市場(chǎng)是芯片質(zhì)量的檢驗(yàn)者。這很殘酷，但也正是計(jì)算機(jī)設(shè)計(jì)讓人興奮的地方。
編譯 | 王宇欣、陳韻竹、Rik R
編輯 | 宇多田
來源 | EE Times
對(duì)于人類社會(huì)，深度神經(jīng)網(wǎng)絡(luò)就像是那遙遠(yuǎn)地平線上出現(xiàn)的海嘯一般。
鑒于它們的算法和應(yīng)用目前仍在不斷演變，所以尚不清楚深度神經(jīng)網(wǎng)絡(luò)（DNNs）最終將會(huì)帶來怎樣的變化。
但是，迄今為止，它們?cè)谖谋痉g和圖像、語音識(shí)別領(lǐng)域取得的成功讓我們認(rèn)識(shí)到，深度神經(jīng)網(wǎng)絡(luò)終有一日將會(huì)重塑計(jì)算機(jī)設(shè)計(jì)，而這樣的變化對(duì)半導(dǎo)體設(shè)計(jì)和制造領(lǐng)域也同樣有著深遠(yuǎn)的影響。
為 DNNs 量身定制的第一批商用芯片將于今年上市。鑒于它能夠用幾星期或幾個(gè)月時(shí)間來訓(xùn)練一個(gè)新的神經(jīng)網(wǎng)絡(luò)模型，這些芯片可能是迄今為止制造規(guī)模最大的，因此也可能是成本最高的商用芯片。
今年，這個(gè)行業(yè)會(huì)看到 Graphcore 公司開發(fā)的一款非 Dram 模式的微處理器，以及其競(jìng)爭(zhēng)對(duì)手——在圓片級(jí)芯片封裝技術(shù)方面較為領(lǐng)先的 Cerebras Systems 也會(huì)推出一款產(chǎn)品。
與此同時(shí)，英特爾收購的 2.5-D Nervana 芯片已經(jīng)開始取樣，其他諸多廠商的芯片研發(fā)也都在火熱進(jìn)行當(dāng)中。
此外，從 ARM 到西部數(shù)據(jù)（Western Digital），所有老牌半導(dǎo)體巨頭也均在研究處理器核心以加速深度神經(jīng)網(wǎng)絡(luò)的推理部分。
「我認(rèn)為 2018 年，將會(huì)是各種芯片產(chǎn)品『百家爭(zhēng)鳴』的一年。我們開始見到許多公司正在評(píng)估各種針對(duì)芯片的 idea，」加州伯克利榮譽(yù)教授 David Patterson 如是說道。
這個(gè)趨勢(shì)相當(dāng)明顯，Patterson 與聯(lián)合作者 John Hennessey 在上個(gè)月出版的 Computer Architecture（在計(jì)算領(lǐng)域影響巨大）一書的最新版本中，用整整一個(gè)章節(jié)介紹了這種趨勢(shì)。
作者對(duì)一些內(nèi)部設(shè)計(jì)給出了深度的見解，譬如 Patterson 對(duì)谷歌的TensorFlow Processor（TPU），微軟的 Catapult FPGA，以及蘋果與 Google 最新的手機(jī)芯片中的推理模塊都給出了自己的意見。
Patterson 表示：「這是計(jì)算機(jī)架構(gòu)與封裝技術(shù)的復(fù)興。在明年一年我們將會(huì)看到比過去十年更多的，更有意思的計(jì)算機(jī)出現(xiàn)?！?/p>
在過去幾年中，深度神經(jīng)網(wǎng)絡(luò)的興起將風(fēng)投的資金重新帶回到半導(dǎo)體的領(lǐng)域。
在電子工程師時(shí)報(bào)（EE Times）最新發(fā)布的「Silicon 60」中，他們列出了 7 家致力于研究新型神經(jīng)網(wǎng)絡(luò)芯片的初創(chuàng)公司，其中包含了兩個(gè)不太為人所知的公司：
北京的寒武紀(jì)科技與美國德克薩斯州的 Mythic Inc。
Chris Rowen 從 Cadence Design Systems 離職后，成立了一家名為 Cognite Ventures 的投資公司，專門看神經(jīng)網(wǎng)絡(luò)軟件。
「我們看到具備全新架構(gòu)的新創(chuàng)業(yè)公司如井噴式出現(xiàn)。我自己追蹤了 15 到 20 家公司…在過去的 10 ~15 年時(shí)間里，在任何半導(dǎo)體子領(lǐng)域里都不曾有過『同時(shí)出現(xiàn) 15 家半導(dǎo)體公司』這樣的事情?！笴hris Rowen 說道。
他表示：「由于英偉達(dá)難以撼動(dòng)的軟件地位，與其在高階服務(wù)器訓(xùn)練方面的競(jìng)爭(zhēng)將會(huì)十分艱難；
而如果你去追求手機(jī)市場(chǎng)，那你一定是瘋了，要知道追求手機(jī)市場(chǎng)意味著你必須在很多方面都做得出色。不過在高階或是低階的手機(jī)市場(chǎng)中，還可能有一些機(jī)會(huì)。」
市場(chǎng)觀察者 The Linley Group 的負(fù)責(zé)人 Linley Gwennap 表示，英偉達(dá)最新的 GPU—Volta 性能非常不錯(cuò)，他們對(duì)其進(jìn)行了調(diào)整以進(jìn)行 DNNs 的速度訓(xùn)練。但 Gwennap 卻不認(rèn)為 Volta 就是最好的設(shè)計(jì)。
Gwennap 說，Graphcore（英國布里斯托）和 Cerebras（加州洛杉磯）是在訓(xùn)練芯片方面最值得觀察的兩家公司，他們籌集了最多的資金，而且似乎擁有最好的團(tuán)隊(duì)。
此外，由谷歌前芯片設(shè)計(jì)員創(chuàng)立的初創(chuàng)公司 Groq 聲稱將會(huì)在 2018 年推出一款推理芯片，每秒的運(yùn)算和推理都能完勝對(duì)手 4 倍。
英特爾的 Nervana 是一個(gè)大型的線性代數(shù)加速器，位于一個(gè)硅中介層上，緊鄰著四個(gè) 8GB 的 HBM2 內(nèi)存棧
英特爾的 Nervana，被稱為 Lake Crest（上圖），是最受關(guān)注的定制設(shè)計(jì)之一。Nervana 使用數(shù)據(jù)共享指令集中提供的單個(gè) 5 位元指數(shù)，執(zhí)行 16 位矩陣操作。
與英偉達(dá)的 Volta 一樣，Lake Crest 的邏輯單元位于一個(gè) TSMC CoWoS 中介層上（芯片-晶片-基板），緊鄰著四個(gè) HBM2 高頻寬內(nèi)存棧。
這些芯片被設(shè)計(jì)成網(wǎng)狀，是 Volta 性能的 5~10 倍。
雖然去年微軟在 DNN 上使用了 FPGA，但是 Patterson 仍然對(duì)這種方法持懷疑態(tài)度。「你為 FPGA 的靈活性付出了很多的代價(jià)；編程真的很困難，」他說。
Gwennap 在去年年底的一項(xiàng)分析中指出，DSP 也將會(huì)發(fā)揮作用。「Cadence、Ceva 和 Synopsys 都提供面向神經(jīng)網(wǎng)絡(luò)的 DSP 內(nèi)核」。
AI芯片即將到來，而架構(gòu)師還未決定如何對(duì)其進(jìn)行評(píng)估。
就像 RISC 處理器的早期那樣，Patterson 回憶道：「每一家公司都會(huì)說，『你可千萬不能相信別人的基準(zhǔn)體系，但是你可以相信我的』，這可不太好?！?/p>
時(shí)間退回到那時(shí)候，當(dāng)時(shí) RISC 供應(yīng)商在 SPEC 基準(zhǔn)測(cè)試中進(jìn)行了合作?，F(xiàn)在 DNN 加速器需要定義自己的測(cè)試組件，涵蓋各種數(shù)據(jù)類型的訓(xùn)練、推理。
為了順應(yīng)這種趨勢(shì)，12 月 12 日，由 20 多家頂級(jí)服務(wù)器和軟件制造商組成的交易處理性能委員會(huì)（TPC）宣布組建一個(gè)工作組對(duì)機(jī)器學(xué)習(xí)的硬件和軟件基準(zhǔn)進(jìn)行定義。
TPC - AI 委員會(huì)主席 Raghu Nambiar 表示，這個(gè)工作組的目標(biāo)是要?jiǎng)?chuàng)建出對(duì) CPU 和 GPU 加速器通用的測(cè)試。但是，團(tuán)隊(duì)成員名單和時(shí)限仍未最終確定。
百度，于 2016 年 9 月發(fā)布了一個(gè)基于深度學(xué)習(xí)工作負(fù)載的開源基準(zhǔn)，使用 32 位浮點(diǎn)數(shù)執(zhí)行訓(xùn)練任務(wù)。它在六月份更新了 DeepBench 以涵蓋推理工作并使用 16 位制。
美國哈佛大學(xué)的研究人員發(fā)表的 Fathom 套件，定義了 8 個(gè)人工智能工作負(fù)載，支持整數(shù)和浮點(diǎn)數(shù)據(jù)。Patterson 說：「這是一個(gè)開始，但是要成為一個(gè)讓人滿意的全面基準(zhǔn)測(cè)試套件，還有很多的工作要做?！?/p>
「如果我們致力于建立一個(gè)好的基準(zhǔn)，所有投入工程的錢都會(huì)花在刀刃上。」
除了基準(zhǔn)之外，工程師需要持續(xù)追蹤不斷變化的神經(jīng)網(wǎng)絡(luò)算法，從而確保他們的設(shè)計(jì)能跟上時(shí)代。
高通公司下一代核心（next-generation-core）研發(fā)總監(jiān) Karam Chatha 表示：
「軟件正在不斷變化，但是我們需要盡早把硬件拿出來，因?yàn)橛布?huì)影響軟件——軟硬件之間總會(huì)有這樣相互牽連的關(guān)系?！?/p>
到目前為止，這家移動(dòng)芯片供應(yīng)商仍在驍龍?zhí)幚砥鞯?DSP 和 GPU 內(nèi)核的軟件平臺(tái)上進(jìn)行神經(jīng)網(wǎng)絡(luò)運(yùn)行工作。
但是一些觀察人士預(yù)計(jì)，高通將為機(jī)器學(xué)習(xí)定制一個(gè)全新的模塊。在 2019 年，該模塊將成為驍龍?zhí)幚砥髦幸粋€(gè)大約 7 豪微米的部分。
高通展示了一個(gè) DNN 定制加速器研究實(shí)例，但現(xiàn)在，高通在使用通用 DSP 和 GPU 內(nèi)核上的軟件
Patterson 表示：「市場(chǎng)是芯片質(zhì)量的檢驗(yàn)者。這很殘酷，但也正是計(jì)算機(jī)設(shè)計(jì)讓人興奮的地方?！?/p>
實(shí)際上，早期的芯片玩家已經(jīng)抓住了這次競(jìng)爭(zhēng)的機(jī)遇。
舉例來說，F(xiàn)acebook 最近證明，通過大幅增加所謂批量尺寸（batch size）中的特征數(shù)目，能將某些任務(wù)的訓(xùn)練時(shí)間從一天縮短到一小時(shí)。
但這對(duì)于芯片制造商 Graphcore 而言可能是個(gè)壞消息。因?yàn)?Graphcore 試圖將所有操作放在本地 SRAM 中運(yùn)行，以消除外部 DRAM 的訪問延遲，但與此同時(shí)也會(huì)限制其內(nèi)存占用。
Patterson 說道：「Graphcore 專為小批量設(shè)計(jì)，但是幾個(gè)月前軟件結(jié)果表明，大批量尺寸效果更好。事情總是瞬息萬變。」
另一方面，Rex Computing 認(rèn)為他們正好抓住了有利的機(jī)遇。該初創(chuàng)公司的 SoC 最初為高性能服務(wù)器設(shè)計(jì)，其中使用了一種新型暫存器內(nèi)存。
Rex Computing 聯(lián)合創(chuàng)始人 Thomas Sohmers 表示，Rex 的方法消除了在虛擬頁表中對(duì)數(shù)據(jù)緩存的需求，這是一種在 GPU 中使用的技術(shù)，能增加延遲。
因此，Thomas Sohmers 說，尤其在處理當(dāng)下神經(jīng)網(wǎng)絡(luò)中流行的矩陣運(yùn)算和矢量運(yùn)算時(shí)，Rex 芯片性能遠(yuǎn)勝于現(xiàn)在的 GPU。
該初創(chuàng)公司計(jì)劃于 6 月份推出 256 核的 16-nm SoC，希望其能效比能達(dá)到 256 Gflops/W。
與此同時(shí)，研究人員正在嘗試單比特浮點(diǎn)數(shù)、 32 比特浮點(diǎn)數(shù)以及整型等各種精度的計(jì)算，旨在尋找神經(jīng)網(wǎng)絡(luò)計(jì)算中效率最高的方法。
看起來他們?cè)谀骋稽c(diǎn)上達(dá)成了一致，即不要在不同的精度等級(jí)間進(jìn)行轉(zhuǎn)換。
幾十年來，深度神經(jīng)網(wǎng)絡(luò)一直是人工智能領(lǐng)域中的一個(gè)小分支。
自 2012 年左右開始，包括 Facebook 的 Yann LeCun 在內(nèi)的研究人員開始使用特定種類的 DNN 進(jìn)行圖像識(shí)別，最終獲得了比人類更高的準(zhǔn)確率，顯示出驚人的成果。
深度學(xué)習(xí)技術(shù)吸引了學(xué)界，現(xiàn)在學(xué)術(shù)圈正在高速發(fā)表論文，尋求新的突破。
如今，DNN 正在提供商業(yè)化服務(wù)，如亞馬遜的 Alexa 、谷歌翻譯、Facebook 面部識(shí)別等。網(wǎng)絡(luò)巨頭和全球其他競(jìng)爭(zhēng)者正競(jìng)相將這些技術(shù)應(yīng)用于各種服務(wù)中，盡其所能尋找殺手級(jí)應(yīng)用。
微軟每年都會(huì)在人工智能方面主持兩場(chǎng)僅員工參與的會(huì)議。前 SPARC 處理器架構(gòu)師 Marc Tremblay 表示，上一場(chǎng)會(huì)議有 5000 人參加。Marc Tremblay 現(xiàn)在正帶領(lǐng)微軟進(jìn)行 AI 專用芯片和系統(tǒng)方面的工作。
專家們承認(rèn)，他們并不完全理解現(xiàn)有算法為何能得到良好的效果。
這質(zhì)疑了 DNN 及其他各類模式的相對(duì)有效性，例如循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）和卷積神經(jīng)網(wǎng)絡(luò)（CNN）等。與此同時(shí)，學(xué)者還在不斷發(fā)明新的模式。
「算法在五年內(nèi)會(huì)發(fā)生變化的可能性很高。我們正在進(jìn)行一場(chǎng)賭博——像矩陣乘法這樣的最底層?xùn)|西是不可改變的?！乖谧罱P(guān)于人工智能的 IEEE 研討會(huì)上，AMD 公司研究員 Allen Rush 這樣說。
這就是 Google 用 TPU 做的賭注。
最新版本的 TPU 是能同時(shí)針對(duì)訓(xùn)練和推理工作。本質(zhì)上說，TPU 是一個(gè)巨大的乘加單元陣列，對(duì)矩陣操作進(jìn)行運(yùn)行和存儲(chǔ)。預(yù)計(jì) Nervana 和 Graphcore 的芯片將效仿這一模式。
哈佛大學(xué)前大腦研究員、Nervana 的聯(lián)合創(chuàng)始人 Amir Khosrowshahi，目前正在英特爾 Nervana 集團(tuán)任首席技術(shù)官。
他說，目前在神經(jīng)網(wǎng)絡(luò)方面取得的成功占據(jù)了人工智能領(lǐng)域成果的絕大部分。他在 IEEE 研討會(huì)上表示：
「由于深度學(xué)習(xí)的極大成功，我們對(duì)很多領(lǐng)域都避而不談。當(dāng)下，人人都在研究 CNN，這是一場(chǎng)悲劇……不要以為現(xiàn)在的熱潮會(huì)一直持續(xù)到明年?！?/p>
如今的 DNN 受到了極大的關(guān)注，但是它只代表人工智能廣泛領(lǐng)域中的一小部分
盡管 DNN 在圖像識(shí)別方面比人類有著更高的精確率，「但如今的數(shù)據(jù)科學(xué)家不得不花費(fèi)過長的時(shí)間對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，對(duì)模型和參數(shù)進(jìn)行迭代，并且等待訓(xùn)練收斂……其中，每個(gè)步驟要么有著過于密集的勞動(dòng)，要么有著過于密集的計(jì)算量」，Khosrowshahi 說道。
總而言之，他補(bǔ)充說：「人工智能領(lǐng)域仍面臨著許多難題。頂尖研究者能讓機(jī)器人打開一扇門，但是讓機(jī)器人端起茶杯可能比打敗 AlphaGo 困難得多?！?/p>
在這種環(huán)境下，F(xiàn)acebook 和 Google 等網(wǎng)絡(luò)巨頭正在發(fā)布大量的數(shù)據(jù)集，讓更多的人從事前沿問題，例如將識(shí)別應(yīng)用于視頻等新興領(lǐng)域或其他數(shù)據(jù)類型。
隨著算法的不斷發(fā)展，研究人員也在拓展深度學(xué)習(xí)的應(yīng)用邊界。
谷歌致力于將深度神經(jīng)網(wǎng)絡(luò)系統(tǒng)性地應(yīng)用于一系列問題，比如為盲人用戶自動(dòng)添加圖片說明文字、解讀核磁共振成像的掃描結(jié)果，以及輔助工廠的質(zhì)量控制監(jiān)督工作。
「人工智能并非一種單一的技術(shù)或產(chǎn)品，」谷歌研發(fā)部負(fù)責(zé)人李佳告訴 IEEE 研討會(huì)，「我們需要先理解那個(gè)領(lǐng)域，然后收集數(shù)據(jù)、找出適配算法并提出解決方案。每一個(gè)新問題都需要一個(gè)不同的模型?！?/p>
事實(shí)上，業(yè)界正在將深度神經(jīng)網(wǎng)絡(luò)系應(yīng)用于幾乎任何領(lǐng)域，包括芯片的設(shè)計(jì)與制作。英特爾列出了 40 多個(gè)可能的應(yīng)用方向，從消費(fèi)者在線購物助理，到華爾街自動(dòng)交易程序。
現(xiàn)任 Target 數(shù)據(jù)科學(xué)家的 Shirish Tatikonda，曾在 IBM 做研究員，對(duì)深度神經(jīng)網(wǎng)絡(luò)的應(yīng)用邊界有著更加清醒的認(rèn)識(shí)。
他在一次簡短的采訪中談到，零售商的大多數(shù)數(shù)據(jù)都是有關(guān)聯(lián)的，不是那種最適合于神經(jīng)網(wǎng)絡(luò)的非結(jié)構(gòu)化類型；在 Target 所接手的業(yè)務(wù)問題中，只有 10% 適用于深度神經(jīng)網(wǎng)絡(luò)。
盡管如此，Target 公司仍在積極探索該領(lǐng)域，其大約 10% 的系統(tǒng)使用的是 GPU 服務(wù)器，用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型。
為了實(shí)現(xiàn)規(guī)?；雀璧难芯咳藛T正致力于探究被其稱為 AutoML 的軟件。其思想是使用神經(jīng)網(wǎng)絡(luò)來自動(dòng)生成模型，無需數(shù)據(jù)科學(xué)家對(duì)其進(jìn)行手動(dòng)調(diào)整。
雖然近年來有許多研究人員尋求減少深度神經(jīng)網(wǎng)絡(luò)模型的內(nèi)存占用，但其尺寸差異仍然十分巨大
機(jī)器人先驅(qū) Rodney Brooks 擔(dān)心，業(yè)界對(duì)這種算法的預(yù)期可能過于樂觀了。他在最近的一次談話中說：「深度學(xué)習(xí)很好，但它正被當(dāng)成萬靈藥?！?/p>
就 Patterson 而言，他仍然選擇保持樂觀。雖然廣博的人工智能領(lǐng)域沒有兌現(xiàn)過去的一些承諾，但它在機(jī)器翻譯等領(lǐng)域所取得的成功卻是真實(shí)的。
「你可以說好采的果子都被采完了，不會(huì)再有更令人興奮的事情了，但事實(shí)上幾乎每周都會(huì)出現(xiàn)新的進(jìn)展...... 所以我想我們會(huì)發(fā)現(xiàn)更多的用途。」深度學(xué)習(xí)的早期發(fā)展充溢著狂熱與碎片化，即使軟件融合工作都被搞得支離破碎。
百度的人工智能研究小組進(jìn)行了一項(xiàng)調(diào)查，提出 11 項(xiàng)舉措來彌合不同神經(jīng)網(wǎng)絡(luò)管理軟件框架之間的隔閡。
Facebook、微軟以及新近加入的亞馬遜發(fā)起了一個(gè)比較靠譜的開源解決方案，叫做開源神經(jīng)網(wǎng)絡(luò)交換（Open Neural Network Exchange，ONNX）。
該項(xiàng)目在 12 月發(fā)布了 ONNX 的 1.0 版。其目標(biāo)是將軟件框架領(lǐng)域的 12 家競(jìng)爭(zhēng)廠商所創(chuàng)建的神經(jīng)網(wǎng)絡(luò)模型轉(zhuǎn)化為一種圖形表示。芯片制造商可以使用這種圖形表示來進(jìn)行硬件開發(fā)。
對(duì)于初創(chuàng)企業(yè)來說，無論是亞馬遜的 MxNet 或谷歌的 TensorFlow，還是 Facebook 的 Caffe2 或微軟的 CNTK，這些競(jìng)爭(zhēng)廠商所編寫的模型框架都很難互相兼容，而它們也無力編寫單獨(dú)的軟件，ONNX 無疑是一個(gè)福音。
12 月 20 日，由 30 多個(gè)主要的芯片廠商組成的一個(gè)研究小組發(fā)布了他們的首選方案——神經(jīng)網(wǎng)絡(luò)交換格式（Neural Network Exchange Format，NNEF）。
NNEF 旨在為芯片制造商提供一種個(gè)性化的選擇，使他們能夠創(chuàng)建屬于自己的、供內(nèi)部員工使用的格式，比如英特爾的 Nervana Graph 和英偉達(dá)的 TensorRT。
百度創(chuàng)建的格式有 ISAAC、NNVM、Poplar 和 XLA。
「置于哪一個(gè)將被成功實(shí)施，現(xiàn)在還不好說，但我們正在穩(wěn)步前進(jìn)，而最終一定會(huì)有一個(gè)從中脫穎而出，」百度的硅谷人工智能實(shí)驗(yàn)室高級(jí)研究員 Greg Diamos 說道。
在人工智能框架方面，亞馬遜聲稱其 MxNet 框架及其新開發(fā)的 Gluon API 效率最高
另外，谷歌已經(jīng)開始致力于自動(dòng)化深度神經(jīng)網(wǎng)絡(luò)模型的簡化過程，以便在智能手機(jī)、物聯(lián)網(wǎng)（IoT）節(jié)點(diǎn)等任何平臺(tái)上運(yùn)行。
如果該項(xiàng)目成功的話，可以將 50 兆字節(jié)的模型縮小到只有 500 字節(jié)。
谷歌也在探索如何在手機(jī)端進(jìn)行有限模型訓(xùn)練，其方法是調(diào)整模型的頂層網(wǎng)絡(luò)，或是在白天收集數(shù)據(jù)，然后在夜間運(yùn)行流程。
同樣，SqueezeNet 和 MobileNet 等業(yè)界同行也在開發(fā)類似的成像模型，精度與其科技界的大表哥們不相上下。
「我們已經(jīng)看到，機(jī)器學(xué)習(xí)正被大量應(yīng)用在五花八門的產(chǎn)品中，」谷歌的 TensorFlow Lite 負(fù)責(zé)人 Pete Warden 說道，「支持我徹夜工作的動(dòng)力，就是能夠降低一絲一毫的運(yùn)算能耗?！?/p>
當(dāng)專家們專注于探索人工智能的未來時(shí)，他們看到了一些有趣的可能性。
目前，我們所使用的有監(jiān)督學(xué)習(xí)是基于手動(dòng)調(diào)整。
Warden 是谷歌的一名研究人員，他和同事們都認(rèn)為，不久的將來會(huì)出現(xiàn)一些半監(jiān)督的學(xué)習(xí)方式，例如手機(jī)等客戶端設(shè)備可以獨(dú)自處理一些學(xué)習(xí)任務(wù)。
而最終的目標(biāo)是無監(jiān)督學(xué)習(xí)——即計(jì)算機(jī)自學(xué)，無需工程師的幫助。
一直以來，研究人員都希望能夠?qū)ふ页鲆环N方法，使手機(jī)或物聯(lián)網(wǎng)節(jié)點(diǎn)等設(shè)備在收集數(shù)據(jù)時(shí)可以自動(dòng)對(duì)其進(jìn)行標(biāo)記。
「谷歌認(rèn)為，在這個(gè)中間階段，我們現(xiàn)在需要進(jìn)行大量的計(jì)算，但是一旦可以自動(dòng)標(biāo)記數(shù)據(jù)，你就只需要索引新的增量內(nèi)容，這更像是人類的數(shù)據(jù)處理方式，」Western Digital 首席數(shù)據(jù)科學(xué)家 Janet George 說道。
無監(jiān)督學(xué)習(xí)打開了一扇通往加速機(jī)器智能時(shí)代的大門，有些人將其看作是數(shù)字天堂。
而另一些人則擔(dān)心，缺少人為干預(yù)的技術(shù)可能會(huì)失控，從而帶來災(zāi)難性的后果?！高@就是我害怕的地方，」處理器領(lǐng)域資深老兵 Norm Jouppi 說道，他曾領(lǐng)導(dǎo)了谷歌的 TPU 項(xiàng)目。
與此同時(shí)，從事半導(dǎo)體研究的學(xué)術(shù)工作者對(duì)于未來的人工智能芯片有著自己的長遠(yuǎn)設(shè)想。
現(xiàn)在，英特爾、Graphcore 和英偉達(dá)「已經(jīng)在制造全刻線（full-reticle）芯片，下一步就是三維技術(shù)，」Patterson 說道，
「在摩爾定律當(dāng)?shù)罆r(shí)，人們會(huì)比較排斥復(fù)雜的芯片封裝技術(shù)，對(duì)其可靠性和成本問題有所顧忌?，F(xiàn)在摩爾定律已經(jīng)終結(jié)了，芯片封裝領(lǐng)域?qū)?huì)出現(xiàn)很多其它的創(chuàng)新性實(shí)踐。」
最終任務(wù)是創(chuàng)造新型的晶體管，使其可以堆疊在由邏輯和存儲(chǔ)器組成的裸片層上。
Suman Datta 是 Notre Dame 學(xué)院的一名電氣工程學(xué)教授，他認(rèn)為負(fù)電容鐵電晶體管很適于創(chuàng)建這類芯片。
在最近一次有關(guān)所謂的單片 3D 架構(gòu)的會(huì)議上，他談到了該領(lǐng)域的未來發(fā)展圖景。這種設(shè)計(jì)利用并提高了三維 NAND 閃存在芯片堆棧中的效益。
在今年 2 月舉行的國際固態(tài)電路會(huì)議（International Solid-State Circuits Conference）上，來自伯克利、麻省理工和斯坦福大學(xué)的一個(gè)團(tuán)隊(duì)將提出一種體系架構(gòu)，同樣富有遠(yuǎn)見。
芯片（下圖）在帶有碳納米管制邏輯的裸片上，堆疊了電阻式 RAM（Resistive Random Access Memory，ReRAM）結(jié)構(gòu)。
來自上述三校的研究人員將在 ISSCC 上介紹一種新型加速器，它使用碳納米管、ReRAM 以及模式作為計(jì)算元素
受深度神經(jīng)網(wǎng)絡(luò)的啟發(fā)，該裝置采用的是近似模式，而非計(jì)算機(jī)一直以來所使用的確切數(shù)字。
這個(gè)所謂的高維計(jì)算使用成千上萬維向量作為計(jì)算元素，伯克利教授 Jan Rabaey 說道，他也是該論文的貢獻(xiàn)者之一，并且是英特爾的智能咨詢委員會(huì)成員。
這種芯片可以從案例中進(jìn)行學(xué)習(xí)，且其所需的操作次數(shù)遠(yuǎn)遠(yuǎn)少于傳統(tǒng)系統(tǒng)，Rabaey 說。在一個(gè)關(guān)聯(lián)的內(nèi)存陣列中，流片前的測(cè)試芯片將使用陣列振蕩器作為與 ReRAM 單元配對(duì)的模擬邏輯。
「我夢(mèng)想中的引擎在場(chǎng)邊給我作指導(dǎo)…... 我的目標(biāo)是把人工智能的操作能耗降低到 100 毫伏以下，」Rabaey 在 IEEE 人工智能研討會(huì)上說，
「我們需要重新思考我們的計(jì)算方式。我們的關(guān)注點(diǎn)正在從算法轉(zhuǎn)向基于數(shù)據(jù)的系統(tǒng)?！?/p>
聯(lián)系客服
