自上世纪80年代以来，多层神经网络和反向传播算法的出现为人工智能行业点燃了新的火花。到2016年，AlphaGo击败了韩国Go九家专业公司，标志着另一波人工智能浪潮的到来。在这个阶段，人工智能领域已经全面繁荣起来。

人工智能芯片的发展历史

人工智能的兴起给半导体工业带来了新的机遇，半导体市场发生了翻天覆地的变化。然而，为了将人工智能向智能手机、车载网络、物联网等终端转移，对硬件的计算能力和能耗提出了更高的要求，在移动硬件方面，这些操作必须同时满足高速低功耗的要求。

鉴于这些要求，人工智能核心计算芯片也经历了四大变化。

2007年以前，人工智能的研究和应用经历了几次起起落落，还没有发展成一个成熟的行业；同时，由于受到算法、数据等因素的限制，现阶段对人工智能芯片的需求并不特别强烈，一般CPU芯片可以提供足够的计算能力。

随着高清晰度视频、游戏等行业的发展，GPU产品取得了迅速的突破，同时人们发现GPU的并行计算特性正好满足人工智能算法大数据并行计算的要求，GPU等大型数据并行计算的效率比以前的传统CPU提高了9~72倍，于是人们开始尝试使用GPU进行人工智能计算。

进入2010年后，云计算得到了广泛的推广，人工智能研究人员可以利用云计算与大量的CPU和GPU进行混合计算。事实上，今天人工智能的主要计算平台是云计算。然而，人工智能行业对计算能力的需求正在迅速提高，因此在2015年之后，人工智能行业开始开发专门的人工智能芯片。通过更好的硬件和芯片架构，计算效率、能耗比等性能得到了进一步提高。

AISoC的基石

由于发现传统的AISoC体系结构效率低下，系统规范需要进行越来越多的体系结构探索以优化设计，以提高神经网络处理的吞吐量。FinFET时代的到来促使产品架构师和片上系统(SoC)工程师更仔细地研究在每个时钟周期执行的计算效率。

越来越多的企业开始提供优秀的神经网络体系结构，但这些复杂的功能也导致硅片温度升高，功耗预算越来越紧。此外，由于RTL代码性质的变化，该架构的迅速发展使得交付进程更加紧张。面对功耗和上市时间的双重挑战，开发适合于同一芯片区域并在任务模式下按照预期吞吐量水平执行的完整芯片布局并非易事。

设计人员需要使用构成计算电路的构建模块，以解决在组件级实现高性能人工智能(AI)SoC的功耗、性能和面积(PPA)目标的问题。这些由布尔逻辑和内存存储单元组成的组件称为基本IP。

目前，最流行的深度学习技术是深层神经网络(DNN)，它是许多现代人工智能应用的基础。由于DNN在语音识别和图像识别方面取得了突破性的成果，使用DNN的应用数量急剧增加，这些DNN方法被广泛应用于无人驾驶汽车、癌症检测、游戏人工智能等领域。在许多领域，DNN的精度都比人类高。

然而，在实施DNN时，如果选择错误的方法，可能会给项目的进展带来很多麻烦。因此，使用IP，在设计周期内为过程纠正提供灵活性，是产品成功推出的必要条件。