AI 正在改变产业和国家安全，了解硬件能力对保持技术优势至关重要。AI 加速器是专门加速神经网络、深度学习、机器学习的系统，近十年发展迅速。自 2018 年起，林肯实验室超级计算中心（LLSC）开展了 Lincoln AI Computing Survey（LAICS），至今已发布六篇论文，持续对商业 AI 加速器的峰值性能和峰值功耗进行汇总比较。
LAICS 的动机来自约八年前研究论文中出现的大量新型 AI 加速器，以及政府资助方对这些技术的关注。项目负责人 Albert Reuther 及其团队负责运营和优化数千名实验室研究人员使用的高性能计算系统。
AI 加速器不仅用于机器学习，还可加速分子功能建模、流体动力学仿真等计算密集型并行任务。加速器形态包括 CPU、GPU、ASIC、FPGA、数据流加速器等。CPU 适合通用计算，ASIC 只执行特定任务，GPU、FPGA、数据流加速器则更灵活，可针对多种工作负载配置。不同设计导致效率和性能差异。
LAICS 通过公开数据比较加速器的峰值性能和功耗，并按芯片、卡或系统层级分类。首篇论文分析了 57 款加速器，最新论文覆盖 120 多款。数据来源主要是公开的技术报告和公司公告，获取难度大，因为部分厂商不公开功耗和性能数据。Reuther 每日检索新闻、引用和行业发布，以保持最新信息。
调查显示，每年约有 5–10 家初创公司获得融资并发布新加速器，行业仍在快速迭代。2022 年的论文指出性能提升主要来自更小、更密集的晶体管以及使用低数值精度（即更少有效位）。最新论文则分析了架构选择，如增加每个处理器的核心数或并行性能，对系统整体表现的影响。
Reuther 计划长期继续该调查，近期已有六家新创公司推出首款 AI 加速器。他强调，AI 与其硬件是热点话题，林肯实验室需要保持中立，为政府和研究部门提供技术选型建议。LAICS 已帮助众多赞助方和同事更好地了解加速器格局，做出更明智的研发和采购决策，也指导 LLSC 未来系统采购的 GPU 选型，惠及所有用户。
点评