人工智能重塑芯片設(shè)計(jì)產(chǎn)業(yè)

隨著架構(gòu)師開始利用 AI 提高性能和降低功耗，并為未來芯片的開發(fā)、制造和更新奠定基礎(chǔ)，人工智能也開始影響半導(dǎo)體設(shè)計(jì)。

人工智能、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)可以極大改善芯片某項(xiàng)特定功能的控制和性能。架構(gòu)師既可以基于現(xiàn)有設(shè)備進(jìn)行分層設(shè)計(jì)，也可以整合到新設(shè)計(jì)中，以實(shí)現(xiàn)更多功能或某個(gè)特定功能。

人工智能技術(shù)帶來很多好處，比如：

通過稀疏算法或數(shù)據(jù)壓縮來改變特定函數(shù)精度，增加粒度，提高芯片性能和降低功耗。

識別數(shù)據(jù)模式而不是單個(gè)比特，有效提高計(jì)算的抽象性，增加軟件密度。

允許以矩陣的形式執(zhí)行處理和內(nèi)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(shù)據(jù)。畢竟，無論是用于邊緣計(jì)算還是數(shù)據(jù)中心，訓(xùn)練還是推斷，需要加以處理和存儲的數(shù)據(jù)量都是最大的。

新起點(diǎn)

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(jié)果精度與準(zhǔn)度的方法。比如，語音識別對精度的要求，遠(yuǎn)沒有自動駕駛中安全應(yīng)用與目標(biāo)識別嚴(yán)苛。根據(jù)特定需要而展現(xiàn)的自適應(yīng)能力，才是人工智能的價(jià)值所在。

與其說人工智能的起點(diǎn)是硬件和軟件，不如說是數(shù)據(jù)的質(zhì)量、數(shù)量和遷移。這需要用一種不同的方式來看待設(shè)計(jì)，包括過去通常沒有合作的團(tuán)隊(duì)之間的協(xié)作。

「計(jì)算真的很便宜，壓縮/解壓數(shù)據(jù)也很便宜，但在內(nèi)存中存儲和加載數(shù)據(jù)卻一點(diǎn)不便宜。要構(gòu)建這些系統(tǒng)，需要特定領(lǐng)域的專家、機(jī)器學(xué)習(xí)專家、優(yōu)化與性能專家，這三個(gè)領(lǐng)域的專家都需要。」Arm 研究員杰姆?戴維斯（Jem Davies）表示。

他指出，機(jī)器學(xué)習(xí)可以影響系統(tǒng)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(jī)里也有機(jī)器學(xué)習(xí)。」

采用神經(jīng)形態(tài)計(jì)算和不同的內(nèi)存架構(gòu)，AI 效果最好，因?yàn)樵谶@些情況下，數(shù)據(jù)可以進(jìn)行矩陣處理。為達(dá)到最優(yōu)工作狀態(tài)，除了對處理器有要求外，還需要良好的系統(tǒng)架構(gòu)、超大的數(shù)據(jù)吞吐量及內(nèi)存變化過程中的數(shù)據(jù)對齊。

「許多架構(gòu)改進(jìn)是軟硬件的結(jié)合，雖然不一定會提高單個(gè)處理器的整體性能，但會更節(jié)能，內(nèi)存效率也更高。縮小一點(diǎn)，內(nèi)存大小就能減半。」鏗騰電子（Cadence）音頻和語音 IP 產(chǎn)品市場總監(jiān) Gerard Andrews 表示。

實(shí)際上，這使得軟件設(shè)計(jì)密度更高，并加速了數(shù)據(jù)在內(nèi)存中的移動。「問題是，內(nèi)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(nèi)存子系統(tǒng)中發(fā)生的變化是不連續(xù)的、突然的。這一切與延遲和帶寬，以及如何滿足芯片內(nèi)外的龐大需求有關(guān)。由于需要大量數(shù)據(jù)管道，因此，我們開發(fā)了許多關(guān)于如何移動數(shù)據(jù)的架構(gòu)。在此之前，你要考慮的是添加多少內(nèi)存，如何高效使用內(nèi)存。但是，現(xiàn)在要建造巨大的管道，較少地使用內(nèi)存。」Achronix 的系統(tǒng)架構(gòu)師 Kent Orthner 說。

嘗試減少數(shù)據(jù)流量的新方法之一是脈沖神經(jīng)網(wǎng)絡(luò)。它們不是持續(xù)發(fā)射信號，而是以類似大腦峰值的方式發(fā)射信號。

「脈沖神經(jīng)網(wǎng)絡(luò)是下一代神經(jīng)網(wǎng)絡(luò)。」BrainChip 營銷和業(yè)務(wù)開發(fā)高級副總裁 Bob Beachler 說，「卷積使用線性代數(shù)。出現(xiàn)峰值時(shí)，數(shù)據(jù)以尖峰的形式輸入。你可以通過尖峰進(jìn)行訓(xùn)練，如果有很多尖峰，可以選擇加強(qiáng)或抑制它們。對于專用于訓(xùn)練閾值的位，你可以用非常低的權(quán)重來做到這一點(diǎn)。」

據(jù)估計(jì)，約有 70 家人工智能初創(chuàng)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(chǎn)權(quán)）供應(yīng)商和工具公司都有涉足 AI 的某個(gè)方面。

人工智能的風(fēng)險(xiǎn)和困惑

但是，人工智能也存在一定的風(fēng)險(xiǎn)，這取決于應(yīng)用程序和精確度。

過去，電子系統(tǒng)的設(shè)計(jì)是建立在完全可預(yù)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(jì)算精度，人們也在會議上討論這對芯片設(shè)計(jì)意味著什么。目前尚不清楚的是，現(xiàn)有工具或方法提供的置信度能否滿足設(shè)備需求，特別是在系統(tǒng)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(yīng)用人工智能，人們也有一定困惑。有專門為人工智能設(shè)計(jì)的芯片，以及一些不是專門為 AI 開發(fā)但可用于 AI 的芯片，對這些芯片進(jìn)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(yè)都在爭相以相同或更低功率來提升性能。根據(jù)摩爾定律，在 16/14 納米工藝后，每個(gè)節(jié)點(diǎn)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(bǔ)充的新方法。

對于針對 AI 訓(xùn)練或推理的芯片，或者芯片中發(fā)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(gòu)。但它不適用于所有情況，還有一些變量，比如訓(xùn)練數(shù)據(jù)的大小和價(jià)值，它們可能會使 AI 在某些應(yīng)用程序中失效，而在其他情況下，性能提升 100 倍甚至被認(rèn)為過于保守。

這就是人們要花很長時(shí)間才能把一些新架構(gòu)推向市場的原因。隨著芯片行業(yè)初見端倪，人們也在進(jìn)行大量的架構(gòu)探索和實(shí)驗(yàn)。

「應(yīng)用程序和算法都面臨挑戰(zhàn)，處理器和內(nèi)存芯片也面臨挑戰(zhàn)。」Synopsy 的戰(zhàn)略營銷經(jīng)理 Ron Lowman 說：

「這使得對 AI 架構(gòu)的探索變得更加重要，這也是 CCIX（緩存一致性互聯(lián)加速器）變得如此流行的原因之一。探索新架構(gòu)的客戶越來越多。每個(gè)人都在嘗試建立人腦仿生的新架構(gòu)。

除此之外，有一些新的非易失性存儲器技術(shù)正在開發(fā)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(shí)，這種處理器會與針對不同數(shù)據(jù)類型、定制的新型加速器相關(guān)聯(lián)。另外，還有很多關(guān)于數(shù)據(jù)壓縮和量化的工作。

「人們正在研究從 32 位浮點(diǎn)數(shù)到 8 位浮點(diǎn)數(shù)，」Lowman 說，「現(xiàn)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(shù)據(jù)輸入，就可將錯誤率的影響降到最低，但這非常依賴于應(yīng)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(shù)據(jù)中心的 AI 芯片，促使芯片的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)發(fā)生變化。網(wǎng)絡(luò)中的所有目標(biāo)都是接收相同的數(shù)據(jù)，較之廣播，使用多播方法能更好地針對性使用數(shù)據(jù)。

「通過多播，可以向多個(gè)目的地發(fā)送一封郵件。」Arteris IP 的營銷副總裁 Kurt Shuler 說，「它通常被用來做權(quán)重。好處是，你可以更好地利用片上網(wǎng)絡(luò)帶寬，因此路上的車也越來越少了。

AI 芯片有一個(gè)問題：它們往往非常大。「最大的問題是時(shí)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(xiàn)路由堵塞。解決這個(gè)問題的方法是創(chuàng)建虛擬通道連接，減少線路數(shù)量并通過一組線路共享通信。這就需要通過仲裁來匹配數(shù)據(jù)流。」

計(jì)劃性淘汰

這只是設(shè)計(jì)的一部分。另一方面，還要保持算法的時(shí)效性。

目前，深度學(xué)習(xí)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(nèi)部數(shù)據(jù)遷移、以及處理這些數(shù)據(jù)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(yīng)用。例如，汽車或工業(yè)環(huán)境中的重要安全應(yīng)用，也需要有足夠通用性與反應(yīng)性，以便與其他車輛或設(shè)備兼容。

「當(dāng)我們討論未來時(shí)，問題不在于它是否有效。」eSilicon 的創(chuàng)新高級主管 Carlos Macián 說，「TPU（張量處理單元）是一個(gè)開拓者，它表明性能可以得到數(shù)量級提高。但是對于新的工作負(fù)載，如果沒有 ASIC 的優(yōu)化，你可能只會提高 3 倍。」

前提是，假設(shè)數(shù)據(jù)是干凈、有用的，這也是情況變得復(fù)雜的地方。

「AI 非常適用于處理非結(jié)構(gòu)化的數(shù)據(jù)，」Macián 說，「如果你給出現(xiàn)在 Facebook 上的人打標(biāo)簽，你就知道這很適合人工智能。但它不是結(jié)構(gòu)化數(shù)據(jù)。所以，AI 天生就不準(zhǔn)確，有時(shí)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(jī)，消費(fèi)者希望每隔幾年就更換一次手機(jī)。在其他市場，電子產(chǎn)品被寄予厚望——全部的功能能夠順暢運(yùn)行二十年之久。

提高數(shù)據(jù)質(zhì)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(shè)備而言，現(xiàn)場升級的能力至關(guān)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?yàn)榭删幊踢壿嬅黠@慢于（軟件）已調(diào)優(yōu)的硬件。

深圳市麗晶微電子科技有限公司，專注于開關(guān)IC，定時(shí)IC，延時(shí)IC芯片，電子開關(guān)芯片，觸摸IC，太陽能IC，流星燈IC。咨詢熱線：0755-29100085

1/5