,,,,,,,,

來源：內容來自「新電子」，謝謝。

人工智能風潮席卷全球，而為了加速AI應用普及，并降低云端運算工作負載，實現更多的創新應用，邊緣運算需求與日俱增，AI開始從「云端」走向「終端」，也因而推升ASIC需求；

根據市調機構Ovum預估，2018~2025年，ASIC的市占率將從11%大幅增加至48%。Ovum調查報告指出，在2016年，云端(包含企業、數據中心等)為深度學習晶片的主要營收領域，占了80%。不過，到了2025年，此一比例將會改變，轉變成邊緣(Edge)占了80%，而云端的比例則降為20%。這邊所指的邊緣意指終端設備，且以消費性產品為中心(而非小型伺服器或是路由器)，包括移動裝置(手機、平板)、頭戴式顯示器(HMD)，如AR/VR /MR、智能音箱、機器人、無人機、汽車、安全攝影鏡頭等。

Tractica/Ovum研究總監Aditya Kaul表示，現今大多數的AI處理器，如GPU，多用于云端伺服器、資料中心，以在云端上進行AI訓練和推論。不過，隨著隱私、安全性需求增加，加上為了降低成本、延遲及打破頻寬限制等因素，分散式AI隨之興起，越來越多AI邊緣應用案例出現。例如蘋果的A12仿生芯片，其具備新一代「神經網路引擎」，以即時機器學習技術，改變智能手機的使用體驗。

Kaul指出，簡而言之，AI從云端轉向邊緣是現在進行式，當然目前AI在邊緣設備上多還是以推論為主，而非訓練。不過隨著AI創新應用增加，有越來越對芯片商嘗試提升終端裝置處理器的運算效能，為的就是不用再傳送資料至云端進行資料運算、推理和訓練。也因此，各式的處理器紛紛問世，像是CPU、FPGA、GPU、ASIC、NPU或SoC Accelerator等。

其中，ASIC的市占率可望隨著邊緣運算的需求增加而明顯攀升，從2018年的11%增加至2025年的52%。Kaul進一步解釋，ASIC之所以受到青睞，原因在于新興的深度學習處理器架構多以圖形(Graph)或Tensorflow為基礎架構；且上述提到AI邊緣運算受限于功耗和運算效能，因此多以推論為主，而非訓練。然而，若假設到2021年時，終端設備將導入大量AI芯片，所需要的便是能在同一個芯片上進行推理和訓練，可因應分散式運算且又具低功耗的IC，因此ASIC需求將持續上揚，實現更多AI邊緣應用案例。

*文章內容系作者個人觀點，不代表半導體行業觀察對觀點贊同或支持。