主页 > 科技前沿 >
为智能社会造“芯”他们填补了国内芯片业的这项空白_
发布日期:2020-09-12 04:30   来源:未知   阅读:

为了让客户能“顺滑“轻松地切换到国产的GPGPU平台上,天数智芯从设计思路源头就强调以自己的技术,九龙高手论082com,从软硬两方面合理合法地实现对主流GPGPU生态的兼容,支持通用API,帮助客户和IT人员降低平台迁移成本。此外,团队在芯片设计初始即采取了聚焦通用计算的GPGPU设计战略,在芯片中去除掉了图像渲染功能,使得芯片整体尺寸更小,实现了比国际领导厂商的对标产品更优的性能、更低的成本。

GPGPU应用场景的增多带动了广阔的市场前景。根据有关数据预测,到2025年,中国GPGPU芯片板卡的市场规模将达到458亿元,是2019年86亿元的5倍多,年复合增长率高达32%。

在天数智芯的人员构成中,公司研发团队约占总员工的85%,这个“最强大脑“团队既有一批行业经验超过20年的世界级技术专家,也有一大批高执行力5-15年业界经验的技术精英,在美国硅谷还有10名左右的行业专家。更重要的是,在这里大家都有一个共同的愿望:要为中国的半导体产业发展做出一份贡献。

纵观整个IT系统,从CPU、操作系统、办公套件、整机到服务器,中国都已经初步具有一些商用化的可替代产品,唯独在GPGPU领域,目前还是一片空白。

集成电路和芯片是一项生态交织联动极深的高精尖产业,对此,开发者们保持着清醒的认识:中国的差距应该是整个生态系统建设能力的差距,路只能一步一步走。因此,天数智芯注意从现在就开始进行国产GPGPU芯片的生态培养。

然而,与迅速增长的市场需求相比,GPGPU的供应并没有得到很好地满足。全球GPGPU市场供应目前处于美国英伟达公司一家独大的局面,价格昂贵,产品种类单一。以中国的云端人工智能训练芯片市场为例,英伟达所占的市场份额就达到了90%。

GPGPU芯片还可用于边缘云端。比如,智能工厂在生产过程中并不需要把所有的数据都传输到云端,如果都传输上去的话工作量会很大,这时就需要建设一个小型的“数据中心”??边缘云端;再比如,未来的高速公路上,当无人驾驶汽车开过时,高速公路的边缘端就需要进行不断地高速计算。天智数芯董事长蔡全根向记者介绍,随着数字经济进一步推进,特别是5G新基建领域的发展,智能工厂、无人驾驶、智慧城市、智慧安防等对GPGPU的应用会越来越多。

随着智能技术的飞速发展,决定算力能力的芯片在人工智能时代的核心作用愈发重要。

芯片国产化 顺应时代需求

GPGPU芯片 智能社会的“大心脏”

尽管英伟达的技术水准很高,但从客户的角度来讲,还是需要更多的选择。例如在2017年,因为人工智能训练和数字货币挖矿的需求猛增,GPGPU供不应求,价格高涨,一部分用户尝试将原本用作独立显卡的消费级GPGPU替代用于数据中心,但是被供应商在软件驱动上禁用,当时引起一阵热议。

“长远发展来看,我们会在社会上继续寻找年轻的优秀人才,建立一个人才梯队。另一方面,我们会与大学和研究机构进行合作,天数智芯也希望成为他们的人才实习基地。”蔡全根表示,芯片行业既是技术密集型,又是资本密集型,“我们欢迎有共同发展理念的机构,无论政府还是民间,能够多多参与到我们的发展进程中来。”

人工智能模型训练与推理在我们的日常生活中随处可见。例如,安防领域的视频分析,媒体领域的内容生产、审核和字幕生成,电商领域的个性化推荐等等。高性能计算则是国之重器,计算机学科中的“明珠”,广泛应用于勘探、天气、海洋、气候变化、核能、发动机、航空航天等领域。

要知道,在天数智芯2018年开始研发7纳米GPGPU芯片时,英伟达也只做到了12纳米。“如果不超前设计,等两年后我们的产品出来就落后了。”公司首席科学家郑金山拥有20多年芯片设计经验,他深知,芯片设计如果一开始没有想好,以后再推倒重来的成本就太高了,尤其是做高端芯片。

从国家的供应链安全角度,国产GPGPU芯片也格外具有现实意义。为此天数智芯从研发之初就十分注重搭建每个环节的技术架构,目前的GPGPU芯片已实现了完全自主可控的核心技术,核心软硬件产品已具备专利或正在申请专利,可以不受供应链影响、不断实现迭代升级。

面对强者 他们如何突围

7纳米的制作工艺,代表了当前世界GPGPU芯片第一梯队的技术水平。

(光明日报全媒体记者任鹏)

日前,位于张江浦东软件园的上海天数智芯半导体有限公司宣布,他们为云端市场打造的一款名为Big Island(简称BI)的芯片已进入流片程序,目前正由合作伙伴进行相关测试。按照计划,这款芯片将在今年实现批量生产,2021年初商业化投向市场。值得关注的是,这将是国内首款自研的高性能云端7纳米GPGPU芯片,可广泛应用于人工智能训练和超级计算等场景。

GPGPU全称为通用图形处理器,与CPU(中央处理器)相比,GPGPU具有并行处理能力强、计算能效比高的点,并且有很大的存储带宽。因此,在解决人工智能(机器学习)模型训练与推理、高性能计算等大数据流应用方面,GPGPU比CPU效率更高。