最近参与了2024年北京AI芯片峰会，虽然是讲AI芯片，但因为目前算力主要讲的是智能算力，所以，针对高算力芯片的发展趋势有重点的讲解。之前没有很系统关注这块，这次算是做了全面了解。下面，借用峰会的一些内容，整理一下，试着解释一下算力方面的技术发展现状和趋势 。算力为什么突然被这么强调，主要是因为人工智能，人工智能实际上已经发展了很多年，为什么这两年突然会发现算力严重不足。那就要归功于 AI 大模型

原文链接：http://hi.baidu.com/horsewhite/blog/item/b167f81f6924ef0a304e15a0.html 做数据仓库系统，ETL是关键的一环。说大了，ETL是数据整合解决方案，说小了，就是倒数据的工具。回忆一下工作这么些年来，处理数据迁移、转换的工作倒还真的不少。但是那些工作基本上是一次性工作或者很小数据量，使用access、DTS或是自己编个小程序搞

现在大语言模型很火，但它的基础仍然是以神经网络为基础的深度学习，不懂神经网络，不了解深度学习，对于大语言模型的二次开发也是整不明白。那到底需要了解哪些知识？才能看懂深度学习/神经网络的基础模型，想要加入AI大潮，想要ALL In ，也是有很高门槛的。至少我自已还差不少知识点。花了点时间，看了一些资料，整理了一下：（注意：整理得很乱且不具备完整性，可能对读者帮助并不大，慎入）。

在人工智能时代，AI的算法不断推陈出新，对于硬件的算力和灵活度要求很高。FPGA的灵活性比较符合AI的特性。通过FPGA可以快速开始定制化运算的研究和设计，因为是使用FPGA，所以，可以保证开发软硬件平台的兼容，如果要获得更高性能，就定制ASIC芯片，如果ASIC过于昂贵，或者硬件产品的需求量不足，也可以继续使用FPGA。在应用规模扩大的合适时机，直接转换为定制化芯片，以提高稳定性，降低功耗和平均

我的专业课学得一点都不好，毕业后做了很小一段时间的嵌入式开发，然后就很快转到了软件领域，现在又转回了芯片行业，兜兜转转，想想人生也是这样，终点回到起点，也挺有意思。

一个学电路出身的程序员，突然对芯片行业产生兴趣，或许在职业生涯的末段，更换领域，跨界到芯片行业，这不是完全不可能。那芯片到底涉及了哪些知识，如何入门芯片？这显然不是一件容易的事情。

一颗成功的芯片是如何练成的？今天不讲技术，纯站在项目管理的（生产，测试，供应链过程管理）角度，看看，如何通过良好的项目管理，完成一颗芯片成功引入。另外，本文也主要站在生产测试中心的角度，来看一个芯片的NPI过程中，生产测试中心需要做些什么？        当然，要说明一下，芯片的成功并不是管出来的，最关键还是要技术过硬。管理更多是在效率上的提升，以及过程经验的积累。    通过本文的介绍，您可以看

芯片设计完成，给到工厂制造，封装后回来，要经过最重要的一个点亮的环节，你知道什么叫做点亮吗？其实，什么样叫做点亮，每家公司有每家的标准，本着自已不为难自已的原则，一般会有最简单的过程。当然，和不同的芯片也有关系，这里我只是以FPGA芯片为例，说说比较普遍的行业点亮标准。

在FPGA芯片设计公司中，硬件开发负责FPGA芯片的设计（电路，版图，后端），软件负责FPGA 的 EDA软件的设计（综合，实现，下载）。还有一个部门是生产测试中心，生产测试，对于刚涉足制造业的我，比较陌生，它实际上是有别于软件研发的非常重要的部门，它在其中起到什么作用呢？首先，它的职责一定是贯穿整个芯片设计、验证、生产和交付的全流程的。核心职责在于保证设计芯片质量、控制量产芯片质量，并提供客户支

在人工智能时代，AI的算法不断推陈出新，对于硬件的算力和灵活度要求很高。FPGA的灵活性比较符合AI的特性。通过FPGA可以快速开始定制化运算的研究和设计，因为是使用FPGA，所以，可以保证开发软硬件平台的兼容，如果要获得更高性能，就定制ASIC芯片，如果ASIC过于昂贵，或者硬件产品的需求量不足，也可以继续使用FPGA。在应用规模扩大的合适时机，直接转换为定制化芯片，以提高稳定性，降低功耗和平均