人工智能近几年来成为了科技行业的宠儿，推动了IT产业的进一步变革。对于芯片设计和制造业，全球PC芯片的产量为2.5亿只，假设是双核CPU，每个核心每周期完成4次浮点操作，主频2.5GHz，3年使用寿命，那么PC芯片的总算力是15 Exa FLOPS。手机每年的产量是15亿只，假设是双核CPU，每周期4次浮点操作，主频1.5GHz，2年使用寿命，手机芯片的总算力约为36 Exa FLOPS。因此，以上3大应用在2017年里对深度学习算力的需求，比目前PC和手机芯片所能提供的算力高了近一个数量级。如果没有性能卓越的深度学习专用芯片，以目前全球集成电路制造业的产能，根本无法制造出满足目前应用需求的芯片数量。
假设PC和手机的工作时间为30%，服务器工作时间为80%，而比特币矿机的工作时间为100%，那么这3大类芯片的全球总功耗都在1000-3000兆瓦之间。如果按照每TFLOPS计算的功耗10瓦计算，300 Exa FLOPS深度学习计算的功耗大约是3000兆瓦，和全球PC消耗的总功耗相当，是服务器总功耗的2倍，这将对云服务的基础设施提出巨大的挑战。因此，为了能够持续推广深度学习的应用，我们需要更加省电的深度学习芯片。
在过去的30年中，超级计算的性能基本上每10年翻1000倍。随着摩尔定律的减缓甚至终结，未来10年我们是否还能实现1000倍多性能提升？超级计算最大的挑战依然是功耗，包括芯片本身以及大规模集群的功耗。另一个很大的挑战是内存墙。为此，研究者开发了很多内存计算的技术，但可能也解决不了所有的问题。此外，并行软件编程的很多技术并不成熟，还需要进一步探索。深度学习所需的计算量和数据量都非常庞大，但计算功能并不复杂，数据也相对规则，受限于摩尔定律的减缓。因此，深度学习应该发展专用芯片才有出路。
閱讀更多 燈塔科技 的文章
