPGA 價格較為昂貴。    

ASIC ：專為特定目的而設計。不同于 GPU 和 FPGA 的靈活性，定制化的 ASIC 一旦制造完成將不能更改，所以初期成本高、開發周期長的使得進入門檻高。目前，大多是具備 AI 算法又擅長芯片研發的巨頭參與，如 Google 的 TPU。ASIC 芯片有以下幾個優勢1．規格優勢：ASIC 芯片在設計時充分利用單位運算單元功能，避免冗余計算單元存在，有利于縮小芯片體積。2．能耗優勢：ASIC 芯片單位算力能耗相對 CPU、GPU、FPGA 較低，如 GPU 每算力平均約消耗 0．4 瓦電力，ASIC 單位算力平均消耗約 0．2 瓦電力，更能滿足新型智能家電對能耗的限制。3． 集成優勢：因采用定制化設計，ASIC 芯片系統、電路、工藝高度一體化，有助于客戶獲得高性能集成電路。如TPU1 是傳統 GPU 性能的 14－16 倍，NPU 是 GPU 的 118 倍。寒武紀已發布對外應用指令集，ASIC 將是未來 AI芯片的核心。

03

ASIC的未來如何

ASIC 芯片及其配套產品在下游智慧家電市場已初步形成應用模式，具有廣闊市場空間。受物聯網趨勢影響，如美的、格力、海爾、海信等家電廠商相繼布局各類智能家電產品。通過嵌入 ASIC 芯片，家電產品制造商可獲得更高利潤，推動智慧城市建設。    

谷歌開發的優化算法架構 Tensor Processing Unit，TPU在算法架構上介于 CPU 和全定制化 ASIC 之間，兼具桌面計算設備與嵌入式計算設備功能。TPU 算法具備較寬容錯性，在硬件組成上相對 CPU 類通用芯片更加簡潔。相同數量晶體管條件下，TPU 算法架構的 ASIC 芯片可完成更高運算量。相對同級別CPU、GPU，該類 ASIC 芯片可提高運算性能 15 倍至 30 倍，并提高能耗效率 30 倍至 80倍。另外如思科推出防火墻專用 ASIC 芯片在算法上采用網絡加速協議，高通推出基帶專用ASIC 芯片采用通信協議、傅里葉變換等優化算法。自動駕駛運算系統處于快速更迭、進化階段，或于 5 年內進入算法穩定階段。專家指出，基于固定算法最優化設計的ASIC芯片將成自動駕駛運算系統主流核心模塊。

因 ASIC 算法架構更接近底層 算法且在物理結構上大幅縮減冗余晶體管和連線，ASIC 芯片在運算吞吐量、延遲度、功耗等參數方面表現優于傳統芯片。現階段自動駕駛系統核心芯片已從 GPU 轉向 FPGA，并逐步向 ASIC 過渡。相對 FPGA 芯片，ASIC架構下，自動駕駛系統計算效率、計算能力皆可定制，一旦達到量產規模，其平均成本將低于 FPGA 芯片。相同工藝條件下，ASIC 計算速度約為 FPGA 運算速度 5 倍及以上。

04

國內外發展現狀

ASIC芯片在芯片行業正在受到重視。包括DPU和NPU等類別。DPU主要承擔網絡、存儲和安全的加速處理任務，旨在滿足網絡側專用計算需求，尤其適用于服務器量多、對數據傳輸速率要求嚴苛的場景。具體看來，DPU對CPU所不擅長的網絡協議處理、數據加解密、數據壓縮等數據處理任務，可以順滑地接手，并且對各類資源分別管理、擴容、調度。2020 年上半年，NVIDIA以69 億美元的對價收購以色列網絡芯片公司 Mellanox Technologies，并于同年推出 BlueField－2 DPU，將其定義為繼 CPU 和 GPU 之后“第三顆主力芯片”，正式拉開 DPU 大發展的序幕。

谷歌公司日前在I／O 2022活動中發布其新一代張量處理器TPU v4集群，該公司CEO Sundar Pichai介紹稱，新的算力集群被稱為Pod，包含4096個v4芯片，可提供超過1 exaflops的浮點性能，Pichai表示其將在位于俄克拉荷馬州的數據中心部署8個TPU v4集群，合計實現約9 exaflops的性能，

今年8月，英特爾Agilex FPGA 和 Stratix 10 NX FPGA 兩大產品已部署至中國創新中心。英特爾 Agilex FPGA 集英特爾 SuperFin 制程技術、Chiplet、3D 封裝等眾長于一身，在生產、工藝、封裝、互連等方面較前代產品有明顯進步，能夠廣泛應用到 5G、人工智能場景中，為以數據為中心的世界提供敏捷性和靈活性。相較于英特爾Stratix 10 FPGA，英特爾 Agilex FPGA 性能提高了 45％，功耗降低了 40％。

國內也在ASIC市場上發力。阿里巴巴正式對外發布了全新的含光800AI芯片。平頭哥含光800芯片性能的突破得益于軟硬件的協同創新：硬件層面采用自研芯片架構，通過推理加速等技術有效解決芯片性能瓶頸問題；軟件層面集成了達摩院先進算法，針對CNN及視覺類算法深度優化計算、存儲密度，可實現大網絡模型在一顆NPU上完成計算。

中科馭數設計了業界首顆網絡數據庫一體化加速功能的DPU芯片和智能網卡系列產品。創始團隊來自科研院所，正開展第三代DPU芯片K2 Pro的研發工作，致力于DPU芯片的國產替代。OPPO發布自主研發的影像專用NPU芯片“馬里亞?MariSilicon?X”。

寒武紀公司出品的diannao系列NPU芯片。2021年8月18日，百度在世界大會上，推出了自家的首款7nm自研“昆侖2代AI芯片”。昆侖芯2的性能、通用性、易用性較1代產品均有顯著增強。該芯片采用全球領先的7nm 制程，搭載自研的第二代 XPU 架構，相比1代性能提升2－3倍。整數精度（INT8）算力達到256 TeraOPS，半精度（FP16）為128 TeraFLOPS，而最大功耗僅為120W。

ASIC深度學習，數據中心、邊緣計算等各個領域都得到了廣泛的應用并正在飛速發展．

更多信息可以來這里獲取==>>電子技術應用-AET<<