[自动驾驶 SoC]-1 AI芯片介绍_ai芯片分类 gpgpu

AI芯片是专门设计用于加速人工智能（AI）计算任务的处理器，通常具有优化的硬件架构和指令集，能够高效地执行深度学习推理和训练等任务。

AI芯片分类

AI芯片可以按照不同的维度进行分类，包括架构、能力和部署位置:

1 按架构分类

GPGPU（通用计算图形处理单元）

GPGPU是一种基于图形处理器（GPU）的通用计算加速器，具有大量的计算核心和高带宽的内存，能够高效地执行并行计算任务，适用于深度学习推理和训练等计算密集型任务。GPGPU可以通过软件和硬件优化支持深度学习模型，是非常重要的AI芯片，因为卷积和矩阵乘累加（MACs）是深度学习算法的核心，占据了百分之九十以上的计算量。Nvidia是GPGPU技术的主要推动者和领导者之一，其GPU产品广泛应用于通用计算领域，如GeForce、Quadro和Tesla系列都支持GPGPU技术。Nvidia还提供了丰富的开发工具和库，如CUDA（Compute Unified Device Architecture），一种并行计算平台和编程模型，允许开发人员使用C/C++编程语言编写GPU加速的应用程序，并利用GPU的并行计算能力加速计算任务。

（笔者后面会专门针对Nvidia ADAS SoC芯片建立专题介绍，尤其是不同微架构技术。）

ASIC（专用集成电路）

ASIC是一种定制化的集成电路，专门设计用于特定的应用领域或任务，如深度学习推理和训练任务，ASIC通常具有优化的硬件结构和指令集，能够提供高效的计算性能和能效比；缺点是电路设计开发周期长，功能难以扩展，但在功耗、可靠性、集成度等有优势。谷歌TPU、NPU、地平线BPU都属于ASIC专用AI芯片。

FPGA（现场可编程门阵列）

FPGA是一种可编程的硬件器件，具有可编程的硬件结构，可以根据用户的需求重新配置其内部逻辑门结构，广泛用于快速原型设计、定制电路设计、信号处理、图像处理等领域，以及一些对硬件加速有需求的应用，如加速深度学习推理、加密算法等。与ASIC相比，FPGA具有更高的灵活性和可编程性，但通常性能和功耗方面会有一定的损失；GPGPU虽然高度可编程，但功耗很高，FPGA可以弥合GPGPU和ASIC之间的鸿沟。

例如：Xilinx的Vivado、Altera（现在Intel）的Quartus等。

4）神经拟态计算芯片：

神经拟态计算芯片是一种基于神经元模型和突触连接的计算单元的特殊类型的AI加速器，模拟了人脑神经元和突触之间的连接和交互方式，具有较低的能耗和高度并行的计算能力，可以同时存储和处理数据，这种逻辑结构与传统冯诺依曼结构明显不同。例如IBM的TrueNorth和Intel的Loihi。

2 按能力分类

推理加速器

专门用于加速神经网络推理任务的AI加速器，如GPU、TPU、NPU等。

训练加速器

专门用于加速神经网络训练任务的AI加速器，通常需要更高的计算能力和内存带宽。

3 按部署位置分类

数据中心芯片

针对大规模数据中心部署的AI加速器，如谷歌的TPU、英特尔的Nervana NNP等。

边缘设备芯片

针对边缘计算场景设计的AI加速器，如卡梅尔系统的Myriad芯片、飞思卡尔的i.MX系列芯片等。

终端设备芯片

针对移动设备部署的AI加速器，如手机、平板电脑等通常具有较低的功耗和尺寸要求；针对汽车部署的ADAS SoC通常具有高计算力高可靠要求，以支持复杂的环境和车况应用。

AI芯片软硬件接口

AI芯片软硬件系统设计需要算法、软件、硬件三方密切配合，因此软硬件接口划分和定义非常重要。以GPGPU（General-Purpose computing on Graphics Processing Units）为例，GPGPU的软硬件接口涉及到以下几个方面：

1 硬件接口

硬件接口包括GPU的物理接口和内部架构，用于连接GPU与主机系统和外部设备之间的通信，通常包括PCI Express接口用于与主机系统的通信，以及各种输入/输出接口（如HDMI、DisplayPort等）用于与显示设备和外部设备的通信。

2 编程接口

编程接口是开发人员与GPU交互的接口，用于提交计算任务、管理内存、控制执行流程等。常见的编程接口包括CUDA（Compute Unified Device Architecture）和OpenCL（Open Computing Language），它们提供了丰富的库和工具，使开发人员能够编写并行计算程序，并在GPU上执行通用计算任务。两者编程模式基本都包括以下步骤：

选择编程接口

首先，选择适合项目需求和开发者技能的GPGPU编程接口，NVIDIA的CUDA或Khronos Group的OpenCL。

环境设置

在主机系统上安装相应的GPU驱动程序和开发工具，如NVIDIA的CUDA Toolkit或OpenCL SDK。确保GPU驱动程序与安装的GPU硬件兼容，并且正确配置了开发环境。

初始化GPU设备

使用编程接口提供的函数或方法，初始化GPU设备并获取与之相关的设备句柄或上下文。这个步骤通常涉及与GPU驱动程序的交互，以确保GPU设备正确初始化并且可用于执行计算任务。

分配和管理内存

在主机系统上分配和管理GPU设备上的内存空间，以便将数据传输到GPU并执行计算任务。这个步骤涉及使用编程接口提供的函数或方法，如cudaMalloc和clCreateBuffer等，分配GPU内存并在主机和设备之间进行数据传输。

读入并编译GPU核函数

GPU核函数（也称为内核函数或计算核心），用于在GPU上执行计算任务。这些核函数通常使用编程接口提供的特定语言或指令集编写，如CUDA C或OpenCL C；然后使用GPU编译器将核函数编译成可执行的GPU代码。

启动GPU计算任务

使用编程接口提供的函数或方法，将编译后的GPU核函数加载到GPU设备上，并启动计算任务。这个步骤涉及调用编程接口提供的函数或方法，如cudaLaunchKernel或clEnqueueNDRangeKernel等，以启动GPU上的计算任务。

处理计算结果

在GPU计算任务完成后，从GPU设备上将计算结果传输回主机系统，并在主机系统上进行后续的处理和分析。这个步骤涉及使用编程接口提供的函数或方法，如cudaMemcpy或clEnqueueReadBuffer等，将GPU内存中的计算结果传输到主机内存中。

释放资源

在计算任务完成后，释放GPU设备和内存资源，以确保资源的正确释放和管理。这个步骤涉及使用编程接口提供的函数或方法，如cudaFree和clReleaseProgram, clReleaseContext等，释放GPU内存并关闭GPU设备上下文。

例如：

#include <cuda_runtime.h>

__global__ void myKernel(float *d_A) {

    int idx = threadIdx.x;

    d_A[idx] = d_A[idx] * 2.0f;

}

int main() {

    float *h_A, *d_A;

    int size = 256 * sizeof(float);

    // 分配主机内存

    h_A = (float*)malloc(size);

    // 分配设备内存

    cudaMalloc((void**)&d_A, size);

    // 将数据从主机内存复制到设备内存

    cudaMemcpy(d_A, h_A, size, cudaMemcpyHostToDevice);

    // 启动核函数

    myKernel<<<1, 256>>>(d_A);

    // 将结果从设备内存复制到主机内存

    cudaMemcpy(h_A, d_A, size, cudaMemcpyDeviceToHost);

    // 释放设备内存

    cudaFree(d_A);

    free(h_A);

    return 0;

}

3 驱动程序接口

驱动程序接口是操作系统和GPU驱动程序之间的接口，用于管理GPU的硬件资源和执行计算任务实施对底层硬件的控制。GPU驱动程序通常提供了一系列的API，使操作系统能够控制GPU的初始化、配置、执行和监控等操作。

例如（实际实现更复杂）

// nv_driver_api.h

int nvMemAlloc(nv_device_t *device, nv_memory_t *mem, size_t size);

int nvMemFree(nv_device_t *device, nv_memory_t *mem);

int nvMemcpyHostToDevice(nv_device_t *device, nv_memory_t *dst, void *src, size_t size);

int nvMemcpyDeviceToHost(nv_device_t *device, void *dst, nv_memory_t *src, size_t size);

驱动程序接口一般包括如下接口：

设备管理接口

初始化和终止：初始化和释放GPU设备，例如CUDA提供的cudaSetDevice和cudaDeviceReset。

设备查询：获取GPU设备的属性和状态信息，例如CUDA提供的cudaGetDeviceProperties。

内存管理接口

内存分配和释放：分配和释放GPU设备内存，例如CUDA的cudaMalloc和cudaFree。

内存拷贝：在主机和GPU设备之间拷贝数据，例如CUDA的cudaMemcpy。

内核管理接口

内核加载和执行：编译、加载和执行GPU内核函数，例如CUDA的cudaLaunchKernel。

参数设置：设置内核函数的参数和配置，例CUDA的cudaConfigureCall和cudaSetupArgument。

流和事件管理接口

流（Stream）：创建、销毁和同步流，用于管理并发执行的计算任务，例如CUDA的cudaStreamCreate和cudaStreamSynchronize。

事件（Event）：创建、记录和查询事件，用于测量时间和同步操作，例如CUDA的cudaEventCreate和cudaEventRecord。

错误处理接口

错误码查询：查询最近发生的错误码和错误信息，例如CUDA的cudaGetLastError和cudaPeekAtLastError。

错误处理：根据错误码进行相应的处理和恢复操作。

性能监控接口

性能计数器：访问GPU的硬件性能计数器，监控计算任务的性能指标。

调试和分析工具：集成调试和性能分析工具，如NVIDIA的Nsight，用于分析和优化计算性能。

4 性能分析接口

性能分析接口用于监控和分析GPU的性能指标，如计算吞吐量、内存带宽、功耗等，输入高层次分析和监控。这些接口通常由GPU驱动程序提供，可以通过特定的工具和库进行访问和分析。例如，NVIDIA Nsight用于分析和调试CUDA应用程序的性能。