《白皮書》首次整合了國際化的學術(shù)和產(chǎn)業(yè)資源，緊扣學術(shù)研究和產(chǎn)業(yè)發(fā)展前沿，對人工智能芯片技術(shù)進行了深入探討、專業(yè)闡述，完成了對AI芯片各種技術(shù)路線梳理及對未來技術(shù)發(fā)展趨勢和風險預判。

據(jù)悉，《白皮書》由斯坦福大學、清華大學、香港科技大學、臺灣新竹清華大學，北京半導體行業(yè)協(xié)會及新思科技的頂尖研究者和產(chǎn)業(yè)界資深專家，包括10余位IEEE Fellow共同編寫完成。

近些年隨著大數(shù)據(jù)的積聚、理論算法的革新、計算能力的提升及網(wǎng)絡設施的發(fā)展，使得持續(xù)積累了半個多世紀的人工智能產(chǎn)業(yè)，又一次迎來革命性的進步，人工智能的研究和應用進入全新的發(fā)展階段。

實際上，人工智能產(chǎn)業(yè)得以快速發(fā)展，都離不開目前唯一的物理基礎(chǔ)——芯片。可以說，“無芯片不AI”。

目前，關(guān)于AI芯片的定義沒有一個嚴格和公認的標準。較為寬泛的看法是面向人工智能應用的芯片都可以稱為AI芯片。具體來說，報告中探討的AI芯片主要分為三類，一是經(jīng)過軟硬件優(yōu)化可高效支持AI應用的通用芯片，如GPU；二是側(cè)重加速機器學習（尤其是神經(jīng)網(wǎng)絡、深度學習）算法的芯片，這也是目前AI芯片中最多的形式；三是受生物腦啟發(fā)設計的神經(jīng)形態(tài)計算芯片。

AI芯片的計算既不脫離傳統(tǒng)計算，也具有新的計算特質(zhì)，主要特點有三：處理內(nèi)容往往是非結(jié)構(gòu)化數(shù)據(jù)，如視頻、圖像及語音等，需要通過樣本訓練、擬合基環(huán)境交互等方式，利用大量數(shù)據(jù)來訓練模型，再用訓練好的模型處理數(shù)據(jù)；處理過程需要很大的計算量，基本的計算主要是線性代數(shù)運算，大規(guī)模并行計算硬件更為適合；處理過程參數(shù)量大，需要巨大的存儲容量，高帶寬、低延時的訪存能力，及計算單元和存儲器件間豐富且靈活的連接。

AI芯片的新計算范式，也為芯片提出了處理非結(jié)構(gòu)化數(shù)據(jù)、計算量大及存儲和計算間的訪問連接等新問題。

在應用場景上，AI芯片的應用主要分為云端和終端，以深度學習的算法來說，云端人工智能硬件負責“訓練+推斷”，終端人工智能硬件負責“推斷”，因而終端的計算量更小，相對沒有傳輸問題。但從自動駕駛、智慧家庭，到loT設備等，速度、能效、安全和硬件成本等是重要因素。

云端AI計算：目前各大科技巨頭紛紛在自有云平臺基礎(chǔ)上搭載人工智能系統(tǒng)，主要有IBM的waston、亞馬遜的AWS、以及國內(nèi)的阿里云、百度云平臺等。其中英偉達的GPU采用更為廣泛，賽靈思、英特爾、百度等廠商也在積極采用FPGA在云端進行加速，一些初創(chuàng)公司，如深鑒科技等也在開發(fā)專門支持 FPGA 的 AI 開發(fā)工具。另外，除GPU和FPGA外，AI領(lǐng)域?qū)Ｓ眉軜?gòu)芯片ASIC則因其更好的性能和功耗，成為云端領(lǐng)域新的攪局者，如谷歌的TPU。

邊緣AI計算：隨著人工智能應用生態(tài)的爆發(fā)，越來越多的AI應用開始在端設備上開發(fā)和部署。

智能手機是目前應用最為廣泛的邊緣計算設備，包括蘋果、華為、高通、聯(lián)發(fā)科和三星在內(nèi)的手機芯片廠商紛紛推出或者正在研發(fā)專門適應 AI 應用的芯片產(chǎn)品。另外，也有很多初創(chuàng)公司加入這個領(lǐng)域，如地平線機器人、寒武紀、深鑒科技、元鼎音訊等。傳統(tǒng)的IP 廠商，包括 ARM、Synopsys 等公司也都為包括手機、智能攝像頭、無人機、工業(yè)和服務機器人、智能音箱以及各種物聯(lián)網(wǎng)設備等邊緣計算設備開發(fā)專用 IP 產(chǎn)品。

自動駕駛是未來邊緣AI 計算的最重要應用之一，MobileEye SOC 和 NVIDIA Drive PX 系列提供神經(jīng)網(wǎng)絡的處理能力可以支持半自動駕駛和完全自動駕駛。

目前云和邊緣設備在各種AI應用中往往是配合工作。最普遍的方式是在云端訓練神經(jīng)網(wǎng)絡，然后在云端（由邊緣設備采集數(shù)據(jù)）或者邊緣設備進行推斷。

由于前文所述的AI芯片需要滿足高效的數(shù)據(jù)訪問，以及深度學習下的新的計算范式，AI芯片在發(fā)展上，也遇到了一些瓶頸問題，特別是馮·諾依曼瓶頸，及CMOS工藝和器件瓶頸。

馮·諾依曼瓶頸：在傳統(tǒng)“馮·諾依曼架構(gòu)”中，計算模塊和存儲單元互相分離，數(shù)據(jù)從處理單元外的存儲器提取，處理完之后再寫回存儲器。每一項任務，如果有十個步驟，那么CPU會依次進行十次讀取、執(zhí)行，再讀取、再執(zhí)行，這就造成了延時，以及大量功耗花費在了數(shù)據(jù)讀取上。

可以不夸張地說，大部分針對AI，特別是加速神經(jīng)網(wǎng)絡處理而提出的硬件架構(gòu)創(chuàng)新都是在和這個問題做斗爭。概括來說，目前的解決思路包括減少訪問存儲器的數(shù)量，降低訪問存儲器的代價。

CMOS工藝和器件瓶頸：目前，人工智能，特別都是機器學習的發(fā)展將需要更有力的、超過每秒百億次運算能力的計算系統(tǒng)，而構(gòu)建這些系統(tǒng)的基礎(chǔ)是CMOS技術(shù)的芯片，而CMOS工藝能不斷提高系統(tǒng)性能主要得益于集成尺寸的縮小。過去30年，摩爾定律很好預測了這種計算進步，但由于基礎(chǔ)物理原理限制和經(jīng)濟的原因，持續(xù)提高集成密度變得越來越困難。

目前的解決方案是通過開發(fā)提供大量存儲空間的片上存儲器技術(shù)，并探索利用片上存儲器去構(gòu)建未來的智能芯片架構(gòu)。另外，近年來，可以存儲模擬數(shù)值的非易失性存儲器發(fā)展迅猛，能同時具有存儲和處理數(shù)據(jù)能力，可以破解傳統(tǒng)計算體系結(jié)構(gòu)的一些基本限制，有望實現(xiàn)類腦突觸功能。

而針對以上AI芯片計算和應用上的需求，目前云端和邊緣設備的AI芯片都在進行新的研發(fā)。

AI云端訓練和推斷：大存儲、高性能、可伸縮。從英偉達和谷歌的設計實踐可以看出云端AI芯片在架構(gòu)層面，技術(shù)發(fā)展的幾個特點和趨勢：存儲的需求（容量和訪問速度原來越高）；處理能力推向每秒千萬億，并支持靈活伸縮和部署；專門針對推斷需求的FPGA和ASIC。

邊緣設備：目前，衡量AI 芯片實現(xiàn)效率的一個重要指標是能耗效率——TOPs/W，這也成為很多技術(shù)創(chuàng)新競爭的焦點。

其中，降低推斷的量化比特精度是最有效的方法；除降低精度外，提升基本運算單元MAC的效率還可以結(jié)合一些數(shù)據(jù)結(jié)構(gòu)轉(zhuǎn)換來減少運算量；另一個重要的方向是減少對存儲器的訪問，如把神經(jīng)網(wǎng)絡運算放在傳感器或存儲器中；此外，在邊緣設備的AI芯片中，也可以用各種低功耗設計方法來進一步降低整體功耗。最后，終端設備AI芯片往往呈現(xiàn)一個異構(gòu)系統(tǒng)，專門的AI加速器和CPU、GPU、ISP、DSP等協(xié)同工作以達到最佳效率。

軟件定義芯片：通用處理器如CPU、GPU，缺乏針對AI算法的專用計算、存儲單元設計，功耗大；專用芯片ASIC功能單一；現(xiàn)場可編程陣列FPGA重構(gòu)時間開銷過大，且過多的冗余邏輯導致其功耗過高。以上傳統(tǒng)芯片都難以實現(xiàn)AI芯片所需要的“軟件定義芯片”。

可重構(gòu)計算技術(shù)允許硬件架構(gòu)和功能隨軟件變化而變化，具備處理器的靈活性和專用集成電路的高性能、低功耗，是實現(xiàn)“軟件定義芯片”的核心，被公認為是突破性的下一代集成電路技術(shù)，清華大學的AI芯片Thinker目前采用可重構(gòu)計算框架，支持卷積神經(jīng)網(wǎng)絡、全連接神經(jīng)網(wǎng)絡和遞歸神經(jīng)網(wǎng)絡等多種AI算法。

如前所述，提高AI芯片的性能和能效的關(guān)鍵之一在于數(shù)據(jù)訪問。而在傳統(tǒng)的馮·諾依曼體系結(jié)構(gòu)中，數(shù)據(jù)從存儲器串行提取并寫入到工作內(nèi)存，導致相當長的延遲和能量開銷。

近期，面向數(shù)字神經(jīng)網(wǎng)絡的極速器（GPU、FPGA和ASIC）迫切需要AI友好型存儲器；中期，基于存內(nèi)計算的神經(jīng)網(wǎng)絡可以為規(guī)避馮·諾依曼瓶頸問題提供有效的解決方案；后期，基于憶阻器的神經(jīng)形態(tài)計算可以模擬人類的大腦，是AI芯片遠期解決方案的候選之一。

而對應的新興計算技術(shù)包括近內(nèi)存計算、存內(nèi)計算，以及基于新型存儲器的人工神經(jīng)網(wǎng)絡和生物神經(jīng)網(wǎng)絡。

神經(jīng)形態(tài)芯片，即“仿生電腦”。如前所說，對于馮·諾依曼、CMOS工藝和器件瓶頸形成的AI芯片存儲、計算間的問題，神經(jīng)形態(tài)計算是一種新的路徑。

近些年，神經(jīng)形態(tài)計算也用來指采用模擬、數(shù)字、數(shù)模混合VLSI以及軟件系統(tǒng)實現(xiàn)的神經(jīng)系統(tǒng)模型。其將數(shù)字處理器當作神經(jīng)元，把內(nèi)存作為突觸，內(nèi)存、CPU和通信部件完全集成在一起，采用模擬人腦神經(jīng)元結(jié)構(gòu)來提升計算能力。每個神經(jīng)元計算都是本地的，且從全局來看神經(jīng)元們是分布式在工作。受到腦結(jié)構(gòu)研究的成果啟發(fā)，研制出的神經(jīng)形態(tài)芯片具有低功耗、低延遲、高速處理、時空聯(lián)合等特點。

“未來能否有一個終極算法來實現(xiàn)通用人工智能？”這個問題還沒有人能給出肯定的答案。芯片是人工智能算法的物理基礎(chǔ)，它與算法唇齒相依。如果能有統(tǒng)一的終極算法出現(xiàn)，那么我們很可能會看到一個終極芯片出現(xiàn)。

但在未來很長一段時期，不同的應用仍然需要不同的算法（也包括傳統(tǒng)算法），因此我們還必須探索不同的架構(gòu)，探索新的器件甚至材料。隨著底層芯片技術(shù)的進步，人工智能算法也將獲得更好的支持和更快的發(fā)展。

CMOS 技術(shù)與新興信息技術(shù)的交叉融合，開源軟件到開源硬件的潮流漸顯，預示著將迎來一個前所未有的協(xié)同創(chuàng)新機遇期。

編輯 ∑ Gemini

文章來源：機器人

IEEE Spectrum

《科技縱覽》

官方微信公眾平臺