芯耀
159
一次完整的5nm系统级芯片流片，其摊薄后的非重复性工程费用与光罩成本已接近4亿美元。到了3nm制程，预估成本更是突破6亿美元。芯片上的每一个IP模块，都代表着对硅片功能需求的一系列预设。而在人工智能领域，这些预设的有效期比过去更短了。
AI算法的演进速度已超越硅片设计周期
众所周知，AI发展迅猛。但对于流片决策而言，关键在于发展的方向在哪里。短短几年间，视觉处理流程已从卷积神经网络转向Transformer架构，注意力机制更是分化出多种相互竞争的变体。与此同时，量化技术也从FP16、FP8、FP4一路演进至混合精度方案，而混合模型正成为下一个前沿领域。
目前，大多数量产级的端侧部署仍在运行优化后的卷积神经网络（如MobileNets、EfficientNets、YOLO各变体），这是因为端侧芯片的功耗与内存限制迫使模型通过蒸馏和压缩技术进行精简。学术界发表的研究成果与实际运行在摄像头模组或高级驾驶辅助系统流水线上的模型之间，依然存在巨大差距。
五年后将在端侧运行的模型，如今正在各大研究实验室中孕育，而它们的计算特性正与当前任何固定数据通路所内置的预设假设渐行渐远。
在边缘，风险更高
AI推理增长最快的领域就在边缘：汽车、工厂车间、摄像头、无人机和消费类设备。边缘部署的两个特征加剧了流片风险。
一颗车规级SoC所搭载的车辆，会在路上行驶超过十年。一台工厂控制器运行的时间则更久。芯片在流片时即已固定，而它需要执行的算法将通过OTA软件更新持续演进。你是在为一个尚未完成变化的世界锁定一条数据通路。
工作负载问题同样严峻。云端AI芯片可以针对特定类别的模型进行优化，因为运营商同时掌控硬件和部署栈。而边缘SoC则没有这种奢侈，它可能需要同时处理图形渲染、计算机视觉、神经网络推理与传感器融合等多种任务。
当SoC设计中的每一个环节都成为一场战略押注时，一个明智的做法便是用一种兼具强大并行能力、同时又足够通用以应对尚未出现的工作负载的处理器来对冲这一风险。
GPU IP的优势
GPU 的执行模式天然适配于广泛且持续演变的并行工作负载：图形处理、视觉计算、数据并行处理以及神经网络推理。它牺牲了单一工作负载下的峰值运算效率，换取了在无架构性损耗的前提下运行各类工作负载的能力。
但可编程硬件的价值，取决于其配套的软件工具链。在这方面，GPU 拥有叠加优势：数十年来在开放标准（OpenCL、Vulkan、Linux）上的持续投入，带来了深厚的编译器、分析器和调试器支持。当新算法出现时，开发者能够使用他们已然熟悉的工具将其部署在 GPU 硬件上。这种生态系统的优势难以复制，也非一日之功，在部署时间构成实际制约的市场中，这一点尤为关键。
GPU IP 在不同工艺节点上特性清晰，其面积、功耗和性能的扩展规律具有可预测性。对于需要在芯片层面进行权衡取舍的 SoC 架构师而言，这种可预测性降低了集成风险。
在工作负载广泛、不确定或预期在产品生命周期内持续演变的场景下——这正日益精准地描述了边缘 SoC 设计的现状——GPU 的价值主张最为强劲。
可授权的 IP 进一步强化了这一优势
纵观我们在汽车、工业和消费市场的客户群，我们观察到 Imagination GPU IP 的选型定位正在发生转变。许多授权方最初采用我们的 GPU 核是为了处理图形和显示任务。随着时间的推移，这些同样的内核已演变为辅助计算加速器。可编程能力早已集成在芯片上，且工作负载与之高度契合。
如今，在汽车、工业和消费电子领域，我们越来越频繁地看到我们的GPU被作为“计算优先”的解决方案来选型：其被选中是为了实现对最广泛算法集的灵活、软件可编程推理。
随着计算工作负载变得越来越难以预测，一个可编程且由生态系统支持的计算模块的价值，对产品的成功至关重要。
为未来而设计
如果您正在规划一款边缘 SoC，您今天所做的 IP 选择将决定未来十年您的芯片能做什么、不能做什么。我们很乐意向您展示 Imagination 的 GPU IP 如何帮助您应对当前已知的工作负载，以及未来将出现的需求。
英文链接：https://blog.imaginationtech.com/tape-out-risk-in-the-age-of-edge-ai-the-case-for-gpu-ip
声明：本文为原创文章，转载需注明作者、出处及原文链接。
