欢迎关注我的公众号「极智视界」，获取我的更多经验分享
大家好，我是极智视界，本文分享一下 解读国产AI算力 灵汐产品矩阵。
[系列声明：最近写了十余篇 “解读国产 AI 算力” 的文章 [我的公众号上]，已经形成一个系列，也引起了业界一些反响和共鸣，但其中的分析解读难免涉及具体的算力数据，有些可能比较敏感，其中部分几篇已经被厂商公关作删、改处理，所以本着 “不给别人添麻烦” 的考虑，灵汐这篇暂时会是这个系列的最后一篇，后续看情况续写，之前答应粉丝的浪潮、景嘉微，另还有知存、瑞芯微等，抱歉没在这个系列续上，相信后续还是有机会续上的。若您发现系列中仍有涉及敏感的地方，可随时联系小编进行处理 ]
先感叹一句：灵汐，多么不一样的存在。
“类脑计算”、”类脑计算芯片”，多么高大上的学术概念，很难想象它已经能够大规模商业化，而这就是灵汐。灵汐是全球首个成功研发出异构融合类脑芯片的 AI 芯片公司，是首个研发出兼容冯诺依曼架构、类脑计算模型双重架构 AI 芯片的公司，妥妥堪称 “国产之光”。
在解读灵汐产品矩阵之前，一定要对 “什么是类脑计算”、”什么是类脑芯片” 以及 “和现在的基于冯诺依曼架构的芯片有什么本质的区别” 等问题进行解释，估计很多同学应该都不太了解，因为我们习惯了 “传统芯片”。类脑计算是一种基于人脑神经元结构设计的计算方式，以完全拟人化为目标，追求在芯片架构上不断接近人脑。类脑芯片是模拟人脑进行设计来执行类脑计算，相比于传统芯片，类脑芯片在功耗和学习能力上具有更大优势。类脑芯片的研究就是基于微电子技术和新型神经形态器件的结合，希望突破传统计算架构，实现存储与计算的深度融合 (存算一体芯片也算类脑芯片中的一种)，大幅提升计算性能、提高集成度、降低能耗。传统计算机芯片都是依循冯·诺依曼架构而设计，存储与计算在空间上分离，计算机每次进行运算时需要在计算单元和存储单元之间往复调用，频繁的数据交换导致处理海量信息效率很低，造成难以逾越的 “存储墙’、”功耗墙”。而类脑芯片采用存算一体架构，是专门的模拟人脑计算方式的芯片架构，旨在解决 “存储墙” 和 “功耗墙”。
灵汐的产品矩阵十分之丰富，从产品形态角度涉及芯片处理器级、模组级、板卡级、服务器级，从算力场景则覆盖云、边、端。
对于类脑芯片处理器级，就是指的领启 KA200(-S) (而 HE200 是基于领启 KA200(-S) 的开发板)，类脑芯片领启 KA200(-S) 基于全新的存算一体、众核并行、异构融合架构，能高效支持深度学习神经网络、生物神经网络和大规模脑仿真。单芯片集成 25 万神经元和 2500 万突触 (稠密模式)，可扩展支持 200 万神经元和 20 亿突触的集成计算 (稀疏模式)，支持混合精度计算 (48 TOPS@INT8 和 24 TFLOPS@FP16)。不得不说，类脑芯片的硬件概念真的和现在传统的芯片不太一样，但是算力层面的数据还是可以对比的。那么领启 KA200(-S) 的算力到底是个什么水平呢，英伟达 Jetson NX 算力 21 TOPS@INT8，英伟达 Jetson AGX Xavier 算力 32 TOPS@INT8，英伟达 Tesla T4 算力 130 TOPS@INT8。好像、似乎真没有直接对标的，但考虑到灵汐从芯片架构层面就是颠覆性的，对标个啥，另辟蹊径就好啦。
对于类脑计算模组，指的是 HM100，它是一款基于类脑芯片领启 KA200(-S) 开发的高度集成化模组，适用于嵌入式系统和边缘系统，可广泛用于智能摄像机、机器人、无人机等强算力AI场景和脑科学研究。HM100 模组的大小只有 2/3 的信用卡那么大，可以提供 48 TOPS@INT8、24 TFLOPS@FP16 的算力，这个算力跟上面介绍的 KA200(-S) 芯片的算力一样 (当然了，HM100 里面就是 KA200(-S) 的芯片…)
对于类脑板级产品，灵汐有三款板卡，主要面向推理场景，分别是 HP100、HP201 和 HP300，区别就在 HP100 用了一颗芯片、HP201 用了两颗芯片、HP300 用了三颗芯片，然后三个不同级别算力的卡就可以用于不同的应用场景，这种产品的 “纵深感” 设计简单而清晰。下面我整理了 HP100、HP201、HP300 的性能参数，加入英伟达的 T4 卡进行对比，如下，
来分析一下，灵汐推理卡这种芯粒堆叠的方式跟算能的很像，三芯粒的卡为 70 W 是对标 T4 的存在，这同样跟算能的很像。从功耗上来看，这里 “相对公平” 的对比为 HP300 vs T4，可以看到灵汐 HP300 在算力、视频解码、显存容量、主机接口方面都是胜出的，但在显存带宽这一项落后明显。来分析一下，可以看到从 HP100 -> HP201 -> HP300，他们的显存带宽都是一样的，而三张卡的区别在于数量上一颗、两颗、三颗芯粒的区别，考虑显存若是按 HBM 堆叠的方式，显存带宽理应为 1x、2x、3x 的存在。但事实不是如此，说明灵汐的多颗芯粒也是类似 “串联” 的形式，而非 “堆叠”。这种芯片互联的方式看起来明显落后，但实则可能考虑适应其 “存算一体” 的架构设计，不得已而为之。
三款推理卡从产品外形来看是一下的，下面是产品图，
对于类脑计算服务器级产品，有两款分别是 SL600 和 SL800，CPU 采用了英特尔的。这个不多说了，无非就是插几张卡的区别，跳过。
对于类脑计算边缘产品，灵汐有四款边缘计算设备，分别是 HS100-L、HS100、HS110 和 HS140，其产品形态都为边缘计算盒子。下面我整理了 HS100-L、HS100、HS110 和 HS140 的性能参数，加入了英伟达 Jetson AGX Xavier 进行对比分析，如下，
来分析一下，灵汐的几款边缘计算设备上的 NPU 能力都来自一颗领启 KA200(-S)，区别主要在主控和外设上，而外设的参数过多，这里就没有罗列了 (如有兴趣可自行查阅)。而一颗领启 KA200(-S) 提供的算力在边缘场景已经是很能打了，已经是轻松超越英伟达 Jetson AGX Xavier 的存在。所以基本可以这么总结：灵汐的边缘计算产品，性能都差不多，主要按外设配置来区分产品级别、对应不同的应用场景。
下面是 HS100-L 的产品图，
下面是 HS100 的产品图，
下面是 HS110 的产品图，
下面是 HS140 的产品图，
整体，灵汐让我看到了不一样的 AI 芯片解决方案，让人大开眼界。而且，给人很明显的感觉是，灵汐毫不 “吝啬” 自家芯片的性能参数，反而是详细、赫然公布在自家官网，而这其实在国产 AI 芯片厂商中是非常罕见的，是有点强如华为昇腾的意思了 (从这个角度来说，这篇应该不会被公关了)。那么灵汐的底气到底来自哪里呢？ 通过上面的分析，灵汐的算力产品应该算属于一个 “还不错” 的水平，但远没有达到 “遥遥领先”，所以从算力产品本身的实力水平来说，不应该有这种 “底气”。继续考虑，灵汐是类脑芯片，是存算一体芯片，需要清楚的是存算一体芯片的主要器件并不是晶体管，而是忆阻器 RRAM，而忆阻器对芯片先进制程的要求并没有那么严苛。拿这个领域最权威的清华大学吴华强教程团队的存算一体芯片来说，最开始是用了 65nm 的制程就能达到不错的性能，而市场上主流一些的存算一体芯片主要还是集中在 22nm、14nm 左右，而灵汐的技术会稍显先进，采用了 12nm 工艺。12nm 制程工艺是什么水平呢，前段时间华为发布量产机 HUAWEI Mate60，说明国产先进芯片制程已经能够达到 7nm，而退一步广为人知的是，中芯国际是早已具备量产 14nm 芯片的能力。对于灵汐的 12nm，暂且不说本身就不在美国的芯片封控范围之内，即使要是美国 “特事特办” 对灵汐实施封锁，考虑到类脑芯片对先进制程的要求并没有太高，所以灵汐根本不用担心。
再感叹一句：灵汐，多么不一样的存在。
好了，以上分享了 解读国产AI算力 灵汐产品矩阵，希望我的分享能对你的学习有一点帮助。
【公众号传送】
畅享人工智能的科技魅力，让好玩的AI项目不难玩。邀请您加入我的知识星球， 星球内我精心整备了大量好玩的AI项目，皆以工程源码形式开放使用，涵盖人脸、检测、分割、多模态、AIGC、自动驾驶、工业等。一定会对你学习有所帮助，也一定非常好玩，并持续更新更加有趣的项目。 t.zsxq.com/0aiNxERDq
