【中國傳動網(wǎng) 技術(shù)前沿】 自1956年達特茅斯會議以來，關(guān)于人工智能（artificialintelligence,AI）的研究由于受到智能算法、計算速度、存儲水平等多方面因素的影響，經(jīng)歷了兩起兩落的發(fā)展，近年來在語音識別、計算機視覺等領(lǐng)域終于取得了重大突破。究其原因，業(yè)界普遍認為有三大要素合力促成了這次突破：豐富的數(shù)據(jù)資源、深度學(xué)習(xí)算法和充足的計算力支持。豐富的數(shù)據(jù)資源取決于互聯(lián)網(wǎng)的普及和隨之產(chǎn)生的海量信息；以深度學(xué)習(xí)為代表的機器學(xué)習(xí)算法的精確性和魯棒性越來越好，適用于不同場景的各類算法不斷優(yōu)化完善，具備了大規(guī)模商業(yè)化應(yīng)用的潛力；而充足的算力則得益于摩爾定律的不斷演進發(fā)展，高性能芯片大幅降低了深度學(xué)習(xí)算法所需的計算時間和成本。

雖然當(dāng)前摩爾定律逐漸放緩，但作為推動人工智能技術(shù)不斷進步的硬件基礎(chǔ)，未來10年仍將是人工智能芯片（AI芯片）發(fā)展的重要時期，面對不斷增長的市場需求，各類專門針對人工智能應(yīng)用的新穎設(shè)計理念和架構(gòu)創(chuàng)新將不斷涌現(xiàn)。

AI芯片概述

當(dāng)前對人工智能芯片的定義并沒有一個公認的標(biāo)準(zhǔn)。比較通用的看法是面向AI應(yīng)用的芯片都可以稱為AI芯片，按設(shè)計思路主要分為三大類:專用于機器學(xué)習(xí)尤其是深度神經(jīng)網(wǎng)絡(luò)算法的訓(xùn)練和推理用加速芯片；受生物腦啟發(fā)設(shè)計的類腦仿生芯片；可高效計算各類人工智能算法的通用AI芯片。

為了支持多樣的AI計算任務(wù)和性能要求，理想的AI芯片需要具備高度并行的處理能力，能夠支持各種數(shù)據(jù)長度的按位、固定和浮點計算；比當(dāng)前大幾個數(shù)量級的存儲器帶寬，用于存儲海量數(shù)據(jù)；低內(nèi)存延遲及新穎的架構(gòu)，以實現(xiàn)計算元件和內(nèi)存之間靈活而豐富的連接。而且所有這些都需要在極低的功耗和極高的能量效率下完成。

在當(dāng)前人工智能各領(lǐng)域的算法和應(yīng)用還處在高速發(fā)展和快速迭代的階段，考慮到芯片的研發(fā)成本和生產(chǎn)周期，針對特定應(yīng)用、算法或場景的定制化設(shè)計很難適應(yīng)變化。針對特定領(lǐng)域而不針對特定應(yīng)用的設(shè)計，將是AI芯片設(shè)計的一個指導(dǎo)原則，具有可重構(gòu)能力的AI芯片可以在更多應(yīng)用中廣泛使用，并且可以通過重新配置適應(yīng)新的AI算法、架構(gòu)和任務(wù)。

AI芯片類型及發(fā)展情況

加州理工學(xué)院CarverMead最早開始了AI芯片的研究，在20世紀(jì)80年代開始研究神經(jīng)擬態(tài)系統(tǒng)（neuromorphicelectronicsystems），利用模擬電路模仿生物神經(jīng)系統(tǒng)結(jié)構(gòu)。經(jīng)過30多年的發(fā)展，目前已經(jīng)誕生了不同特色的各類AI芯片，主要包括圖形處理器（graphicsprocessingunit，GPU）、現(xiàn)場可編程門陣列（field-programmablegatearray，F(xiàn)PGA）、數(shù)字信號處理（digitalsignalprocessing，DSP）、專用集成電路（applicationspecificintegratedcircuits，ASIC）、眾核處理器、神經(jīng)擬態(tài)芯片等。近年來基于深度學(xué)習(xí)的圖像識別算法和語音識別算法取得了出色的成績，引起了學(xué)術(shù)界和工業(yè)界的廣泛關(guān)注，隨著谷歌人工智能圍棋程序AlphaGo先后戰(zhàn)勝李世乭和柯潔，更是把人工智能的熱度推向全社會。谷歌這一成績離不開背后AI加速芯片的貢獻，從初代AlphaGo采用CPU+GPU的搭建方案，到最新一代AlphaGoZero采用專用高性能處理器（tensorprocessingunit，TPU），芯片的變化帶來了計算速度的巨大提升和功耗的大幅下降。由此可見針對不同的計算任務(wù)，不同類型的AI芯片往往各具優(yōu)勢。

AI加速芯片

簡單地說，AI加速芯片是指以現(xiàn)有芯片架構(gòu)為基礎(chǔ)，對某類特定算法或者場景進行加速，從而實現(xiàn)在這一特定場景下的計算速度、功耗和成本等方面的優(yōu)化。通常包括基于深度神經(jīng)網(wǎng)絡(luò)的各類算法，以及圖像識別、視頻檢索、語音識別、聲紋檢測、搜索引擎優(yōu)化、自動駕駛等任務(wù)。AI加速芯片的設(shè)計主要有兩種思路：利用已有的GPU、FPGA、DSP、眾核處理器等芯片以異構(gòu)計算的方式來實現(xiàn)；設(shè)計專用的ASIC芯片。

GPU

GPU，即圖形處理器，是一種由大量核心組成的大規(guī)模并行計算架構(gòu)，專為同時處理多重任務(wù)而設(shè)計，原本的功能是幫助CPU處理圖形顯示的任務(wù)，尤其是3D圖形顯示。為了執(zhí)行復(fù)雜的并行計算，快速進行圖形渲染，GPU的核數(shù)遠超CPU，但每個核擁有的緩存相對較小，數(shù)字邏輯運算單元也更簡單，更適合計算密集型的任務(wù)。Intel的GPU主要做為集成顯卡使用，應(yīng)用于Intel的主板和CPU，而Nvidia和AMD則在獨立顯卡領(lǐng)域更具優(yōu)勢。

深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程中計算量極大，而且數(shù)據(jù)和運算是可以高度并行的，GPU具備進行海量數(shù)據(jù)并行運算的能力并且為浮點矢量運算配備了大量計算資源，與深度學(xué)習(xí)的需求不謀而合，因此最先被引入運行深度學(xué)習(xí)算法，成為高性能計算領(lǐng)域的主力芯片之一。但由于GPU不能支持復(fù)雜程序邏輯控制，仍然需要使用高性能CPU配合來構(gòu)成完整的計算系統(tǒng)。

FPGA

FPGA是在PAL、GAL、CPLD等可編程邏輯器件的基礎(chǔ)上進一步發(fā)展的產(chǎn)物。它作為專用集成電路領(lǐng)域中的一種半定制電路出現(xiàn)，既解決了定制電路靈活性上的不足，又克服了原有可編程器件門電路數(shù)量有限的缺點。FPGA利用門電路直接運算，速度快，而用戶可以自由定義這些門電路和存儲器之間的布線，改變執(zhí)行方案，以期得到最佳效果。FPGA可以采用OpenCL等更高效的編程語言，降低了硬件編程的難度，還可以集成重要的控制功能，整合系統(tǒng)模塊，提高了應(yīng)用的靈活性，與GPU相比，F(xiàn)PGA具備更強的計算能力和更低的功耗。

目前，F(xiàn)PGA的主要廠商Xilinx和被Intel收購的Altera都推出了專門針對AI加速的FPGA硬件和軟件工具。而各個主要的云服務(wù)廠商，比如亞馬遜、微軟、阿里云等都推出了專門的云端FPGA實例來支持AI應(yīng)用。中國剛剛被Xilinx收購的北京深鑒科技有限公司也是基于FPGA來設(shè)計深度學(xué)習(xí)的加速器架構(gòu)，可以靈活擴展用于服務(wù)器端和嵌入式端。

DSP

DSP是一種由大規(guī)模集成電路芯片組成的用來完成某種信號處理任務(wù)的處理器。DSP善于測量、計算、過濾或壓縮連續(xù)的真實模擬信號，廣泛應(yīng)用于通信與信息系統(tǒng)、信號與信息處理、自動控制、雷達、航空航天、醫(yī)療、家用電器等領(lǐng)域。針對濾波、矩陣運算、FFT（fastFouriertransformation）等需要大量乘加法運算的特點，DSP內(nèi)部配有獨立的乘法器和加法器，從而大大提高了運算速率。

DSP種類繁多，目前應(yīng)用于AI領(lǐng)域的DSP主要用于處理視覺系統(tǒng)如圖像、視頻等方面的任務(wù)，在自動駕駛、安防監(jiān)控、無人機和移動終端等領(lǐng)域最為常見。這些DSP中加入了專為深度神經(jīng)網(wǎng)絡(luò)定制的加速部件，如矩陣乘和累加器、全連接的激活層和池化層等。由于DSP具有高速、靈活、體積小、低功耗、可編程的特點，非常適合被用在終端設(shè)備中，例如手機和攝像頭。

眾核處理器

眾核處理器采用將多個處理核心整合在一起的處理器架構(gòu)，主要面向高性能計算領(lǐng)域，作為CPU的協(xié)處理器存在。眾核處理器適合處理并行程度高的計算密集型任務(wù)，如基因測序、氣象模擬等。比起GPU，眾核處理器支持的計算任務(wù)的控制邏輯和數(shù)據(jù)類型要更加復(fù)雜。2000年后，該領(lǐng)域的芯片研究一直很活躍，例如IBMCELL和KalrayMPPA。Intel的至強融核處理器（XeonPhi）是典型的眾核處理器，其中2017年發(fā)布的KNL代表了眾核處理器的領(lǐng)先水平。

眾核處理器的結(jié)構(gòu)能有效地利用現(xiàn)代網(wǎng)絡(luò)和服務(wù)器等應(yīng)用中較高的線程并行度，雖然芯片面積和功耗會隨著內(nèi)核數(shù)量的增加而增加，但性能也隨之有效地增加。而增加運算部件和指令發(fā)射寬度等技術(shù)在增大芯片面積的同時，會拉長信號傳輸線路，顯著增加線延遲，因此眾核處理器更適用于數(shù)據(jù)中心部署的各類AI訓(xùn)練和推理任務(wù)。

ASIC

ASIC是一種為專用目的設(shè)計的，面向特定用戶需求的定制芯片，在大規(guī)模量產(chǎn)的情況下具備性能更強、體積更小、功耗更低、成本更低、可靠性更髙等優(yōu)點。ASIC分為全定制和半定制。全定制設(shè)計需要設(shè)計者完成所有電路的設(shè)計，因此需要大量人力物力，靈活性好，但開發(fā)效率低下，時間成本高昂。如果設(shè)計較為理想，全定制能夠比半定制的ASIC芯片運行速度更快。半定制使用庫中標(biāo)準(zhǔn)邏輯單元，設(shè)計時可以從標(biāo)準(zhǔn)邏輯單元庫中選擇門電路、加法器、比較器、數(shù)據(jù)通路、存儲器甚至系統(tǒng)級模塊和IP核，這些邏輯單元已經(jīng)布局完畢，而且設(shè)計得較為可靠，設(shè)計者可以較方便地完成系統(tǒng)設(shè)計。

近年來越來越多的公司開始采用ASIC芯片進行深度學(xué)習(xí)算法加速，其中表現(xiàn)最為突出的是Google的TPU。TPU的主要模塊包括24MB的局部內(nèi)存、6MB的累加器內(nèi)存、256×256個矩陣乘法單元、非線性神經(jīng)元計算單元，以及用于歸一化和池化的計算單元。TPU比同時期的GPU或CPU平均提速15~30倍，能效比提升30~80倍。中國的北京寒武紀(jì)科技有限公司、北京比特大陸科技有限公司、北京地平線信息技術(shù)有限公司等公司也都推出了用于深度神經(jīng)網(wǎng)絡(luò)加速的ASIC芯片。目前基于DNN的算法還沒有統(tǒng)一標(biāo)準(zhǔn)，而且算法還在不斷快速演進，所以ASIC的設(shè)計需要保持一定的可編程性，采取軟硬件協(xié)同設(shè)計。

類腦仿生芯片

當(dāng)今類腦仿生芯片的主流理念是采用神經(jīng)擬態(tài)工程設(shè)計的神經(jīng)擬態(tài)芯片。神經(jīng)擬態(tài)芯片采用電子技術(shù)模擬已經(jīng)被證明的生物腦的運作規(guī)則，從而構(gòu)建類似于生物腦的電子芯片，即“仿生電子腦”。神經(jīng)擬態(tài)主要指用包括模擬、數(shù)字或模數(shù)混合超大規(guī)模集成電路VLSI（也包括神經(jīng)元或者神經(jīng)突觸模型的新型材料或者電子元器件研究）和軟件系統(tǒng)實現(xiàn)神經(jīng)網(wǎng)絡(luò)模型，并在此之上構(gòu)建智能系統(tǒng)的研究。神經(jīng)擬態(tài)工程發(fā)展成為一個囊括神經(jīng)生物學(xué)、物理學(xué)、數(shù)學(xué)、計算機科學(xué)和電子工程的交叉學(xué)科。神經(jīng)擬態(tài)研究陸續(xù)在全世界范圍內(nèi)開展，并且受到了各國政府的重視和支持，如美國的腦計劃、歐洲的人腦項目，以及中國的類腦計算計劃等。受到腦結(jié)構(gòu)研究的成果啟發(fā)，復(fù)雜神經(jīng)網(wǎng)絡(luò)在計算上具有低功耗、低延遲、高速處理、時空聯(lián)合等特點。

目前神經(jīng)擬態(tài)芯片的設(shè)計方法主要分為非硅和硅技術(shù)。非硅主要指采用憶阻器等新型材料和器件搭建的神經(jīng)形態(tài)芯片，還處于研究階段。模擬集成電路的代表是瑞士蘇黎世聯(lián)邦理工學(xué)院的ROLLS芯片和海德堡大學(xué)的BrainScales芯片。數(shù)字集成電路又分為異步同步混合和純同步兩種。其中異步（無全局時鐘）數(shù)字電路的代表是IBM的TrueNorth，純同步的數(shù)字電路代表是清華大學(xué)的天機系列芯片。另外，對于片上自學(xué)習(xí)能力，最近Intel推出了Loihi芯片，帶有自主片上學(xué)習(xí)能力，通過脈沖或尖峰傳遞信息，并自動調(diào)節(jié)突觸強度，能夠通過環(huán)境中的各種反饋信息進行自主學(xué)習(xí)。中國的上海西井信息科技有限公司也成功制備了帶有片上學(xué)習(xí)能力的芯片。

通用AI芯片

現(xiàn)今的AI芯片在某些具體任務(wù)上可以大幅超越人的能力，但究其通用性與適應(yīng)性，與人類智能相比差距甚遠，大多處于對特定算法的加速階段。而AI芯片的最終成果將是通用AI芯片，并且最好是淡化人工干預(yù)的自學(xué)習(xí)、自適應(yīng)芯片。因此未來通用AI芯片應(yīng)包含以下特征。

1）可編程性：適應(yīng)算法的演進和應(yīng)用的多樣性。

2）架構(gòu)的動態(tài)可變性：能適應(yīng)不同的算法，實現(xiàn)高效計算。

3）高效的架構(gòu)重構(gòu)能力或自學(xué)習(xí)能力。

4）高計算效率：避免使用指令這類低效率的架構(gòu)。

5）高能量效率：能耗比大于5Tops/W（即每瓦特進行5×1012次運算）。

6）低成本低功耗：能夠進入物聯(lián)網(wǎng)設(shè)備及消費類電子中。

7）體積?。耗軌蚣虞d在移動終端上。

8）應(yīng)用開發(fā)簡便：不需要用戶具備芯片設(shè)計方面的知識。

目前尚沒有真正意義上的通用AI芯片誕生，而基于可重構(gòu)計算架構(gòu)的軟件定義芯片（softwaredefinedchip）或許是通用AI芯片的出路。軟件定義芯片顧名思義就是讓芯片根據(jù)軟件進行適應(yīng)與調(diào)整，簡單來說就是將軟件通過不同的管道輸送到硬件中來執(zhí)行功能，使芯片能夠?qū)崟r地根據(jù)軟件、產(chǎn)品、應(yīng)用場景的需求改變架構(gòu)和功能，實現(xiàn)更加靈活的芯片設(shè)計。沿用這種架構(gòu)設(shè)計出來的芯片，可以讓芯片的計算能力按照軟件的需求來調(diào)整適應(yīng)，而不是沿用傳統(tǒng)芯片設(shè)計的剛性架構(gòu)，讓應(yīng)用適應(yīng)架構(gòu)。

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，兼具處理器的通用性和ASIC的高性能和低功耗，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(xué)微電子學(xué)研究所設(shè)計的AI芯片Thinker，采用可重構(gòu)計算架構(gòu)，能夠支持卷積神經(jīng)網(wǎng)絡(luò)、全連接神經(jīng)網(wǎng)絡(luò)和遞歸神經(jīng)網(wǎng)絡(luò)等多種AI算法。Thinker芯片通過以下3個層面的可重構(gòu)計算技術(shù)，實現(xiàn)軟件定義芯片。

1）計算陣列重構(gòu)：Thinker芯片的計算陣列由多個并行計算單元互連而成。每個計算單元可以根據(jù)算法所需要的基本算子不同而進行功能重構(gòu)。此外，在復(fù)雜AI任務(wù)中，多種AI算法的計算資源需求不同，因此Thinker芯片支持計算陣列的按需資源劃分以提高資源利用率和能量效率。

2）存儲帶寬重構(gòu)：Thinker芯片的片上存儲帶寬能夠根據(jù)AI算法的不同而進行重構(gòu)。存儲內(nèi)的數(shù)據(jù)分布會隨著帶寬的改變而調(diào)整，以提高數(shù)據(jù)復(fù)用性和計算并行度，提高了計算吞吐和能量效率。

3）數(shù)據(jù)位寬重構(gòu)：16bit數(shù)據(jù)位寬足以滿足絕大多數(shù)應(yīng)用的精度需求，對于一些精度要求不高的場景，甚至8bit數(shù)據(jù)位寬就已經(jīng)足夠。為了滿足AI算法多樣的精度需求，Thinker芯片的計算單元支持高/低（16/8bit）兩種數(shù)據(jù)位寬重構(gòu)。高比特模式下計算精度提升，低比特模式下計算單元吞吐量提升進而提高性能。

可重構(gòu)計算技術(shù)作為實現(xiàn)軟件定義芯片的重要技術(shù)，非常適合應(yīng)用于AI芯片的設(shè)計當(dāng)中。采用可重構(gòu)計算技術(shù)之后，軟件定義的層面不僅僅局限于功能這一層面，算法的計算精度、性能和能效等都可以納入軟件定義的范疇?？芍貥?gòu)計算技術(shù)借助自身實時動態(tài)配置的特點，實現(xiàn)軟硬件協(xié)同設(shè)計，為AI芯片帶來極高的靈活度和適用范圍。Thinker團隊最新推出的Thinker2人臉識別芯片，能夠做到6ms人臉識別（iPhoneX為10ms），準(zhǔn)確率超過98%；以及ThinkerS語音識別芯片，不僅功耗只有200μW，只需要節(jié)7號AAA電池就運行1年，而且可以進行聲紋識別?！禡ITTechnologyReview》2018年初在一篇專稿中評論了Thinker團隊的工作，認為這是中國取得的頂級成就。

AI芯片市場現(xiàn)狀

2018年全球AI芯片市場規(guī)模預(yù)計將超過20億美元，隨著包括谷歌、Facebook、微軟、亞馬遜以及百度、阿里、騰訊在內(nèi)的互聯(lián)網(wǎng)巨頭相繼入局，預(yù)計到2020年全球市場規(guī)模將超過100億美元，其中中國的市場規(guī)模近25億美元，增長非常迅猛，發(fā)展空間巨大。目前全球各大芯片公司都在積極進行AI芯片的布局。在云端，Nvidia的系列GPU芯片被廣泛應(yīng)用于深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和推理。GoogleTPU通過云服務(wù)CloudTPU的形式把TPU開放商用，處理能力達到180Tflop，提供64GB的HBM內(nèi)存，2400Gbit/s的存儲帶寬。老牌芯片巨頭Intel推出了Nervana?NeuralNetworkProcessors（NNP），該系列架構(gòu)還可以優(yōu)化32GBHBM2，1Tbit/s帶寬和8Tbit/s訪問速度的神經(jīng)網(wǎng)絡(luò)計算。而初創(chuàng)公司如Graphcore、Cerebras、Wavecomputing、寒武紀(jì)、比特大陸等也加入了競爭的行列，陸續(xù)推出了針對AI的芯片和硬件系統(tǒng)。

然而對于某些應(yīng)用，由于網(wǎng)絡(luò)延遲、帶寬和隱私問題等各類原因，必須在邊緣節(jié)點上執(zhí)行推斷。例如，自動駕駛汽車的推斷，不能交由云端完成，否則如果出現(xiàn)網(wǎng)絡(luò)延時，則會發(fā)生災(zāi)難性后果；大型城市動輒百萬的高清攝像頭，其人臉識別如果全部交由云端完成，高清錄像的數(shù)據(jù)傳輸會讓通信網(wǎng)絡(luò)不堪重負。未來相當(dāng)一部分人工智能應(yīng)用場景中，要求邊緣處的終端設(shè)備本身具備足夠的推斷計算能力。而目前邊緣處理器芯片的計算能力，并不能滿足在本地實現(xiàn)深度神經(jīng)網(wǎng)絡(luò)推斷的需求。業(yè)界需要專門設(shè)計的AI芯片，賦予設(shè)備足夠的能力去應(yīng)對未來越發(fā)增多的人工智能應(yīng)用場景。除了計算性能的要求之外，功耗和成本是在邊緣節(jié)點工作的AI芯片必須面對的重要約束。

智能手機是目前應(yīng)用最為廣泛的邊緣計算終端設(shè)備，包括三星、蘋果、華為、高通、聯(lián)發(fā)科在內(nèi)的手機芯片廠商紛紛推出或者正在研發(fā)專門適應(yīng)AI應(yīng)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，為邊緣計算設(shè)備提供芯片和系統(tǒng)方案，比如北京中科寒武紀(jì)科技有限公司的1A處理器、北京地平線信息技術(shù)有限公司的旭日處理器、北京深鑒科技有限公司的DPU等。傳統(tǒng)的IP廠商，包括ARM、Synopsys、Cadence等公司也都為包括手機、平板電腦、智能攝像頭、無人機、工業(yè)和服務(wù)機器人、智能音箱等邊緣計算設(shè)備開發(fā)專用IP產(chǎn)品。此外在終端應(yīng)用中還蘊藏著智慧物聯(lián)網(wǎng)這一金礦，AI芯片只有實現(xiàn)從云端走向終端，才能真正賦予“萬物智能”。

AI芯片未來趨勢

在AI芯片領(lǐng)域，目前還沒有出現(xiàn)一款CPU類的通用AI芯片，人工智能想要像移動支付那樣深入人心，改變社會，可能還差一個“殺手”級別的應(yīng)用。無論是圖像識別、語音識別、機器翻譯、安防監(jiān)控、交通規(guī)劃、自動駕駛、智能陪伴、智慧物聯(lián)網(wǎng)等，AI涵蓋了人們生產(chǎn)生活的方方面面，然而距離AI應(yīng)用落地和大規(guī)模商業(yè)化還有很長的路要走。而對于芯片從業(yè)者來講，當(dāng)務(wù)之急是研究芯片架構(gòu)問題。軟件是實現(xiàn)智能的核心，芯片是支撐智能的基礎(chǔ)。當(dāng)前AI芯片發(fā)展，短期內(nèi)以異構(gòu)計算為主來加速各類應(yīng)用算法的落地；中期要發(fā)展自重構(gòu)、自學(xué)習(xí)、自適應(yīng)的芯片來支持算法的演進和類人的自然智能；長期則朝通用AI芯片的方向發(fā)展。

通用AI計算

AI的通用性實際包括2個層級：第一個層級是可以處理任意問題；第二個層級是同一時間處理任意問題。第一層級的目標(biāo)是讓AI的算法可以通過不同的設(shè)計、數(shù)據(jù)和訓(xùn)練方法來處理不同的問題。例如，利用現(xiàn)在流行的深度學(xué)習(xí)方法訓(xùn)練AI下棋、圖像識別、語音識別、行為識別、運動導(dǎo)航等。但是，不同的任務(wù)使用不同的數(shù)據(jù)集來獨立訓(xùn)練，模型一旦訓(xùn)練完成，只適用于這種任務(wù)，而不能用于處理其他任務(wù)。所以，可以說這種AI的算法和訓(xùn)練方法是通用的，而它訓(xùn)練出來用于執(zhí)行某個任務(wù)的模型是不通用的。第二層級的目標(biāo)是讓訓(xùn)練出來的模型可以同時處理多種任務(wù)，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(biāo)更加困難，目前還沒有哪一個算法可以如此全能。

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(guān)于通用AI的研究希望通過一個通用的數(shù)學(xué)模型，能夠最大限度概括智能的本質(zhì)。目前比較主流的看法是系統(tǒng)能夠具有通用效用最大化能力：即系統(tǒng)擁有通用歸納能力，能夠逼近任意可逼近的模式，并能利用所識別到的模式取得一個效用函數(shù)的最大化效益。這是很學(xué)術(shù)化的語言，如果通俗地說，就是讓系統(tǒng)通過學(xué)習(xí)和訓(xùn)練，能夠準(zhǔn)確高效地處理任意智能主體能夠處理的任務(wù)。通用AI的難點主要有2個：通用性，包括算法和架構(gòu)；實現(xiàn)復(fù)雜程度。當(dāng)前，摩爾定律的逐漸失效和馮·諾伊曼架構(gòu)的瓶頸這2個巨大的技術(shù)挑戰(zhàn)也是通用AI芯片需要考慮的問題。想要解決這2個問題僅通過芯片的設(shè)計理念和架構(gòu)創(chuàng)新是行不通的，還需要取決于更先進的制程工藝、新型半導(dǎo)體材料、新型存儲器件以及人類對于自身大腦更進一步的認知。

AI芯片面臨的機遇與挑戰(zhàn)

目前全球人工智能產(chǎn)業(yè)還處在高速變化發(fā)展中，廣泛的行業(yè)分布為人工智能的應(yīng)用提供了廣闊的市場前景，快速迭代的算法推動人工智能技術(shù)快速走向商用，AI芯片是算法實現(xiàn)的硬件基礎(chǔ)，也是未來人工智能時代的戰(zhàn)略制高點，但由于目前的AI算法往往都各具優(yōu)劣，只有給它們設(shè)定一個合適的場景才能最好地發(fā)揮其作用，因此，確定應(yīng)用領(lǐng)域就成為發(fā)展AI芯片的重要前提。但遺憾的是，當(dāng)前尚不存在適應(yīng)多種應(yīng)用的通用算法，人工智能的“殺手”級應(yīng)用還未出現(xiàn)，已經(jīng)存在的一些應(yīng)用對于消費者的日常生活來說也非剛需，因此哪家芯片公司能夠抓住市場痛點，最先實現(xiàn)應(yīng)用落地，就可以在人工智能芯片的賽道上取得較大優(yōu)勢。

架構(gòu)創(chuàng)新是AI芯片面臨的一個不可回避的課題。需要回答一個重要問題:是否會出現(xiàn)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(gòu)是怎樣的？如果不存在，目前以滿足特定應(yīng)用為主要目標(biāo)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（system-on-a-chip）所集成。這無疑帶來了新的問題，芯片的體積和功耗是必須要考慮的重要因素，傳統(tǒng)芯片公司在SoC的設(shè)計優(yōu)化和工程實現(xiàn)上無疑比以算法起家的初創(chuàng)AI芯片公司更具經(jīng)驗。

從芯片發(fā)展的大趨勢來看，現(xiàn)在還是AI芯片的初級階段。無論是科研還是產(chǎn)業(yè)應(yīng)用都有巨大的創(chuàng)新空間。從確定算法、應(yīng)用場景的AI加速芯片向具備更高靈活性、適應(yīng)性的通用智能芯片發(fā)展是技術(shù)發(fā)展的必然方向。未來2年之內(nèi)AI芯片產(chǎn)業(yè)將持續(xù)火熱，公司扎堆進入，但是到了2020年前后，則將會出現(xiàn)一批出局者，行業(yè)洗牌開始，最終的成功與否則將取決于各家公司技術(shù)路徑的選擇和產(chǎn)品落地的速度。