FPGA保持灵活性同时拥有ASIC级AI性能是可实现的吗？( 四 )_AI语音助手和AI图像优化是离我们最近的

AI处理器的硬件挑战

但是，芯片的通用也就意味着算力难以做到极致，并且，不同的数据类型和精度对处理器的性能的要求又不相同，想要同时满足算力和通用性的要求，半导体制程的提升是最为直接的方法。过去30年，摩尔定律带来了显著的计算能力的提升，半导体制程从微米跨越到了纳米级，如今的计算机处理速度也可以达到每秒千万亿次(1015 FLOPS) 。

2018年， 10nm和7nm的芯片已经开始量产，但CMOS器件的横向尺寸接近几纳米，厚度只有几个原子层，想要继续靠工艺制程提升晶体管密度带来处理性能的显著提升，技术上难度越来越高，成本也让越来越多的芯片公司望而却步。

除了半导体工艺，当运算能力达到一定程度，访问存储器的速度无法跟上运算部件消耗数据的速度，再增加运算部件也无法得到充分利用，这个冯诺依曼架构的瓶颈（内存墙）也阻碍了AI芯片算力的提升。

显然，不断迭代的算法、不同AI模型的数据类型需求、与日俱增的数据量，都推动承载AI算法的AI芯片不断创新。