近日，坊間傳聞許久的比特大陸第二代人工智能芯片BM1682，正式出現在其官網頁面。根據比特大陸一貫神秘務實的風格，相信基于BM1682的板卡、服務器也已經備好了。筆者在芯片行業浸淫十多年，嘗試根據比特大陸官網公布的產品白皮書，來分析一下這兩代人工智能芯片之間的異同，嘗試談一談比特大陸在人工智能領域的意圖和野心。
2017年第4季度，比特大陸正式推出了其人工智能品牌算豐（SOPHON），發布了全球首款公開發售的TPU（Tensor Processing Unit張量計算單元）芯片BM1680，專門用于人工智能中的深度學習加速。時隔不足一年，2018年3月，比特大陸又推出其第二款TPU芯片BM1682，根據初步披露的資料顯示，BM1682是一塊專門用于圖像／視頻處理方向的人工智能芯片。
BM1682與BM1680使用了相同的深度學習算法的硬件加速模塊，但相比BM1680而言，BM1682具有更強大的深度學習算法執行能力，此外BM1682還增加了視頻處理子模塊，以及適用于具體應用場景的諸多功能模塊。
下面我們對其兩者進行一個具體的對比評測：
頂層架構——BM1682定位更細分
從頂層架構可以看出，BM1680和BM1682均集成了深度學習算法所用到的核心模塊NPUs。NPU是比特大陸自行研發的深度學習算法硬件加速器，用于加速深度學習算法的執行速度。
從頂層架構圖上可以看到，BM1680比BM1682額外集成了高度定制的BMDNN Chip Link Subsystem。該子模塊可以在高速SerDes上提供穩定、靈活、低延遲的鏈路。用戶可以通過該鏈路將多個BM1680芯片連接成一個統一的整體，使其協同工作，大大提高系統的運算能力。BM1682并沒有集成此模塊，這大概是基于BM1682專一化的市場應用定位，以及處理速度足夠滿足用戶對圖像／視頻處理需求而考慮的。
從頂層架構圖上可以看到與BM1680相比，BM1682芯片的整體架構發生了不小的變化，其定位則更加細分明確。從右上角增加的Video Subsystem模塊可以明確看出，該款芯片定位于圖像／視頻處理方向。
（數據來自比特大陸官網）
模塊細節——BM1682設計更豐富
BM1682的深度學習加速的核心功能模塊與BM1680是相同的。兩款芯片均包含了深度學習的核心單元—硬件加速器NPU Subsystem。兩者的NPU Subsystem均各自集成了64個NPU單元，統一由NPU Schedule Engine進行調度（BM1682架構圖中未體現），最大化的提高了NPUs的效率，加快了深度學習算法inference （推演）與training （訓練）的速度。根據初步資料顯示，兩者在MCU的配置上是有些許差異的，但由于資料不全面，故無法評斷出兩者的MCU處理能力的差別。
除了深度學習算法硬件加速模塊（NPUs）、用于高速連接其余BM1680的Chip Link模塊之外，BM1680還提供了4個獨立的DDR4通道，最高支持16GB的DDR3 或 DDR4 DRAM拓展，用于高速數據緩存讀取，以提高系統的執行速度。BM1680還加入了Global DMA模塊。DMA用于提供數據搬移功能，這可以在大塊數據進行讀寫搬移時不占用MCU的資源，如在DDR4 的RAM中搬移數據時。對于大數據量的深度學習系統，DMA可以極大的提高效率。BM1680的Peripheral Subsystem 提供了UART、SPI、IIC與GPIO等接口，用于外接傳感器，或與外界進行通訊、記錄、控制等操作。這些接口都屬于通用接口，可見BM1680的定位就是通用深度學習芯片，在外設上沒有給與太多支持。
從架構圖看，BM1682明顯復雜了很多。其額外增加了AP （Application Processor） Subsystem和Video Subsystem（視頻處理系統）。Video Subsystem（視頻子系統）則主要專注于視頻預處理的相關任務。
BM1682的Video Subsystem提供了2個H．264視頻解碼器，1個H．265解碼器。H．264 ／H．265均為視頻編碼方式，也是比較流行的視頻編碼的兩種方式。相對而言，H．265視頻編碼比H．264具有更高的壓縮比、更強的網絡糾錯適應能力，但考慮到現階段在安防、智能家居和互聯網視頻領域中仍然還是以H．264編碼的視頻和視頻設備為主，兩者2：1的譯碼器數量在視頻支持類型和解碼帶寬做了一個合適的權衡。比較貼心的是，BM1682提供了Video Post－Processing功能，該子模塊用于對采用H．264或H．265編碼的視頻進行渲染處理，這些渲染處理主要包括顏色空間轉換、視頻剪裁、縮放操作、仿射變換、多幀拼接等常規操作。經過Video Post－Processing對外界進入的視頻數據進行硬件加速預處理后，Video Subsystem會將處理后數據通過總線傳輸給NPUs、DRAM、AP System或外接存儲設備，然后進行后續的深度學習處理等操作。
BM1682提供了豐富的外界交互接口，如高速接口PCIE、以太網、SDIO3．0、WIFI等。BM1682將數據處理完畢后可以很方便的通過PCIE接口、以太網接口、或者WIFI接口將數據傳輸到總服務器。若是條件限制沒有網絡接入點，用戶可以選擇通過接入SDIO3．0的eMMC存儲器或是PCIE式存儲器將數據存儲到本地存儲裝置。可見，BM1682對其可能的應用場景做了充分的考慮并給予了硬件支持，用戶可以根據需求，靈活方便的進行配置。
Peripheral Subsystem方面，BM1682比BM1680要豐富的多，這大大方便了用戶進行系統拓展，如添加額外傳感器等。BM1682的外設包括2個SPI接口、4個UART接口、4個IIC、4路PWM生成器、一塊內嵌式SPI Flash、WDG、Timer、GPIO、PVT Sensor、Top Reg、Efuse、ROM。由給出的外設可以看到，BM1682的設計考慮了配置、存儲、對外界系統實時控制、以及加密保護等功能，極大提高了系統的靈活性、安全性，省卻了用戶額外添加相關功能的開發成本。
性能分析——BM1682極大提升
NPU深度學習硬件加速器是人工智能的核心。兩者NPUs模塊集成了64個NPUs單元，通過NPU Schedule Engine進行調度。BM1682中每個NPU含有32個EUs，BM1680未知。根據BM1680、BM1682數據手冊顯示，單片BM1680單精度運算速度為2TFLops；單片BM1682單精度運算速度為3TFLops。BM1682的單片運算速度高出BM1680 50％。
BM1680單片的運行速度低于BM1682，但BM1680支持級聯工作模式，數個BM1680可以通過高速的Chip Link Subsystem組成一個集群式的系統，進行更高處理量的運算處理任務。BM1682不具備級聯功能。下圖為BM1680芯片的級聯連接示意圖。
圖 ｜ 級聯方式：每個Node代表一個BM1680
電學方面，根據兩者的數據手冊顯示：滿載工作時BM1680的TPD（Thermal Design Power熱設計功耗）為41W；：滿載工作時BM1682的TPD小于50W。從功耗角度分析，BM1680的2TFlops的NPUs速度應該是有所保留的。
（數據來自比特大陸官網）
開發生態——兩代芯片都很到位
BM1680、BM1682均支持的主流的CNN／RNN／DNN深度學習架構，通過這兩款TPU芯片進行硬件加速，可以極大的提高深度學習算法的執行速度。當然，BM1680和BM1682也可以通過基礎的矩陣運算進行深度學習的模型、架構的搭建。
在開發生態方面，兩款芯片的支持也是很到位的。BM1680、BM1682均對后端用戶提供SDK；如果用戶需要進行深度優化以獲取算法最優性能，可以聯系廠家獲得相關教學支持。
應用領域——BM1682更專注圖像、視頻處理
由前述分析可知，BM1680為通用性人工智能芯片，其應用方向沒有偏向性，芯片內部主要集成了深度學習算法所需要的基本模塊，應用各種人工智能的深度學習算法，通過添加相應的外圍電路模塊，BM1680可以搭建成適用于任一個領域的深度學習系統——像圖片識別、自然語言處理、文本處理、金融、醫學等等大小領域均可選擇該芯片實現。BM1680更加具有靈活性。而且，BM1680可以進行級聯，所以對于需要處理巨大數據量的人工智能深度學習系統，BM1680尤為合適。像企業級應用、海量數據處理等方面，通過簡單的級聯BM1680就可以獲取相匹配的計算能力，靈活而強大。
而BM1682則是一個升級版的BM1680并配備了專門用于視頻處理的集成系統，整個BM1682芯片搭載了視頻處理所需要的全部核心模塊，以及對其具體應用場景適應性的輔助模塊。BM1682對于需要進行圖像／視頻處理的市場應用可謂是十分便捷了。BM1682的輔助功能配置模塊自帶有線與無線網絡功能，對于視頻監控方向的市場應用十分方便，無線功能更是省略了網線布線的繁瑣施工，并且可用于實現遠程監控。對于一些沒有網絡的場合，如科研領域的野外視頻收集處理、閉路視頻監控等，BM1682可以輕松的添加外置存儲裝置進行數據備份收集。BM1682作為圖像／視頻方向深度學習的SoC片上系統，市場前景很是廣闊，這款新品還是很值得期待的。