人工智能芯片发展趋势分析

1、 人工智能芯片发展趋势分析目 录 TOC o 1-3 h z u HYPERLINK l _Toc526838697 1.AI的技术之源 PAGEREF _Toc526838697 h 3 HYPERLINK l _Toc526838698 2.真正的AI芯片的任务 PAGEREF _Toc526838698 h 7 HYPERLINK l _Toc526838699 3.AI芯片的未来 PAGEREF _Toc526838699 h 8随着技术的不断进步，人工智能逐渐成为科技发展的又一个热点，去年，百度出了无人驾驶汽车，今年，阿里出了酒店服务机器人。明年还会出来什么？人工智能的新变化，总是日

2、新月异。那么，作为人工智能中必不可少的芯片，它的前世今生和未来，究竟如何呢？人工智能的今天来之不易，将来也有很长的路要走。最近人工智能（AI）的话题非常火爆。AI在医疗诊断、新化合物合成、罪犯识别等方面得到了广泛应用，还能驾驶汽车，甚至能创造出艺术品。有时似乎感觉没有什么AI做不到的，似乎每个人都要失业，只要看着AI替我们做好一切就行了。为了理解AI技术的起源，这篇文章将会带你浏览AI的历史。它还会介绍AI芯片的现状，以及为了让AI能真正影响到人类生活，创造出高级驾驶辅助系统（ADAS）和自动驾驶汽车等，我们还需要做些什么。我们先来从AI的历史开始。随着AI的发展，它越来越偏向特定的技术，即机

3、器学习，这项技术依赖于经验学习来做决策，而不是靠程序做决策。而机器学习为深度学习打下了基础，后者的算法需要对数据的进一步理解。AI的技术之源“人工智能”这个词由科学家John McCarthy、Claude Shannon和Marvin Minsky与1956年在Dartmouth会议上创造。人工智能是信息时代的尖端技术。从人类建立起需要指导控制才能运行的计算机，到计算机拥有可以自己去学习的能力，这一飞跃对各行各业都产生了巨大的影响。虽然此时此刻可能是下一个 AI 冬季（图8）到来之前的给予承诺又让人失望的周期，但这些投资和新技术至少会给我们带来有形的机器学习生产力的经济利益。与此同时，人工智

4、能、机器人和无人驾驶汽车已经成为了流行文化甚至是政治话语的前沿。五十年代末，Arthur Samuel将“机器学习”这个词定义为能够从错误中学习的程序，这种程序甚至能在下棋方面比它的创造者更优秀。这是计算机技术发展的黄金时期，许多研究人员都认为AI能很快“解决”。科学家们对基于人类大脑功能的计算做了很多研究，看它们是否能解决真实世界中的问题，从而创造了“神经网络”的概念。1970年，Marvin Minsky告诉Life杂志，“只需三到八年的时间，我们就能创造出拥有普通人类智能的机器”。到了二十世纪八十年代，AI走出实验室进入商业领域，创造了一段投资的神话。当AI技术的泡沫在八十世纪末破碎时，

5、AI回到了学术界，科学家们继续研究它的潜力。商业圈的观察人士称AI为“过早到来的技术”，或者“未来的技术”，等等不一而足。这段相当长的时期被称为“AI的寒冬”，但随后AI在商业圈又得到了迅猛发展。1986年，Geoffrey HInton和他的同事们发表了里程碑式的论文，描述了名为“反向传播”的算法，这个算法可以用于大幅度改善多层“深度”神经网络的性能。1989年，贝尔实验室的Yann LeCun和其他研究人员演示了一项新技术在真实世界中的应用，即训练神经网络来识别手写的邮政编码。他们只花了三天时间就训练了一个深度卷积神经网络（CNN）。快进至2009年，斯坦福大学的Rajat Raina、A

6、nand Madhavan和Andrew Ng发表了一篇论文，讨论了利用计算性能远超现代多核CPU的GPU提高深度学习速度的方法。AI的盛宴就此开始了。权威机构预测，2020 年，中国人工智能市场将从 2015 年的 12 亿人民币增长至 91 亿人民币。2015 年，约 14 亿资本（年增长率 76%）流入了中国的人工智能市场。在政府政策方面，中国的国家发展改革委员会（发改委）和其他相关政府机构于 2016 年 5 月 18 日发布了互联网+人工智能三年行动实施方案。方案指出了人工智能领域发展的六大保障措施，包括资金支持、标准体系、知识产权保护、人才培养、国际合作和组织实施。方案提出，到 2

7、018 年，中国的人工智能基础资源与创新平台、产业体系、创新服务体系、标准化体系应基本建立。发改委期望中国人工智能产业整体与国际同步，系统级别（system-level）的人工智能技术和应用要位于市场领先位置。中国已经做出一些重大举措，而且根据提及深度学习和深度神经网络的被引用期刊论文数量，2014 年，中国已经超越美国（Exhibit 23）。中国拥有世界领先的语音和视觉识别技术，其人工智能研究能力也令人印象深刻（Exhibit 24）。百度于 2015 年 11 月发布的 Deep Speech 2 已经能够达到 97% 的正确率，并被麻省科技评论评为 2016 年十大突破科技之一。另外，

8、早在 2014 年香港中文大学开发的 DeepID 系统就在 LFW 数据库中达到了 99.15% 的面目识别正确率。Exhibit 23：提到深度学习或者深度神经网络的期刊文章Exhibit 24：至少被引用一次的、并提到深度学习或者深度神经网络的期刊文章真正的AI芯片的任务为什么今天AI的话题无处不在？一系列的关键因素最终都聚集在一点上：人们相信科技的巨大进步能够解决越来越重要的真实世界问题。有了今天互联网提供的基础设施，全世界的研究人员都能够使用强大的计算能力、海量的数据和高速的通讯，从而创造出新的算法和解决方案。例如，汽车工业已经表示愿意在AI科技方面投入巨大的研发资源，因为机器学习可

9、能解决诸如自动驾驶等高度复杂的任务。AI芯片设计的一个主要问题就是集成。这里讨论的是超大规模的定制系统芯片（SoC），其中的深度学习由多种硬件加速器实现。设计AI芯片是非常困难的，特别是在汽车工业苛刻的安全和可靠性的要求下。但是，AI芯片依然只是芯片，或许再加上一些处理器、内存、I/O和互联技术方面的新技术而已。像Google和Tesla等芯片设计方面的新手，以及AIMotive、Horizon Robotics等AI芯片创业公司，都拥有丰富的深度学习的计算复杂度方面的知识，但他们可能会面临尖端系统芯片设计等方面的巨大挑战。可配置的、互联的知识产权的作用非常重要，它能让这些芯片界的新手迅速制造

10、出可以使用的芯片。以带有深度学习加速器的AI芯片为例，这种芯片的使用场景如汽车前置摄像头，可以进行图像分析，对路边的物体进行检测和分类。每个AI芯片都有独特的内存访问方式，以保证最大的带宽。芯片内的数据流必须经过优化，以保证最大的带宽，才能在必要的时候满足性能需求，但又要尽可能在芯片面积、成本和能量消耗方面进行优化。每个连接必须为高层的AI算法进行优化。更麻烦的是，新的AI算法每天都在涌现。从某些方面来说，现在的深度学习就像香蕉一样，没人想要烂香蕉，也没人想要AI芯片中的旧算法。对于这些尖端科技产品来说，上市时间比许多其他半导体产品更为重要。AI芯片的未来尽管深度学习和神经网络快速地推动了人工智能技术的发展，许多研究人员依然相信，要达到最终的AI目标，我们依然需要更多的不同方法。大多数AI芯片的设计思路依然是LeCun和Hinton等人在十几年前发表的思想的改进版本，但没有任何理由相信，这条路上的指数级增长能够让AI像人类那样思考。我们今天所知的AI并不能把一个任务上获得的深度学习经验推广到其他新的、不同的任务上。而且，神经网络并不能很好地吸收以前的知识，或吸收“上下”或者“孩子有父母”这种简单的规则。最后，基于神经网络的AI需要大量的数据进行学习，而人类只需一次触摸火炉的经验就能学会不再碰火炉。现在依然不清楚怎样才能将现在的AI技术应用到没有大量数据的问