人工智能、機器學習、深度學習可以極大改善芯片某項特定功能的控制和性能。架構師既可以基于現有設備進行分層設計，也可以整合到新設計中，以實現更多功能或某個特定功能。
人工智能技術帶來很多好處，比如：
通過稀疏算法或數據壓縮來改變特定函數精度，增加粒度，提高芯片性能和降低功耗。
識別數據模式而不是單個比特，有效提高計算的抽象性，增加軟件密度。
允許以矩陣的形式執行處理和內存讀/寫操作，大大加快操作速度。
但是我們也需要好好反思如何在芯片上或者在芯片之間遷移(或不遷移)數據。畢竟，無論是用于邊緣計算還是數據中心，訓練還是推斷，需要加以處理和存儲的數據量都是最大的。
新起點
從好的方面來說，通過使用更多更低精度的元素，人工智能提供了一種平衡結果精度與準度的方法。比如，語音識別對精度的要求，遠沒有自動駕駛中安全應用與目標識別嚴苛。根據特定需要而展現的自適應能力，才是人工智能的價值所在。
與其說人工智能的起點是硬件和軟件，不如說是數據的質量、數量和遷移。這需要用一種不同的方式來看待設計，包括過去通常沒有合作的團隊之間的協作。
「計算真的很便宜，壓縮/解壓數據也很便宜，但在內存中存儲和加載數據卻一點不便宜。要構建這些系統，需要特定領域的專家、機器學習專家、優化與性能專家，這三個領域的專家都需要。」Arm 研究員杰姆•戴維斯(Jem Davies)表示。
他指出，機器學習可以影響系統中的所有東西，其中很多東西隱藏在視線之外。「有些是用戶看不見的，」戴維斯說，「它被用來延長電池壽命。相機里也有機器學習。」
采用神經形態計算和不同的內存架構，AI 效果最好，因為在這些情況下，數據可以進行矩陣處理。為達到最優工作狀態，除了對處理器有要求外，還需要良好的系統架構、超大的數據吞吐量及內存變化過程中的數據對齊。
「許多架構改進是軟硬件的結合，雖然不一定會提高單個處理器的整體性能，但會更節能，內存效率也更高。縮小一點，內存大小就能減半。」鏗騰電子(Cadence)音頻和語音 IP 產品市場總監 Gerard Andrews 表示。
實際上，這使得軟件設計密度更高，并加速了數據在內存中的移動。「問題是，內存不會有效地收縮，單詞識別的錯誤率正在上升，我們都在探索算法的稀疏性，以降低功耗、提高性能。」Andrews 說。
這僅僅是快速變革的皮毛。
「內存子系統中發生的變化是不連續的、突然的。這一切與延遲和帶寬，以及如何滿足芯片內外的龐大需求有關。由于需要大量數據管道，因此，我們開發了許多關于如何移動數據的架構。在此之前，你要考慮的是添加多少內存，如何高效使用內存。但是，現在要建造巨大的管道，較少地使用內存。」Achronix 的系統架構師 Kent Orthner 說。
嘗試減少數據流量的新方法之一是脈沖神經網絡。它們不是持續發射信號，而是以類似大腦峰值的方式發射信號。
「脈沖神經網絡是下一代神經網絡。」BrainChip 營銷和業務開發高級副總裁 Bob Beachler 說，「卷積使用線性代數。出現峰值時，數據以尖峰的形式輸入。你可以通過尖峰進行訓練，如果有很多尖峰，可以選擇加強或抑制它們。對于專用于訓練閾值的位，你可以用非常低的權重來做到這一點。」
據估計，約有 70 家人工智能初創公司正在研究不同辦法。最重要的是，幾乎所有主要的芯片制造商、IP(知識產權)供應商和工具公司都有涉足 AI 的某個方面。
人工智能的風險和困惑
但是，人工智能也存在一定的風險，這取決于應用程序和精確度。
過去，電子系統的設計是建立在完全可預測性的邏輯之上的，其中大部分是硬連線。人工智能用可接受行為的分布代替了計算精度，人們也在會議上討論這對芯片設計意味著什么。目前尚不清楚的是，現有工具或方法提供的置信度能否滿足設備需求，特別是在系統遭到破壞或退化的情況下，檢測任何異常行為的速度如何。
對于如何應用人工智能，人們也有一定困惑。有專門為人工智能設計的芯片，以及一些不是專門為 AI 開發但可用于 AI 的芯片，對這些芯片進行修改和疊加后，就能更有效地利用人工智能。
總的來說，這符合人工智能的主題，全行業都在爭相以相同或更低功率來提升性能。根據摩爾定律，在 16/14 納米工藝后，每個節點的能耗和性能的提高比例都下降到 20%，因此，大家都在尋找替代或補充的新方法。
對于針對 AI 訓練或推理的芯片，或者芯片中發揮 AI 能力的處理器和加速器，人們的普遍共識是，不同量級的程序指令可能使用不同的芯片架構。但它不適用于所有情況，還有一些變量，比如訓練數據的大小和價值，它們可能會使 AI 在某些應用程序中失效，而在其他情況下，性能提升 100 倍甚至被認為過于保守。
這就是人們要花很長時間才能把一些新架構推向市場的原因。隨著芯片行業初見端倪，人們也在進行大量的架構探索和實驗。
「應用程序和算法都面臨挑戰，處理器和內存芯片也面臨挑戰。」Synopsy 的戰略營銷經理 Ron Lowman 說：
「這使得對 AI 架構的探索變得更加重要，這也是 CCIX(緩存一致性互聯加速器)變得如此流行的原因之一。探索新架構的客戶越來越多。每個人都在嘗試建立人腦仿生的新架構。
除此之外，有一些新的非易失性存儲器技術正在開發中。還有一種趨勢是，將更小的處理器置于較小的存儲器旁邊，有時，這種處理器會與針對不同數據類型、定制的新型加速器相關聯。另外，還有很多關于數據壓縮和量化的工作。
「人們正在研究從 32 位浮點數到 8 位浮點數，」Lowman 說，「現在的問題是，你是否能精確到單比特量化。」
量化涉及到將一大組輸入值映射到一小組輸出值，最大的問題是，什么是可接受的精度損失。
理論上，有了足夠傳感器或數據輸入，就可將錯誤率的影響降到最低，但這非常依賴于應用程序。
沿著這些思路的另一種方法涉及到源代碼同步，特別是針對數據中心的 AI 芯片，促使芯片的網絡拓撲結構發生變化。網絡中的所有目標都是接收相同的數據，較之廣播，使用多播方法能更好地針對性使用數據。
「通過多播，可以向多個目的地發送一封郵件。」Arteris IP 的營銷副總裁 Kurt Shuler 說，「它通常被用來做權重。好處是，你可以更好地利用片上網絡帶寬，因此路上的車也越來越少了。
AI 芯片有一個問題：它們往往非常大。「最大的問題是時鐘樹，」Shuler 說，「這需要同步通信，異步處理通信會占用很多空間。另外，大型芯片更容易出現路由堵塞。解決這個問題的方法是創建虛擬通道連接，減少線路數量并通過一組線路共享通信。這就需要通過仲裁來匹配數據流。」
計劃性淘汰
這只是設計的一部分。另一方面，還要保持算法的時效性。
目前，深度學習算法還在定期更新，這會影響到 AI 芯片添加何種處理器。每一次變化，都可能對芯片內部數據遷移、以及處理這些數據的處理器造成影響。
CPU 和 GPU 具有軟件可編程性，DSP 和 FPGA 具有固件/硬件可編程性。嵌入式 FPGA 將可編程性直接添加到 SoC 或多芯片包中。
處理器的選擇也取決于終端市場的應用。例如，汽車或工業環境中的重要安全應用，也需要有足夠通用性與反應性，以便與其他車輛或設備兼容。
「當我們討論未來時，問題不在于它是否有效。」eSilicon 的創新高級主管 Carlos Macián 說，「TPU(張量處理單元)是一個開拓者，它表明性能可以得到數量級提高。但是對于新的工作負載，如果沒有 ASIC 的優化，你可能只會提高 3 倍。」
前提是，假設數據是干凈、有用的，這也是情況變得復雜的地方。
「AI 非常適用于處理非結構化的數據，」Macián 說，「如果你給出現在 Facebook 上的人打標簽，你就知道這很適合人工智能。但它不是結構化數據。所以，AI 天生就不準確，有時它還是錯的。」
并非所有事情都要面向未來。在一些市場，比如手機，消費者希望每隔幾年就更換一次手機。在其他市場，電子產品被寄予厚望——全部的功能能夠順暢運行二十年之久。
提高數據質量是有幫助的，這有助于解釋算法為何變化如此之快，也有助于解釋為什么對于一些設備而言，現場升級的能力至關重要。但是，這些變化也會影響性能，如果不在硬件中添加一些可編程性，就無法解釋這些變化。問題是，可編程性有多高，因為可編程邏輯明顯慢于(軟件)已調優的硬件。
結論
與其他許多成長型半導體市場不同，AI 是一種橫向技術，可以應用于各種垂直市場，也可以用來為這些市場開發芯片，還可以用來提高現有芯片的效率。
這只是 AI 革命的開始，但其影響已經很大了。
隨著設計團隊越來越精通這項技術，這將對如何設計芯片、以及這些芯片如何與其他芯片交互產生重大影響，也會給工具開發人員、硬件開發人員、軟件開發人員創造新的機會，也可能帶來一個全新的市場。
京公網安備 11010502049343號