【本周四专题-边缘AI】边缘AI广泛应用推动并行计算崛起及创新GPU渗透率快速提升

新闻

作者：微信文章


专题汇总 锁定每周四PERSONAL WORK SUMMARY本期专题
边缘AI

作者： Imagination Technologies 产品管理副总裁 Dennis Laudick

人工智能（AI）在边缘计算领域正经历着突飞猛进的高速发展，根据IDC的最新数据，全球边缘计算支出将从2024年的2280亿美元快速增长到2028年的3780亿美元*。这种需求的增长速度，以及在智能制造、智慧城市等数十个行业中越来越多的应用场景中出现的渗透率快速提升，也为执行计算任务的硬件设计以及面对多样化场景的模型迭代的速度带来了挑战。

AI不仅是一项技术突破，它更是软件编写、理解和执行方式的一次永久性变革。传统的软件开发基于确定性逻辑和大多是顺序执行的流程，而如今这一范式正在让位于概率模型、训练行为以及数据驱动的计算。这并不是一时的潮流。AI 代表了计算机科学的一次根本性、不可逆的转变 —— 从基于规则的编程，迈向自适应的、基于学习的系统，这些系统正逐步被集成到越来越广泛的计算问题与能力中。

这一转变也对硬件提出了相应的变革需求。在AI架构和算法不断演进（并将持续演进）的时代，为狭窄定义任务而打造的高度专用芯片的旧模式已不再适用。为了满足不断变化的AI需求（尤其是在边缘侧)，我们需要具备与工作负载同样动态、适应能力强的计算平台。

这正是通用并行处理器（即GPU）成为边缘AI未来的关键所在，并开始取代专门的处理器，如神经网络处理器（NPU）。这不仅仅是性能上的考量——它关乎灵活性、可扩展性，以及与未来软件发展趋势的同步。

  Makimoto波动理论与“灵活性”的回归  

要理解这一转变，我们只需回顾“Makimoto波动理论”：这是由日本工程师牧本次雄（Tsugio Makimoto）提出的一个概念，描述了计算产业在不同阶段不断在“标准化”与“定制化”之间摆动的趋势，其背后是市场需求、技术创新和软件复杂性等因素的持续变化。

（Makimoto 波动理论展现了计算产业在“灵活性”与“专用性”之间的历史摆动。而当前AI的发展轨迹，标志着计算正再次呈现出在“灵活性”和“通用平台”之间的摆动。）

这一模型与AI硬件的演变过程高度契合。在AI发展的早期阶段，工作负载较为明确且稳定，此时采用NPU等固定功能加速器是合理的。这类处理器对特定任务（例如使用CNN进行图像分类或目标检测）进行了深度优化。

但如今AI已进入高速演进阶段。我们已走出简单、静态模型的时代，迈入混合网络、Transformer架构、基础模型和持续创新的浪潮之中。为去年AI打造的定制硬件，根本无法跟上当今的发展节奏。

正如我们在本文一开始所介绍的那样，当一个行业不得不去面对超高的增长率，以及每天都在不断出现的新应用场景和为此而快速迭代的模型，使我们再次站在了“Makimoto拐点”上 —— 从专用硬件，回归到可扩展、可适配的通用计算平台。

  AI是一个并行计算问题，而非专用计算问题  

AI的本质在于并行计算。深度学习严重依赖并发操作 —— 矩阵运算、张量乘法、向量计算 —— 这些正是GPU天生擅长的工作负载。能够同时渲染数百万像素的架构，如今正好可以处理数百万神经元的激活。

如今的通用GPU早已不仅仅用于图形处理。它们拥有可编程管线、计算着色器，以及日益增强的AI中心化设计，不仅能加速传统负载，也能支持新兴的AI工作负载，是边缘AI中强大而灵活的计算引擎。

相比之下，像NPU这样的专用处理器则难以应对持续的变革。它们对特定操作进行了优化，而当AI领域快速演进时，这些芯片便迅速被淘汰。显然，面对这种全新的软件范式，我们需要的是一种通用的、并行的、灵活的硬件平台 —— GPU。

  为什么通用平台在边缘侧更具优势  

边缘AI不仅需要性能，更需要适应性、可重用性与较长的生命周期；随着AI处理器的设计越来越复杂，且随着市场规模的扩大会吸引更多的玩家，大家都争相采用更先进的工艺来实现性价比和功耗的优化，以及在生态建设方面的大量花费，使得每个芯片项目的投入正变得越来越高。针对这些技术经济学挑战，现代GPU等通用并行处理器在这几个方面均具备明显优势：

灵活性：可编程，能够支持新的模型类型而无需更换硬件；

可扩展性：可适配从物联网（IoT）传感器到智能摄像头再到自动驾驶汽车等各种边缘设备；

软件生态成熟：拥有丰富的开源工具与开发标准（如OpenCL、LiteRT和TVM）；

可持续性：延长产品生命周期，减少不断重新设计芯片的需求。

简而言之，GPU的通用并行计算从架构层面就为AI的持续演进而设计。而GPU领域内的本身创新也在快速验证这一趋势，例如Imagination在不久前发布的E系列GPU就具有突破性的高效并行处理架构，在提供卓越图形性能的同时，针对人工智能工作负载，其 INT8/FP8 算力可在 2 到 200 TOPS 之间扩展。

  展望未来  

尽管有越来越多的证据说明GPU具备的优势，市场仍然习惯将AI加速与NPU或定制芯片划等号。但正如图形行业早年发现，固定功能的图形管线无法跟上游戏创新的节奏；如今AI行业也发现：固定硬件无法匹配快速变化的软件需求。

是时候重新教育整个生态了。边缘AI的未来不属于那些高度优化但功能狭窄的芯片，而是属于可编程的、可适配的并行计算平台，它们能与智能软件共同成长并扩展。诸如Imagination全新的E系列GPU，它为未来的边缘应用提供了一种通用且可编程的解决方案，涵盖图形渲染、桌面和智能手机等领域，可实现自然语言处理、工业计算机视觉以及自动驾驶等应用。

几十年前，Makimoto就洞察了这一趋势。如今，我们正在亲身经历他的远见 —— 顺应着通用性和灵活性的浪潮前行。GPU 不再是追赶者，它已处于领先位置。

免责声明

此文内容为第三方自媒体作者发布的观察或评论性文章，所有文字和图片版权归作者所有。
仅分享使用，如有版权问题请联系处理或删除。
关于我们



《工业AI》杂志由雅时国际商讯出版，内容聚焦AI在工业领域的技术应用，目的是让中国的工艺和制造工程师、经理和制造企业高管及时获取有关将人工智能纳入制造领域的最新新闻及技术信息。工业AI亦致力于打造业内领先的综合传媒及价值平台，为AI在工业领域的落地提供切实交流的机会。


您的“分享”“点赞”“在看”，为中国科技进步助力！