站在風口的人工智能芯片

陸芃臣

摘 要：隨著互聯網技術、物聯網技術、人工智能等技術的不斷發展，作為各種算法、程序、軟件的承載者——芯片的重要性也愈發凸顯。各大互聯網公司和科技公司也相繼推出了人工智能芯片產品。隨著人工智能技術的“熱潮”逐漸退去，人們也隨之質疑所謂的人工智能芯片是否真的“智能”。本文介紹了人工智能技術原理和人工智能芯片分類，并對未來的人工智能芯片作出展望。

關鍵詞：人工智能;芯片;功能;分類

中圖分類號：TP33 文獻標識碼：A 文章編號：1671-2064（2019）22-0049-02

0 引言

隨著人工智能技術和芯片技術的不斷發展，人工智能芯片已經從最初的概念落地，成為了新一代“網紅科技產品”，而隨著多家互聯網巨頭相繼入局，人工智能芯片熱度再次上升：預計到2020年全球市場規模將超過100億美元，在這其中中國市場就獨占了將近1/4。人工智能芯片行業增長非常迅猛，且發展空間巨大，因此目前全球的各大芯片公司都在積極進行對AI芯片的新布局。

為了搶奪市場，不同公司針對不同場景推出了各種各樣的產品[1]：英偉達公司的GPU不僅應用于各大圖像處理場景，更被眾多實驗室采購以作為深度學習的計算基礎;谷歌為Tensorflow開發出專用的TPU來為用戶提供計算服務，這種處理器的處理能力達到180Tflop;國內以寒武紀為首的諸多廠商也生產出了自己的AI芯片。如果說在傳統的CPU等高端芯片領域技術壁壘高，后起國家難以進入，那么AI芯片則是一片藍海，等待著科技工作者的進入。

1 人工智能芯片兩大功能

顧名思義，人工智能芯片即為搭載人工智能的芯片，在不同的時代人工智能有著不同的實現方式和數學算法。而在今天，當我們談起人工智能芯片時，我們更多的是在談論搭載有人工神經網絡的芯片，這是因為在當前的科技階段，人工智能的發展主要依托于統計學原理與日益強大的計算機能力，而一個具體的人工神經網絡也往往是單純為某一個具體的問題而設計與訓練的，比如識別人臉、特征提取等，顯然，這與人們所想象的“機器人統治世界”的情景天差地別。

神經網絡從構造到應用無非是要完成兩個任務：訓練與推理。神經網絡并不是憑空得來的，一個表現優秀的神經網絡需要大量的樣本數據來完成其自身的訓練，在這個過程中，神經網絡在傳統的線性傳遞函數中加入了“非線性函數”，即激活函數，來完成一種空間映射。在這種空間映射中，神經網絡將數據的無用信息剔除，有用信息保留并進行非線性變換，以達到精確分類的目的。因此，神經網絡的“產出過程”往往是：發現問題——問題建?！@取樣本數據——訓練網絡——網絡驗證——網絡確定——網絡優化。在確定了網絡之后，我們就可以將這種網絡用語具體環境中以進行推理。而在當今的工業體系中，不同的群體所面臨的網絡構建環節往往是不同的。對于那些希望加速訓練過程，提高產品迭代頻率的研發與科學人員來說，他們需要的是能夠加速計算、提高帶寬的芯片，并且這種芯片的使用環境也往往不會對芯片功耗提出苛刻的要求;對于那些希望將芯片應用于具體場景中以加速實際情況判斷的研發人員來說，他們需求雖然依然是加速計算，但他們的需求卻往往是“定向”的，這是因為在網絡訓練成功后，其數據的流向與網絡的機構就已經確定了，如果能夠針對性地搭建一款芯片來完成相應計算，就可以大大加速解決這個特定問題的計算過程。

舉個例子，對于大多數手機用戶而言，他們并沒有“構造神經網絡”的需求，反而是更加需要一個可靠、快速的神經網絡供其在具體應用場景中進行智能判斷。例如，在前些日子風靡一時的谷歌“猜話小歌”微信小程序中，手機實時地將用戶的繪畫涂鴉上傳至云端，并交由谷歌的人工智能系統進行判斷，并且判斷結果也會進一步影響人工智能的訓練（即訓練與推理是實時進行的）;而很多女孩子所使用的“智能美顏”實際上也是軟件將訓練好的神經網絡下載到數據庫中，并根據用戶的外形數據（例如臉型、眼睛的大?。┻M行智能判斷，挑選出最適合用戶的美顏方式進行美顏[2]。

由此我們不難總結，人工智能芯片也對應著兩種功能[3]：訓練與推理，其本質都在于加速計算，不同點在于在訓練任務中每次迭代之后芯片的計算任務都有可能發生變化，這是因為擬合函數的過程本身就是不斷變化的;在推理任務中每次迭代芯片所執行的任務都是相通的。在速度上雖然我們都希望盡可能地加速，但具體要求又不盡相同。例如，對于某些需要傳輸大量數據或是不能允許延時的應用如無人駕駛汽車的推斷，就必須在邊緣節點上自行執行推斷（相應的，有些任務則可以先上傳到云端，再由服務器進行運算，這樣的任務往往對實時性要求不高）。在可以預見的未來，消費級的終端設備也需要滿足自行推斷計算的需求，這是當前的處理芯片遠遠達不到的。所以能夠賦予設備足夠計算能力來應對越來越多場景的AI芯片成為現在市場所最需要的。

在當前的歷史階段，智能手機毫無疑問是最為廣泛的邊緣計算終端設備，隨著移動辦公、娛樂的發展，用戶對手機的計算能力的要求也原來越高，三星、蘋果、高通等一眾公司紛紛開始了自己的AI芯片研發之路。而傳統的IP廠商也都在為各類邊緣計算終端設備開發專用的IP產品。由此我們可見，手機的人工智能功能更多的是聚焦于“推理”而非“訓練”，因此，手機制造廠商需要的是能夠迅速進行人工智能推理的芯片系統，那么同樣是芯片系統，為什么需要單獨制造所謂的人工智能芯片呢？

2 人工智能芯片必要性與分類

在傳統的馮諾依曼結構中，計算機將大量的資源留給了邏輯運算系統，即傳統CPU的邏輯計算能力和串行執行能力非常出色，但在面對大規模數據運算時，盡管有多層流水線這種優化結構，但指令的數量仍然限制了深度學習的速度。傳統CPU只有ALU模塊是用來完成指令數據計算，其他各個模塊都是為了保證指令能夠一條一條的有序進行而存在的[4]。這種通用型結構對于傳統的編程計算機模式非常適合，但對于需要大量計算的深度學習來說就不夠了。

為了解決這個問題，工程師們一直在探求新的硬件架構，以求在根本上改善集成電路搭載神經網絡的能力，從根本上來講，這些新的硬件架構大體分為三類，分別是圖形處理器（GPU），現場可編輯邏輯門陣列（FPGA），面向具體應用場景的片上系統（ASIC）。

GPU因其海量數據并行運算的能力被深度學習首先引入。經實驗證明，12顆NVIDIAD的GPU可以提供相當于2000顆CPU的深度學習能力。但是同樣，GPU也有局限性，它在應用過程中無法充分使用計算優勢，而且無法編程，并且對深度學習的運行能效也遠不如FPGA。然而，FPGA作為可編輯門陣列，計算能力依然有限且制造價格有限。

ASIC：ASIC是面向具體的應用場景所設計和制造的“專用”芯片，簡單來說，通用的加速芯片GPU雖然能顯著提高計算速度，但遠遠不如專門為某種計算設計的專用芯片。在目前為人工智能專門定制芯片的潮流已經開始初步顯露了，以英偉達公司和寒武紀公司為代表，許多公司已經開始了這方面的研究探索。

FPGA：FPGA是在研發階段常用的人工智能芯片，它就像是樂高積木一樣，根據不同的引腳搭配，可以將芯片配制成不同的功能，因此可以模擬各種情況下的芯片。但其缺點在于規模過大，因此一般不應用于實際產品。

我們不難發現，當前手機上所搭載的人工智能芯片其本質上是ASIC的一種，是各大廠商為了應對大規模數據推理的問題所搭載的一種“神經網絡加速器”[5]。當然，此處的“大規?！笔窍鄬Χ?，比起神經網絡的訓練過程，推理所需要的計算資源要小得多，但仍然遠大于手機的日常使用所需的計算量。因此，搭載人工智能芯片除了能夠節省CPU資源，更重要的是能夠大大加快計算速度（手機上所搭載的ASIC往往可以搭載各種各樣的神經網絡，從這個角度上講，更應該叫面向多個場景的集成電路）。

當然，手機所要面臨的大規模數據計算問題未必唯此一條出路，實際上，無人駕駛等神經網絡的應用場景也給了我們很多啟示：我們完全可以將數據上傳至云端，并交由大規模GPU或是ASIC進行計算并反饋結果，而具體哪種結果更能令人滿意或未可知。

3 總結與展望

目前的AI運算都各具優劣，必須在合適的場景才能發揮作用，所以能夠適合各種場景的芯片成為了現今市場所最渴求的產品。從這個角度上講，AI芯片和傳統芯片在很長的一段時間內都需要“和平共處”，無法相互替代，因此當前的人工智能芯片還僅僅只是起步階段，距離真正進入大眾生活還要走很長的路。

當然，對于現在人工智能芯片所處的比較滯后的狀態，我們大可不必悲觀，雖然現在有很多人對于人工智能芯片持懷疑甚至反對態度，但這的確是人類通向弱人工智能并進一步走向強人工智能所必須經歷的階段，在技術發展的每一個時期都不可能完美無缺、普適眾生。相信在不遠的將來，人工智能的發展將邁上新的臺階。

參考文獻

[1] 尹首一，郭珩，魏少軍.人工智能芯片發展的現狀及趨勢[J].科技導報，2018，36（17）：45-51.

[2] 孫學全，馮英浚.多層感知器的靈敏度分析[J].計算機學報，2001，24（9）：951-958.

[3] 宋光慧.基于遷移學習與深度卷積特征的圖像標注方法研究[D].浙江大學，2016.

[4] 岳珂娟.馮·諾依曼體系結構在計算機組成原理教學中的重要性[J].計算機教育，2012（24）：99-101.

[5] 司春杰，章磊，張詩歡.寒武紀：自主“芯”引領人工智能時代[J].浦東開發，2018，317（06）：22-24.