除了在采访中充满洞见的分享外，闭门论坛现场，宋继强院长还进行了长达1小时的演讲分享， 他在演讲中具体介绍了AI芯片的多种选择。详细对比了ASIC、神经元芯片、FPGA等多种形态的芯片优缺点。以下是演讲实录和PPT：

宋继强：“未来终端数据是石油”，芯片巨头在转舵

数据是“未来的石油”未来的各种的技术，包括芯片也好、软件也好，通讯技术也好，都是为了处理数据。

到2020年，保守估计，全世界会有500亿设备互联。500亿设备从数量上看是人所使用设备的10倍，未来的数据来源于各种设备终端。不再靠我们人打电话、玩手机、发邮件这些数据。无人车、智能家居，摄像头等都在产生数据。我们需要用技术去处理数据这些使其对客户产生价值。在这个过程中无疑芯片是及其重要的。芯片除了内存在存储之外，还有各种处理的芯片在去挖掘数据的价值。英特尔的芯处理有很多种类，这么些芯片是为了帮助这些新的领域实现新的技术突破。

从工业界开始，比较传统的数据较好去处理，数据来源明确。规格标注都相对来说比较容易获取。

但是如果说继续往c端走，去渗透到生活的方方面面对于人工智能的概念就要放宽，数据的处理是非常多样化的，除了云端还有移动的边缘计算，到我们所说的最后终端领域，其实都需要各种各样的芯片去加速处理数据。

“ASIC、神经元芯片、FPGA”需求多样化应运而生的三类芯片

ASIC应该来说是任何要去普遍应用场景里面最后的选择，一旦这个场景已经非常的确定，它的算法也已经稳定下来，而且它的量又够大，那就是ASIC的天下，比如说我们常见的视频的编解码，每一代最后反正都是ASIC。现在你会看到我们做人工智能，在算法还没有完全稳定的情况下，其实我们也有一些ASIC在产生，因为这其实也是在解决能效比的问题。

还有一类是神经元芯片，不是通过传统指令级的方式，去构建硬件实现某一特定功能。它只是模拟人脑的神经元互相组织，连接的机制，又有计算，又有存储，存储里面又会描述连接的关系，它只是构造了这个硬件的东西实现在这儿，里面怎么去慢慢形成不同的功能是要靠训练出来的，要靠慢慢的训练才会逐渐形成一块一块的，所以它的使用方法是不一样的。

如果给它做一些比较，这个比较其实有很多种比较的方法，可以先看灵活性，它到底是多任务、多算法的适应性是高还是低。如果像陈天石总不需要听这个了，ASIC一旦说我定下来以后，我一般来讲很难去改变它里面有些功能，除非ASIC本身设计就很灵活，它是允许可编程序，直播，否则通常来讲ASIC的意思就是说这个芯片固定就是干这个的。FPGA比它要好那么一些，它底下提供的一些基本的硬件电路，让你通过一些编码的方法去随时可以改变上面的逻辑连接和这些电路底下到底构成的是存储还是构成了计算，还是构成了IO通讯，所以它是具备可以在一定的现场时间里面去改变它的功能的这种能力。

举个例子，在数据中心的应用里面其实还是挺有用的，淘宝或者京东，咱们玩双十一什么这些的时候，你会知道那个时候在接近交易的那种大量人去买单，那个时候对交易时候所必须要的很多的认证，加解密是非常多的需求，平时这个需求不多，平时大家一天24小时都可能需要。那这个高峰期的时候它就可以把原来很多做其他事的FPGA进行支持，就可以响应那么多的需求，而这个高峰期过去可以把FPGA配上支持其他的功能。

像众核处理器还有CPU都是偏向通用的，那都是通过指令级去提供硬件的支持功能，所以灵活度最高，干什么其实都可以，GPU还是相对来说更希望那些比较规整的数据，同时流过一个执行的步骤，所以它通常称为多指令的方式去获取。如果我们做的一个事情经常需要跳转，经常需要判断该做A还是该做B还是该做C，这个就不适合让GPU去做。

从成本层面判断，部署成本来讲主要看云，一个是成本价格，第二就是要看部署了以后要花多长时间去学习怎么去用它，还有部署以后相关配套的整个系统的一些开销，来构造它的IO，构造一些东西，然后还有用电的问题，这都是部署成本。部署成本来讲像ASIC这种已经基本固化了一些功能，例如像编码解码，开奖，你只需要把数据留给它就行了，这边你送进去编码好的出来就是原始的图像，所以这种是使用起来最简单的。对于上面就是众核，这个处理器，它的使用的成本其实都是稍微高一些。然后能效比你会看到越是红的它其实做同样的一个任务它要消耗的能量，比如说电就会越多，这也是做数据中心的人要考虑的一个指标。对于这几个领域其实英特尔这种独立的芯片有这么几种，ASIC我们有Movidius是在前端使用的，在数据中心可以用LAKE CREST，FPGA是两个系列，众核处理器是XEON PHI。