从区块链到机器学习，专用集成电路（ASIC）通过专门化来掀起数字化转型的下一波浪潮。
ASIC的全称是专用集成电路。ASIC是为一种非常特定的用途而设计的硅芯片，旨在非常高效地执行一种重复的功能；相比之下，通用芯片可以执行各种各样的功能，但是效率较低（比如GPU或CPU）。如今ASIC用于全球各地的私有数据中心、公共云和联网设备。
1. 机器学习：谷歌的张量处理单元（TPU）是一种旨在运行关键深度学习算法的ASIC，作为TensorFlow机器学习框架的一部分。谷歌最初使用GPU和CPU来训练机器学习模型，但此后开发了新一代TPU，旨在既训练模型，又运行模型。TensorFlow是谷歌开发的开源机器学习库，它在TPU上运行效果最好，但也可以在CPU和GPU上运行。
2. 区块链：许多密码货币的本质是，区块一定要通过运行哈希算法来加以发现；发现的区块越多，发现区块的难度会逐渐加大。难度日益增加导致计算能力方面出现了一场“军备竞赛”，常常导致ASIC完胜CPU和GPU。比如说，比特币最初是在CPU和GPU上挖矿的，但是2013年左右，第一批比特币ASIC产出，这种ASIC运行比特币使用的SHA-256哈希算法的算法比通用芯片快得多，而且更高效，因而使CPU和GPU不再适用于这个功能。如今，Bitmain是区块链ASIC设计、生产和硬件部署这样的领域的全球领头羊，2017年收入可能超过英伟达。市场变得异常火爆，连全球最大的芯片供应商三星也在生产专门用于密码货币挖矿的ASIC芯片。不过，Bitmain不仅设计和生产硬件。此公司运营着世界上几个最大的数据中心，它们都塞满了自家的ASIC，该公司将ASIC卖给经销商及其他矿工之前，用这种硬件来挖矿密码货币。Bitmain现在将ASIC专业相关知识投入到AI领域，准备进军机器学习即服务（MLaaS）市场，与AWS和谷歌等巨头的解决方案一较高下。
3. 物联网“边缘”设备：推动数字化革命的是嵌入到智能设备中的电路。物联网设备本身常常使用定制的ASIC，以减少芯片上的物理空间，并且低能耗运行。此外，一些物联网设备与AWS IoT Core、TensorFlow或谷歌云等云平台相连接，这一些平台本身能运行ASIC。这样一来，物联网设备使用ASIC收集来自传感器的数据，将这一些数据推送到基于云的ASIC上运行的现有算法模型中，并将警报的信息或其他结果从模型发回给最终用户，或者只是馈送给模型，更准确地预测未来的结果。
4．多云：企业IT支持从社会化媒体、体育赛事到自动柜员机（ATM）的各种应用，要全面地看待企业IT，将其视为一种多云环境。今天的数字化企业依赖公共云、私有云和本地硬件的组合环境。作为这种环境的一部分，ASIC可以驻留在本地，也可以驻留在云环境。ASIC已经通过MLaaS出现在多云，许多企业早已在使用这项技术。
由于众多企业采用依赖ASIC的技术（比如机器学习和区块链），ASIC带来了诸多优点，包括速度快和能效高，这两大优点都节省了经营成本（opex），而且常常有助于促进创新。
由于CPU和GPU在大规模环境下无法堪当重任，许多企业在招兵买马，开发定制电路。正如微软研究院新体验和新技术（NExT）小组的杰出工程师道格•伯格（Doug Burger）向IDG解释：“我认为就诸多应用而言，大规模处理方面的重大突破将来自非CPU技术。”ASIC及有关技术将取代CPU。
KnuEdge是一家生产军用级语音识别和身份验证技术的公司。此公司发现了自己使用通用硬件无法达到所需的性能后，成立了一支新的团队，致力于研发ASIC。结果研发出了KNUPATH LambdaFabric处理器，专为快速、高效和准确的语音识别而设计。
为了更好地了解ASIC技术的价值，我们大家可以看一看加利福尼亚大学圣迭戈分校最近的一项研究（）。研究之后发现，就深度学习、视频转码和密码货币挖矿这些应用而言，ASIC云的总体拥有成本（TCO）远胜于GPU和CPU。研究报告声称：“ASIC云在每秒运算次数（ops/s）的TCO方面胜过CPU云，处理比特币、莱特币和视频转码时分别高出6270倍、704倍和8695倍。ASIC云在每秒运算次数的TCO方面胜过GPU云，处理比特币、莱特币和深度学习时分别高出1057倍、155倍和199倍。”
虽然ASIC很擅长某项任务，但只是在那一个方面做得很好。万一将来这一个用途过时，就会使购买或构建ASIC的企业面临风险。为降低这个风险，一些公司将目光投向FPGA（现场可编程门阵列），FPGA类似ASIC，但能定制――这在某种程度上预示着FPGA具有ASIC在效率方面的优点，又不被底层逻辑和功能绑住手脚。比如说，微软的必应（Bing）进行了一项测试，将FPGA和ASIC部署在它的一个数据中心，以便于提高这个搜索引擎的速度和效率。测试取得了巨大成功，使用FPGA将吞吐量提高了2倍，显著缩短了网络延迟。微软发现，在大规模环境下ASIC功耗更低，不过终究是选择了FPGA，因为以后能灵活地重新编程，以便处理其他任务。
幸好，由于云技术让企业能够在别人的机器上租用空间，所以没必要为了资本开支而在ASIC和FPGA之间作一选择，也没必要设立一个团队，专门研发定制芯片解决方案。不过正如人们预料的那样，完全依靠一家云提供商来获取这种技术削弱了节省长期成本这个优点。眼下，若公司希望涉足依赖ASIC的技术，最稳当的举措就是从云入手，在证明确实长期有效后，再考虑内部开发这种技术。
ASIC在推动数字化转型，开始在数据中心（无论是私有数据中心还是公共数据中心）发挥关键作用。如今对于精明的IT领导者来说，问题不在于要不可以使用ASIC（或FPGA），而是怎么样才可以最合理地将这种技术与多云环境中的传统CPU和GPU整合起来，以及如何最有效地管理整个软件开发和生产部署生命周期的成本。
承担技术过时之类的风险常常是在数字化经济中颠覆现有格局的那些公司不得不面临的负担。开发定制ASIC芯片可能只适合依赖尖端技术的资金充足的项目，可能也是数字化领导企业保持立于市场前沿的唯一选择。
行业交流群，欢迎加入，群主微信：aclood（备注任职单位+职位，否则不予通过）返回搜狐，查看更加多