6811
伴随AI大时代一起来临的，还有NPU。
高算力、多样算力需求推动了芯片物种大爆发，NPU就是代表之一。你可以在很多支持AI应用的处理器或SoC中发现它的身影，比如苹果A15、特斯拉FSD、地平线征程系列、OPPO、马里亚纳X芯片等。而不止这些规模大、性能高的SoC芯片，甚至一些微控制器、应用处理器也开始集成NPU模块，以满足智能终端、智能边缘的需求。
一些趋势正在发生：智能驾驶、自动驾驶的算力需求不断“卷”出新高度； ChatGPT等生成式AI引爆的算力需求将从云端传导至边缘、端侧……
未来，NPU会因AI达到什么样的高度？
ChatGPT大潮下，NPU的空间变大了
NPU（Neural-network Processing Unit，神经网络处理器），作为一类基于DSA(Domain Specific Architecture)领域专用架构技术的处理器，相比于CPU、GPU等通用处理器，从硬件架构上可以说就是为AI而生的，因此更适合于神经网络运算，可专用于给AI做硬件加速。
不过，在AI大潮的裹挟下，各类算力芯片纷纷进行升级。GPU、FPGA自不必说，还有Arm v9、x86 CPU等都注重AI/机器学习方面的能力提升……
这同时也带来一个问题：随着异构计算平台中，各类处理器所能提供的AI能力不断增强， NPU一直强调的高能效，领先幅度会不会缩小？它未来的发展空间会受到影响吗？
安谋科技产品总监杨磊认为，各类处理器确实都在顺应AI趋势进行升级，这是一个相辅相成的过程。背后有市场需求的提升，有强烈的AI诉求，其实是把基础算力市场的蛋糕变得更大了，这是从根本上推进不同产品向前演进的核心驱动力。
其次，应用需求会越来越丰富，包括成本、性能、功能特性等核心指标，很难通过一种方案或一种架构去满足所有，还是需要各类处理器的创新联动，以更高的异构水平来满足市场的诉求。
以ChatGPT为例，它其实催生了对算力需求指数级的提升。“云端的需求早晚会传导到端侧，而端侧的CPU能力是不足以负担的。当这个需求下放下来之后，NPU可以发挥的空间其实更大了”，杨磊谈到。
安谋科技NPU研发高级总监孙锦鸿告诉<与非网>，AI最终要走向通用、去赋能千行百业，这是一个确定的方向。目前看来，ChatGPT千亿级别的训练参数已经非常庞大了，如果要把它推到端侧应用，一方面，需要进行一些裁剪；另一方面，也要求NPU架构的升级迭代。ChatGPT的基本结构是基于Transformer模型，从算子角度来看，除了MAC算力，还需要关注到其他的运算要求，而这都会给算子提出新要求，也需要NPU架构上的更新，去更好地满足这类大模型应用的需求。
“自研NPU”为何受推崇？
在所有内置NPU模块的处理器或SoC芯片中，越来越多的厂商走上了“自研NPU ”这条路。文章开头列举的一些芯片之外，近期值得关注的一件事是：NXP在它最新的应用处理器i.MX 95中，放弃了第三方NPU IP，转而采用自研的NPU IP进行片上AI加速。
自研NPU的风潮已经席卷至嵌入式领域。
对于这一举措，NXP方面表示，这是其加速器产品和业务战略的一部分。一方面，有了硬件NPU IP，意味着软件开发环境可以成为其AI加速芯片部件的统一因素。另一方面，AI工作负载和模型仍处在快速的动态发展中，这会导致对软件的依赖度增大，而硬件产品则必须要与之相匹配。
不论是从软硬件协同设计、打造更好的差异化优势，还是从生态布局等因素出发，NXP的做法也代表自研NPU厂商的普遍心态。
NPU研发难在哪里？
对于试图布局NPU研发的厂商来说，一个首要的门槛是人才，需要对软硬件全栈进行投入，包括IP开发、SDK开发等。
其次要明白：与CPU、GPU等通用处理器开发相比，NPU最大的开发挑战是什么？
对于CPU来说，更注重的是控制流，用更高的频率去处理新数据，它强调的是通用的控制化和兼容性，兼顾面积、功耗、内存管理等设计。CPU的编程语言经过多年发展，接口已经非常符合现在的编程规范和编程习惯了，能最快地进行算子的分析。
GPU则是去掉了CPU的控制流方式，用更简单的控制流实现更并行的数据流，在软件层面、硬件层面都更注重并行扩展的能力。英伟达的CUDA已经建立起了丰富的生态，不过它更偏向通用方式去解决问题，AI运算的效能提升较难。
结合以往处理器的优缺点，孙锦鸿认为，NPU IP的开发从一开始就要注重两个基本点：
第一，要提供相对简单的控制流，实现定制化算子的并行数据处理，从而最大提高利用率。第二，是友好的编程接口，在高效处理AI数据的同时，要容易落地，同时也要考虑定制化编程的需求。
他以安谋科技新一代“周易”X2 NPU采用的第三代“周易”架构的优化方向指出，新架构更注重并行性和可扩展性，核心的设计思想就是在指令和数据处理单元的同构计算中，做到了最大并行。如果是异构，会将数据的Graph OP、channel、batch几个纬度做并行，在同构和异构单元里得到统一。在此基础上，再扩展核和Cluster，通过不同颗粒度的并行性来实现整体架构的强扩展性。然后，再通过统一的OpenCL界面把不同扩展性的计算单元、不同的核通过统一的编程方式，提供一致的用户体验。
而之所以强调架构的可扩展性，因为AI的模型、算子都在快速发展中，就以ChatGPT以及汽车领域常见的Transformer模型为例，其结构灵活，需要NPU架构具备相当的灵活性和高速的运算效率，同时考虑到未来网络变种带来的新设计要求。只有做好扩展性，才能应对这些动态的挑战，在此基础上高效发挥算力的效能。
NPU IP将走向何种模式？
统计国内过去一年60个NPU芯片项目发现，其中约55%（33个方案）用的都是自研NPU，剩下的项目采用了包括“周易”和其他的第三方IP。这意味着，样本数据中一半以上的市场都被“自研”拿下，这对独立的NPU IP企业来说，无疑是挑战。
“这确实是一个很现实的问题”，杨磊有感而发地说，“我们分析了大量自研NPU的诉求，其实可以分为两类：一是来自用户端的差异化诉求，希望可以实现独到的创新点；二是芯片厂商希望结合特定的应用场景做专门的优化。”
不论是从产业链哪一环的需求出发，自研NPU都有其必要性。不过，这其中存在一些“重复造轮子”、造成产业资源浪费的工作。比如在一些AI应用中，如结构化的检测、识别、分割等等，其实底层的开发工作很相像。
此外还有部署方案时，由多种硬件带来的软件移植的工作量。因为各家的方案都不太一样，提供的软件工具链也不一样，因此在软件开发和移植时，存在大量的额外工作。
在杨磊看来，就像CPU的发展历程一样，NPU的方案类型最终也将走向收敛，且随着应用的增加，生态力量会越来越强。
“我们也在思考和改进IP商业模式本身。传统的IP模式是做一个标准版本授权给用户，现在我们也在考虑一些定制化的需求，通过定制化IP来满足特定需求”，杨磊表示，“除了商业模式，软件生态的建设是未来的重点，因为NPU承载AI专用的加速功能，不同应用场景侧重的方向会有不同，因此要考虑定制的、垂直场景的需求。”
“周易”X2 NPU就已经在支持自定义算子、满足各种模型部署需求的基础上，开始面向各类应用场景提供定制化AI解决方案，以进一步满足客户在智能驾驶、手机影像AI处理、人机交互等场景中的差异化需求。
值得注意的是，安谋科技在“周易”X2 NPU推出的同时，宣布了NPU软件开源计划。根据这一计划，安谋科技第一步将开放NPU中间表示层规范、模型解析器、模型优化器、驱动等，并向相关合作伙伴提供“周易”Compass软件平台，包括软件模拟器、调试器、C编译器等在内的多种软件工具。后续还将逐步开放更多资源，如模型量化、算子实现等源代码。
“当前，整个NPU的硬件平台其实是极度碎片化的，几乎每一家硬件供应商都有自己的软件工具链，当它们提供给应用开发者来使用时，对应的是极其复杂和繁琐的部署和移植工作，也极大地增大了应用开发的创新代价”， 杨磊谈到，“在这样的现状面前，开源就成了一个产业和用户需求驱动下的决定。”
一方面，NPU芯片厂商在开发设计时，对软件编译器、调优工具等有着明确的开源诉求。另一方面，当面向最终的应用场景，开源的诉求也越来越明显。特别是在汽车领域，一些算法、数据相当于是“黑盒”，这就需要NPU尽可能开放，才能推动更好的合作互动。
当真正走向开源之后，直接受益的首先是软件开发者，以满足应用移植和部署时对白盒开发的需求，大约可节省50%的工作量；其次，开源便于跨越不同的硬件架构，共建开源的统一的软件生态，也有利于AI生态的整体发展。
NPU的应用场景在哪里？
NPU的突出优势就是运行AI算法的效能——而这往往在小型终端上更受重视。这是否决定了NPU的主要应用场景就是在端侧或边缘侧？它有进军云端市场的潜力吗？
在杨磊看来，端侧、云端市场其实都对NPU有强烈的诉求和应用空间，不过，NPU先将端侧市场作为切入点，再布局边缘计算。目前的市场需求已经足够丰富，小到录音笔、点读笔、手机，大到ADAS辅助驾驶、自动驾驶，已经给了NPU足够的施展空间，但是从技术路线和架构的演进方向上，未来也会考虑云边端一体的可能性。
在安谋科技最新发布的“周易”X2 NPU中，就展现了这样的趋势：支持多核Cluster，支持宽泛的算力，从10TOPS-320TOPS；支持int4/int8/int12/int16/int32，fp16/bf16/fp32多精度融合计算，计算效率与计算密度得到了提升。
写在最后
所有落地的AI应用中，都需要硬件上的算力支持。就比如火热的自动驾驶，随着汽车中摄像头、毫米波雷达、激光雷达，以及超声波雷达等环境感知传感器的增多，自动驾驶系统收集的传感器数据将会更多，对自动驾驶计算芯片的算力要求将显著提升，这对NPU是一个大市场。不过，越是如此，NPU越要深刻理解市场的要求，才能真正抓住机会。
当然，AI生态也不止NPU一个环节，不论是开源，还是其他跨越产业链上下游参与者的合作，都有助于打破AI的落地难题，有益于AI的生态繁荣。
下载ECAD模型
