最近硬件業界有些熱鬧：IBM研發出能效超GPU 100倍的新型存儲器，英特爾預計2020年發佈第一批獨立GPU，清華的Thinker芯片論文入選ISCA-18。從學術界到產業界，芯片研究者的探索從未停止，進展也在切實發生。
芯片是當前科技、產業和社會關注的熱點，也是 AI 技術發展過程中不可逾越的關鍵階段。無論哪種 AI 算法，最終的應用必然通過芯片來實現。
在剛剛結束的計算機體系結構頂會ISCA 2018上，2017年的圖靈獎得主、體系結構領域的兩位宗師級人物John L. Hennessy和David A. Patterson在演講中指出，隨著摩爾定律和登納德縮放比例定律（Dennard Scaling）的放緩甚至停滯，單處理器核心的性能每年的提升已降為3%左右——相比上世紀60年代的黃金時期，那時候由於體系結構的創新，計算機性能每年提升在60%左右。
通用處理器性能提升的形勢看上去已經十分嚴峻，但接下來我們要帶來一些好消息。從IBM、英特爾到微軟，從學術界到產業界，芯片研究者的探索從未停止，進展也切切實實在發生。
IBM Nature論文：全新AI芯片，能效超GPU的100倍
在最近發表在Nature上的一篇論文中，IBM Research AI團隊用大規模的模擬存儲器陣列訓練深度神經網絡（DNN），達到了與GPU相當的精度。研究人員相信，這是在下一次AI突破所需要的硬件加速器發展道路上邁出的重要一步。
未來人工智能將需要大規模可擴展的計算單元，無論是在雲端還是在邊緣，DNN都會變得更大、更快，這意味著能效必須顯著提高。雖然更好的GPU或其他數字加速器能在某種程度上起到幫助，但這些系統都不可避免地在數據的傳輸，也就是將數據從內存傳到計算處理單元然後回傳上花費大量的時間和能量。
模擬技術涉及連續可變的信號，而不是二進制的0和1，對精度具有內在的限制，這也是為什麼現代計算機一般是數字型的。但是，AI研究人員已經開始意識到，即使大幅降低運算的精度，DNN模型也能運行良好。因此，對於DNN來說，模擬計算有可能是可行的。
但是，此前還沒有人給出確鑿的證據，證明使用模擬的方法可以得到與在傳統的數字硬件上運行的軟件相同的結果。也就是說，人們還不清楚DNN是不是真的能夠通過模擬技術進行高精度訓練。如果精度很低，訓練速度再快、再節能，也沒有意義。
在IBM最新發表的那篇Nature論文中，研究人員通過實驗，展示了模擬非易失性存儲器（NVM）能夠有效地加速反向傳播（BP）算法，後者是許多最新AI進展的核心。這些NVM存儲器能讓BP算法中的“乘-加”運算在模擬域中並行。
研究人員將一個小電流通過一個電阻器傳遞到一根導線中，然後將許多這樣的導線連接在一起，使電流聚集起來，就實現了大量計算的並行。而且，所有這些都在模擬存儲芯片內完成，不需要數字芯片裡數據在存儲單元和和處理單元之間傳輸的過程。
IBM的大規模模擬存儲器陣列，訓練深度神經網絡達到了GPU的精度。
由於當前NVM存儲器的固有缺陷，以前的相關實驗都沒有在DNN圖像分類任務上得到很好的精度。但這一次，IBM的研究人員使用創新的技術，改善了很多不完善的地方，將性能大幅提升，在各種不同的網絡上，都實現了與軟件級的DNN精度。
單獨看這個大規模模擬存儲器陣列裡的一個單元，由相變存儲器（PCM）和CMOS電容組成，PCM放長期記憶（權重），短期的更新放在CMOS電容器裡，之後再通過特殊的技術，消除器件與器件之間的不同。研究人員表示，這種方法是受了神經科學的啟發，使用了兩種類型的“突觸”：短期計算和長期記憶。
這些基於NVM的芯片在訓練全連接層方面展現出了極強的潛力，在計算能效 （28,065 GOP/sec/W） 和通量（3.6 TOP/sec/mm^2）上，超過了當前GPU的兩個數量級。
這項研究表明了，基於模擬存儲器的方法，能夠實現與軟件等效的訓練精度，並且在加速和能效上有數量級的提高，為未來設計全新的AI芯片奠定了基礎。研究人員表示，他們接下來將繼續優化，處理全連接層和其他類型的計算。
英特爾首款獨立GPU最早2020年問世，曝光14nm獨立GPU原型
另一芯片大廠英特爾自然也不會迴避這場遊戲。
昨天，英特爾發推正式確認，其首款獨立GPU最早將於2020年問世，並附上了一張英特爾首席架構師Raja Koduri的照片。
Raja Koduri在去年11月加入英特爾，此前曾在AMD擔任高級副總裁、RTG負責人。Raja Koduri有超過25年的視覺和加速計算技術，將推進英特爾的“計算和圖形領先”戰略。
不過，英特爾的推特並沒有說明這些GPU的發展方向，也沒有透露哪一款產品將率先上市，但預計數據中心和遊戲PC都是目標。
英特爾此前在2018年ISSCC會議（國際固態電路會議）上展示了首個14nm 獨立GPU原型，它是一個雙芯片解決方案。第一個芯片包含兩個關鍵部件：GPU本身和一個系統代理；第二個芯片是一個與系統總線連接的FPGA。目前，GPU組件基於英特爾的Gen 9架構，並具有三個執行單元（EU）集群。這三個集群連接到一個複雜電源/時鐘（power/clock）管理機制，該機制有效地管理每個EU的電源和時鐘速度。
還有一個雙時鐘機制，可以使時鐘速度(即升壓狀態)增加一倍，超過現在的Gen 9 EU可以在英特爾iGPU上處理的時鐘速度。一旦達到合適的能效水平，英特爾將使用新一代的EU，並利用新工藝流程擴大EU數量，開發更大型的獨立GPU。
Raja Koduri長期以來一直是圖形行業受人尊敬的領導者，他的加盟表明英特爾有意再次認真對待圖形產品。儘管很少有人質疑英特爾芯片設計的能力，但從頭開始構建新的GPU架構不是一件小事，英特爾在三年內會推出圖形產品的
難度非常大。Shrout Research的分析師Ryan Shrout表示，英特爾把目標定在2020年，目的是與AMD的Radeon和Nvidia的GeForce產品競爭。但英特爾需要與AMD和英偉達保持同樣的性能和效率，或者至少在20%的差距內。
微軟：雲計算招聘AI芯片工程師
微軟在芯片領域最近也有動作。
3月下旬，微軟在其Azure公共雲部門發佈了至少三個職位空缺，尋找適合AI芯片功能的應聘者。後來，該部門又掛出一個硅谷項目經理的職位空缺，以及“一個軟件/硬件協同設計和人工智能加速優化工程師”職位。
在與亞馬遜AWS和谷歌雲競爭之際，微軟願意不惜一切代價打造一個功能齊全的雲服務。專門的處理器是微軟證明其在雲計算領域為企業提供人工智能服務的一種方式。
半導體領域對微軟來說並不是全新的領域。微軟已經通過FPGA芯片增強雲計算的AI計算能力，並推出Project Brainwave項目。現在，這些芯片可用於使用Azure的即用型機器學習軟件進行AI模型的訓練和運行。
去年微軟表示，它正在為HoloLens的下一個版本構建定製AI芯片，但這不在其雲計算部門之內。
微軟的一位發言人告訴CNBC，新的職位空缺不屬於FPGA計劃的一部分，但與公司在設計自己的雲硬件方面所做的工作有關，該計劃名為Project Olympus。
谷歌由於在雲計算市場上落後於AWS和微軟，首次提出了在雲計算中為人工智能開發定製芯片的想法，並且推出的TPU已經進行了第三次迭代，成為了GPU的一種替代方案。然而，這是一個代價非常高昂的努力。
Moor Insights & Strategy的分析師Patrick Moorhead估計，谷歌在其TPU項目上已經花費了2億至3億美元。跟英特爾、谷歌一樣，微軟做AI芯片的過程也將非常艱辛。
不過，現在微軟已經表明了它的支出意願，上個季度的資本支出達到了創紀錄的35億美元。
宋繼強、魏少軍：AI芯片尚在發展初期，擁有巨大創新空間
通過芯片技術來大幅增強人工智能研發的條件已經成熟，未來十年將是AI芯片發展的重要時期，不論是架構上還是設計理念上都將有巨大的突破。
賽靈思在今年3月宣佈將推出新一代AI芯片架構 ACAP(Adaptive Compute Acceleration Platform)，這是一款高度集成的多核異構計算平臺，能根據各種應用於工作負載的需求對硬件層進行靈活變化；英偉達在終端側和服務中心分別提供不同性能和能效比的GPU芯片。
英特爾中國研究院院長宋繼強博士，清華大學教授、微納電子學系主任魏少軍博士在今年的《人工智能》雜誌第二期《AI 芯片：從歷史看未來》中寫道，架構創新是AI芯片面臨的一個不可迴避的課題。
我們要回答一個重要問題：是否會出現像通用 CPU 那樣獨立存在的 AI 處理器？如果存在的話，它的架構是怎樣的? 如果不存在，那麼目前以滿足特定應用為主要目標的 AI 芯片就一定只能以 IP 核的方式存在，最終被各種各樣的 SoC 所集成。這樣是一種快速滿足具體應用要求的方式。
從芯片發展的大趨勢來看，現在還是 AI 芯片的初級階段，無論是科研還是產業應 用都有巨大的創新空間。從確定算法、領域的 AI 加速芯片向具備更高靈活性、適應性的智能芯片發展是科研發展的必然方向。
神經擬態芯片技術和可重構計算芯片技術允許硬件架構和功能隨軟件變化而變化，實現以高能效比支持多種智能任務，在實現 AI 功能時具有獨到的優勢，具備廣闊的前景。下文選自《AI芯片：從歷史看未來》文章第四節和第五節。
四、AI 芯片的發展趨勢
AI 應用落地還有很長的路要走，而對於芯片從業者來講，當務之急是研究芯片架 構問題。從感知、傳輸到處理，再到傳輸、執行，這是 AI 芯片的一個基本邏輯。但是智慧處理的基本架構是什麼？還沒有人能夠說得清，研究者只能利用軟件系統、處理器等去模仿。軟件是實現智能的核心，芯片是支撐智能的基礎。我們認為，短期內以異構計算(多種組合方式)為主來加速各類應用算法的落地(看重能效比、性價比、可靠性)；中期要發展自重構、自學習、自適應的芯片來支持算法的演進和類人的自然智能；長期則朝著通用 AI 芯片的方面發展。
通用 AI 計算
AI 的通用性實際上有兩個層級：第一個層級是可以處理任意問題；第二個層級是同時處理任意問題。第一層的目標是讓一種 AI 的算法可以通過不同的設計、數據和訓 練方法來處理不同的問題。例如現在流行的深度增強學習方法，大家用它訓練下棋、打撲克、視覺識別、語音識別、行為識別、運動導航等等。但是，不同的任務使用不同的數據集來獨立訓練，模型一旦訓練完成，只適用於這種任務，而不能用於處理其它任務。 所以，我們可以說這種 AI 的算法和訓練方法是通用的，而它訓練出來用於執行某個任 務的模型(是對具體解決這個任務的算法的表示，可以理解為程序中的一個模塊)是不通用的。第二層的目標是讓訓練出來的模型可以同時處理多種任務，就像人一樣可以既會下棋，又會翻譯，還會駕駛汽車和做飯。這個目標更加困難，首先是還沒有發現哪一個算法可以如此全能，其次是如何保證新加入的能力不會影響原有能力的穩定性，反而 可以彌補原來能力的不足，從而更好的完成任務。例如，我們知道多模態數據融合可以比只使用單模態數據有更好的準確性和魯棒性。
通用 AI 芯片
“通用 AI 芯片”就是能夠支持和加速通用 AI 計算的芯片。關於通用 AI(有時也 成為強 AI)的研究希望通過一個通用的數學模型，能夠最大限度概括智能的本質。那麼，什麼是智能的本質？目前比較主流的看法，是系統能夠具有通用效用最大化能力：即系統擁有通用歸納能力，能夠逼近任意可逼近的模式，並能利用所識別到的模式取得一個效用函數的最大化效益。這是很學術化的語言，如果通俗地說，就是讓系統通過學習和訓練，能夠準確高效地處理任意智能主體(例如人)能夠處理的任務。通用 AI 的難點 主要有兩個，一個是通用性(算法和架構)，第二個是實現複雜度。
通用 AI 芯片的複雜度來自於任務的多樣性和對自學習、自適應能力的支持。所以， 我們認為通用 AI 芯片的發展方向不會是一蹴而就地採用某一種芯片來解決問題，因為理論模型和算法尚未完善。最有效的方式是先用一個多種芯片設計思路組合的靈活的異構系統(heterogeneous system of AI chips)來支持，各取所長，取長補短。當架構成熟，就可以考慮設計SoC(System on Chip)來在一個芯片上支持通用 AI。
五、面臨的挑戰
AI 芯片是當前科技、產業和社會關注的熱點，也是 AI 技術發展過程中不可逾越 的關鍵階段。無論哪種 AI 算法，最終的應用必然通過芯片來實現，不論是 CPU 還是文 中提及的各種 AI 芯片。由於目前的 AI 算法都有各自的長處和短處，只有給它們設定一個合適的應用邊界才能最好地發揮它們的作用。因此，確定應用領域就成為發展 AI 芯 片的重要前提。遺憾的是，AI 的“殺手”級應用目前尚未出現，已經存在的一些應用 對於老百姓的日常生活來說也還不是剛需，也還不存在適應各種應用的“通用”算法。其實，也不需要全部通用，能像人一樣可以同時擁有數十種能力，並且可以持續學習改進，就已經很好了。因此，AI 芯片的外部發展還有待優化。
架構創新是 AI 芯片面臨的一個不可迴避的課題。我們要回答一個重要問題:是否 會出現像通用 CPU 那樣獨立存在的 AI 處理器？如果存在的話，它的架構是怎樣的? 如果不存在，那麼目前以滿足特定應用為主要目標的 AI 芯片就一定只能以 IP 核的方式存在，最終被各種各樣的 SoC 所集成。這樣是一種快速滿足具體應用要求的方式。
從芯片發展的大趨勢來看，現在還是 AI 芯片的初級階段，無論是科研還是產業應用都有巨大的創新空間。從確定算法、領域的 AI 加速芯片向具備更高靈活性、適應性的智能芯片發展是科研發展的必然方向。神經擬態芯片技術和可重構計算芯片技術允許 硬件架構和功能隨軟件變化而變化，實現以高能效比支持多種智能任務，在實現 AI 功能時具有獨到的優勢，具備廣闊的前景。
如果您對我們的文章感興趣，請關注“昊源諾信”，每天準時給您推送最熱最前沿的行業資訊！
閱讀更多 昊源一線 的文章
