人会思考

决定因素在于大脑

大脑指挥人去思考和行动

人工智能的本质

是对人类思维过程的模拟

正所谓无芯片不 AI

AI 芯片就是它的大脑

今天我们就来介绍这个大脑

↓

//

AI 芯片的关键特征

//

关键特征 01

AI 芯片的分类

像人一样

有人擅长数学

有人擅长体育运动

AI 芯片根据自己的特长（性能）

分为三大类

01

AI 应用的通用芯片 GPU

它擅长处理：图形类数值计算

02

侧重加速机器学习算法的芯片

尤其是神经网络、深度学习

这也是目前 AI 芯片中最多的形式

它的特点就是：快

速度是传统 GPU 的15-30倍

03

受生物脑启发设计的神经形态计算芯片

简单说就是芯片上有了神经形态

装上这颗芯片

机器人、无人车、无人机

都会思考了

著名的索菲亚

虽然对答如流、表情丰富

但它并没有类似人类的智能

▼

关键特征02

新型计算范式

芯片的任务就是计算

但是有了AI加持

增加了新的计算特质

01

处理的内容是非结构化数据

处理的内容不再包括表格和文字

还有图片、视频、语音等数据

02

处理的过程通常需要很大的计算量

基本的计算主要是线性代数运算

典型的如张量处理

而控制流程则相对简单

03

需要巨大的存储容量

高带宽、低延时的访存能力

以及计算单元和存储器件间丰富且灵活的连接

关键特征03

训练和推断

一般来说

AI芯片要通过必须不断训练

使它拥有自己的“判断力”

这怎么搞呢？

01

训练

是指在已有数据中学习

获得某些能力的过程

就好比

老师给学生上课

让学生们获得知识的过程

02

推断

使用这些能力完成特定任务

比如分类、识别等

老师授课后

要让学生具备

发现问题、解决问题的能力

对神经网络而言

训练过程就是

通过不断更新网络参数

使推断（或者预测）误差最小化的过程

03

推断过程则是

直接将数据输入神经网络

并评估结果的正向计算过程

关键特征04

大数据处理能力

我们都知道

AI的发展高度依赖海量的数据

满足高效能机器学习的数据处理要求

是AI 芯片需要考虑的最重要因素

关键特征05

数据精度

目前

低精度设计是AI芯片的一个趋势

尤其，在针对推断的芯片中更加明显

降低精度的设计

不仅节省大量内存和降低能量消耗

加速了机器学习算法的推断或者训练

关键特征06

可重构能力

芯片研发周期长，投入大

目前，AI算法和应用处于快速迭代阶段

芯片针对特定应用、算法或场景的定制化设计

很难跟得上变化的节奏

所以

未来 AI 芯片设计一个指导原则

是针对特定领域

比如：交通、公安、农业、教育领域等

而不针对特定应用的设计

具有可重构能力的 AI 芯片

可以在更多应用中大显身手

并且可以通过重新配置

适应新的 AI 算法、架构和任务

而不需要重新再来一遍

关键特征07

软件工具

AI 芯片需要软件工具链的支持

将不同的机器学习任务和神经网络

转换为可以在 AI 芯片上高效执行的指令代码

这意思就是说

它需要一个编译工具

告诉芯片要执行什么任务？

基本处理、内存访问

任务的正确分配和调度

将是工具链中需要重点考虑的因素

结语

↓

AI 芯片本身处于整个链条的中部

向上为应用和算法提供高效支持

向下对器件和电路、工艺和材料提出需求

01

应用和算法的快速发展

引发了 AI 片研发的热潮

尤其是深度学习、卷积神经网络

对 AI 芯片提出了 2-3 个数量级的性能优化需求

02

新型材料、工艺和器件的迅速发展

例如3D堆叠内存，工艺演进等

也为 AI 芯片提供了显著提升性能和降低功耗的可行性

这个推动力来源于基础研究的突破

总体而言

这两类动力共同促进了

AI 芯片技术近年来的快速发展

资料来源：人工智能芯片技术白皮书