首先分析下概念，对于芯片，相信大家已经比较了解，就不做过多的解释。我们说一下算法，虽然算法是应用在IT领域，但我相信学数学的同学，特别是学习计算数学的，对算法应该更加熟悉。记得在本科课程中，专门有一门课叫做“算法设计”。从概念上来讲，算法指的是解决问题的方法和流程，是一段逻辑，一系列解决问题的清晰指令。或者更通俗一点来讲，算法是从A到B，所有可能的计算方式。
一、 芯片与算法的关系
芯片和算法并不是独立或者对立的两个个体。芯片本身就集成了算法。算法是一种逻辑概念，芯片是算法的一种表现形式，软件也是算法的一种表现形式。承载算法的物理介质可以是运行在CPU上的代码，也可以是硬件电路。在这篇文章中，我们重点分析的是，当芯片形成之后，芯片与系统中软件算法的关系。芯片和软件算法的核心目的都是用来提升系统的计算能力。我们可以形象一点说，如果芯片对算力的影响是先天决定的话，我们也可以通过后天的努力（即对软件算法的优化）来进一步优化和提升算力。（注：下文中的“算法”，我们特指芯片之外的软件算法）
（1） 从硬件和软件角度来看
芯片更加偏向硬件（芯片集成了算法，算法固化到了硬件中），算法更偏软件（算法是软件更基础的思想）。从产业趋势来看，芯片和算法的边界也在变得模糊。首先，我们明确一点：芯片和算法的目标任务或者功能是一致的，都是为了提升和加快数据的计算能力和处理速度。不过在原有的IT产业分工下，芯片和软件算法分别是由不同的企业来完成。我们认为，芯片与软件算法的边界也在随着计算架构和应用场景的变化而在不断演变。
（2） 从逻辑计算角度来看
芯片与算法相互分离。在传统的逻辑计算架构下，芯片和算法是相互分离的。芯片和软件算法的关系，只要做到适配就好，无需相互定制和融合。因为，第一，在传统的逻辑运算架构下，数据的计算量并不是特别大，现有的计算资源和能力能够满足大部分计算需求。第二，由于摩尔定律，可以通过不断提高芯片的制程来提升芯片的计算能力。因此，在传统的逻辑计算体系下，芯片的计算能力对算力的提升起到了决定性作用，而软件算法的优化作用处于相对次要的位置。芯片和算法在这一阶段的这种适配关系，也就有了IT界经典的 “Win-Tel”时代。即微软的Windows操作系统与Intel的芯片形成了完美适配，两者不断相互以彼此产品为开发和应用基础，进行升级迭代，来推动IT产业向前演进。
（3） 从智能计算角度来看
芯片与算法相互定制和融合。在智能计算时代，我们面对的不再是较为规则的逻辑计算，而更多的是不规则、非线性、难以定义的复杂场景。应用场景的变化，使得原有通用的CPU架构就难易满足功耗、性能等要求，需要对软件架构进行重新定义，对硬件进行重构。也就出现了我们对针对不同应用场景下的特定芯片，比如AI芯片。当然AI芯片根据其特定的应用场景也分为多种，但相比之前的逻辑计算，此时发生的一个变化是，芯片和算法的关系逐步走向相互定制和融合。即在芯片设计之初就要考虑在其上主要跑（运行）什么样的算法，而软件算法的设计也会根据芯片的基础架构进行相应的优化升级。这样做只有一个目的：最大化释放芯片和软件算法所带来的计算能力。
芯片与算法的深度整合并非易事。芯片和算法的协同设计，需要强大的整合和优化能力。这 需要既懂算法，也懂计算架构的开发人员，而往往这是两种不同领域的人，分布在不同的公司，沟通整合需要一定的成本。另外一个客观事实是，具有量级算力提升的算法优化是一个漫长的过程。
二、 芯片和算法边界的突破
正是因为芯片和算法相互设计、相互融合的重要性。目前我们看到的一个现象是：芯片公司在开发更适配的算法，算法公司在研发专属的芯片。比如，Intel对Mobileye的收购，就是典型的芯片与算法的结合。Intel缺乏针对算法设计芯片的人才，而Mobileye也难易在短时间内提升车规级高性能处理器的设计能力，两者的结合无疑是最优路径。而Amazon、Google等也正在研发自己的芯片。另外，在6月4日百度AI开发者大会，百度也推出了云端全功能AI芯片-昆仑。这些似乎都在说明芯片和算法的边界在逐步发生变化。
联系客服
