3月15日，上海，由智東西主辦、AWE 和極果聯(lián)合主辦的 GTIC 2019 全球 AI 芯片創(chuàng)新峰會成功舉辦！峰會現(xiàn)場延續(xù)上一屆的火爆場景，全場從開幕到下午結(jié)束座無虛席，而且有不少熱情觀眾堅持站著聽完峰會全程。
20位海內(nèi)外 AI 芯片業(yè)界大咖齊聚一堂，圍繞 AI 芯片在架構(gòu)創(chuàng)新、生態(tài)構(gòu)建、場景落地等方面的技術(shù)前景和產(chǎn)業(yè)趨勢“華山論劍”。
本屆峰會報名參會的觀眾覆蓋了近4500家企業(yè)，到會觀眾極為專業(yè)，其中總監(jiān)以上級別占比超過62%，現(xiàn)場實際到會人數(shù)超過1800位。
▲新思科技全球戰(zhàn)略項目副總裁 Chekib Akrout
談及 AI 芯片，除了芯片本身、IP、代工、晶圓等元素外，EDA 廠商在其中所承載的價值亦不容忽視。作為全球第一大 EDA 解決方案提供商，新思科技（Synopsys）長期致力于提供適合開發(fā)復雜集成電路的設(shè)計工具。
當 AI 技術(shù)春回大地，新思科技也敏感地覺察到 AI 技術(shù)將對上游的應(yīng)用帶來的沖擊，早早將 AI 引入其業(yè)界先進的設(shè)計工具之中，力圖為芯片帶來前所未有的自動化設(shè)計新高度。
在 GTIC 2019 峰會現(xiàn)場，新思科技全球戰(zhàn)略項目副總裁 Chekib Akrout 發(fā)表了題為《為下一代 AI 芯片的架構(gòu)探索與設(shè)計賦能》的演講，探討當下和未來 AI 芯片架構(gòu)發(fā)展將面臨的一些挑戰(zhàn)和機遇、新一代 AI 芯片的驅(qū)動力，并分享了新思科技在幫助客戶進行 AI 芯片開發(fā)所做的一系列努力。
Chekib Akrout 將 AI 視作火、土、氣、水之外的第五元素，他認為，AI 芯片架構(gòu)設(shè)計面臨制程升級、集成度提高、算力需求暴增、功耗管理等挑戰(zhàn)，同時脈沖神經(jīng)網(wǎng)絡(luò)、預(yù)測和解釋、計算復雜性等問題都有極大的優(yōu)化空間。
他還提到，應(yīng)用自動化設(shè)計工具將是加速 AI 芯片應(yīng)用的重要手段。為了推進 AI 芯片架構(gòu)創(chuàng)新，新思科技推出了專用的AI芯片設(shè)計套件來賦能下游企業(yè)，這一套件能實現(xiàn)芯片設(shè)計的架構(gòu)優(yōu)化與應(yīng)用優(yōu)化，支持端到端的軟硬件一體方案，同時可搭建對機器學習數(shù)據(jù)進行預(yù)處理的架構(gòu)。
這些針對性的基礎(chǔ)設(shè)施將大大提升芯片設(shè)計的自動化水平，從而降低AI芯片的設(shè)計難度，提高AI芯片設(shè)計、驗證乃至最終投入使用的速度。
附新思科技全球戰(zhàn)略項目副總裁 Chekib Akrout 演講實錄
Chekib Akrout：非常高興來到上海，天氣是如此的晴朗，藍天白云令人心情愉悅。聽到很多關(guān)于新架構(gòu)、新芯片的進展，對于產(chǎn)業(yè)而言無疑是好消息。接下來，我將會講述我們關(guān)于新一代 AI 芯片架構(gòu)發(fā)展的一些觀點。
當你聽說 AI 芯片熱潮的爆發(fā)，你總想知道是否另一個 AI 寒冬會歸來，一切節(jié)奏都會變得緩慢，需要很長的時間來等待 AI 東山再起，這一領(lǐng)域的投資也會放緩。
我們首先看一下 AI 的定義，它是開發(fā)和應(yīng)用表現(xiàn)認知行為的方法和系統(tǒng)的跨學科信息科學，有專門的 AI 學科和方法論，它的特征包括學習、泛化、歸納與演繹推理等，同時機器意識、自組裝、自我復制、AI 社交網(wǎng)絡(luò)等正在成為 AI 新的“標簽”。
一件很有意義的事情是思考 AI 的終極形態(tài)是什么？這是一個“奇點”，可能需要量化計算和類腦計算。我們相信 AI 最終會達到人類智慧的水平。在物理或數(shù)學中，AI 可能呈現(xiàn)一個指數(shù)式的進化過程。從這個進化底層來看，我們始于承載延續(xù)生命重任的 DNA、RNA 等基因型及其顯性性狀，陸續(xù)發(fā)展到研究人類大腦，下一步就是信息技術(shù)，世間萬物都在提供信息，再往后發(fā)展，或許就是生物與數(shù)字化技術(shù)的混合。
很多人疑惑為什么我們有五種基本自然元素，它們分別是火、土、氣、水，第五元素被命名為 AETHER，寓意宇宙，這就是我所相信的 AI 的形態(tài)，它會給提供深度的信息數(shù)據(jù)供人類收集和分析，幫助我們更好地理解這個世界。
下面，讓我們思考一下現(xiàn)在所處的發(fā)展階段，以及面臨的一些挑戰(zhàn)和機遇。
我們在此前演講中聽到的 AI 芯片2.0、scale up 和 scale out，這些 AI 芯片架構(gòu)都正面臨著機遇和挑戰(zhàn)。
首先，大多數(shù)數(shù)據(jù)是靜態(tài)的，其中不包含時間的概念。有一種脈沖神經(jīng)網(wǎng)絡(luò) SNN（Spike Neural Network），它可以實現(xiàn)對脈沖序列中包含的時間信息的學習。
思考哪一種 AI 機器學習將從其他機器那里學習，并得到一種機器學習監(jiān)督者，同樣會帶來很多機會。
另一個機會在于預(yù)測和解釋，我們有越來越多的深度學習層，這些就像黑匣子一樣是不可解釋的。而機器學習可以統(tǒng)一現(xiàn)有的強大力量來幫助我們進行預(yù)測和對神經(jīng)網(wǎng)絡(luò)深層的解釋。
計算復雜性同樣不容忽視，比如我們可能聽說過的 P、NP、 NP 完全和 SAT 問題都亟待解決，以及量子計算的概率部分，這些都是機器學習和新架構(gòu)應(yīng)當思考的問題。
現(xiàn)在我想再說一下新架構(gòu)——類腦計算，它模仿大腦來處理信息，有望把類似大腦的突觸做到芯片上，很多人正在進行此類研發(fā)工作。我認為這一架構(gòu)或許會超越來自 CPU、GPU 及其他特殊的微架構(gòu)帶來指數(shù)級增長。
AI 應(yīng)用領(lǐng)域非常廣闊，每個領(lǐng)域都包含不同的方法、算法、需要解決的問題、商業(yè)目標和最終目標。比如自動駕駛汽車催生了對 AI 芯片和AI 能力的需求，著名的戰(zhàn)勝人類圍棋冠軍的 AlphaGo 適用越來越優(yōu)化的強化學習。
還有很多其他領(lǐng)域也在取得進步，比如另外 AI 還涉及軟件升級、語音識別、機器翻譯、輔助醫(yī)生診療等。其中，對 AI 芯片架構(gòu)而言，AI 芯片設(shè)計領(lǐng)域格外重要，它將智能計算帶到從特定的系統(tǒng)規(guī)格到最終產(chǎn)品的整個芯片設(shè)計流程之中，使得機器可以通過學習進行獨立的芯片設(shè)計，你可以稱之為“自動化設(shè)計”。
我們能做什么來助力更多 AI 芯片功能的實現(xiàn)？這一領(lǐng)域，我們能做的其實很多。比如說硅谷就非常的關(guān)注在這一領(lǐng)域的開發(fā)，我們看到它的這個領(lǐng)域的投資回報如何，比如說光刻技術(shù)越發(fā)精細， 7nm、5nm、3nm 制程工藝陸續(xù)浮出水面，來幫助提升芯片的產(chǎn)能，而不僅僅只是投資上面的回報。
芯片設(shè)計也在持續(xù)提高系統(tǒng)集成度，設(shè)計優(yōu)化將探索如何使 AI、機器學習在整個集成電路上達到全局最優(yōu)，算力需求的暴漲致使數(shù)據(jù)收集以及如何使資源的應(yīng)用得到更多的部署成為難題。另外，芯片本身功耗、功率的控制和管理也是計算處理的核心挑戰(zhàn)之一，有很多完善的空間。
在新思科技，我們?nèi)绾我?AI 為我們的產(chǎn)品賦能？我們的設(shè)計安裝工具有 AI ，不僅加速了檢查驗證過程，提高了結(jié)果質(zhì)量得到加速，還幫助優(yōu)化功耗和性能。在云端，我們可以用更多的 AI 處理能力，提供更多的數(shù)據(jù)中心解決方案。
在新的方向，我們?nèi)绾翁峁┬碌墓ぞ邘椭蛻暨M行 AI 芯片的開發(fā)？我們推出了專用的AI芯片設(shè)計套件來賦能下游企業(yè)，這一套件能實現(xiàn)芯片設(shè)計的架構(gòu)優(yōu)化與應(yīng)用優(yōu)化，支持端對端的軟硬件一體解決方案，同時可搭建對機器學習數(shù)據(jù)進行預(yù)處理的架構(gòu)。另外我們也在開發(fā)新的機器學習基礎(chǔ)設(shè)施，來為機器學習準備數(shù)據(jù)。這些基礎(chǔ)設(shè)施將有助于提升自動化設(shè)計水平，降低 AI 芯片設(shè)計難度，并提高AI芯片設(shè)計、驗證乃至最終投入使用的速度。
對于 AI 從業(yè)者、實踐者來說，放眼未來，我們又有著怎樣的機遇和挑戰(zhàn)？我們也對此進行了總結(jié)并分為四類。
首先，監(jiān)督式機器學習需要大量被標記的數(shù)據(jù)來做訓練，我們并不知道最終關(guān)于監(jiān)督式的機器學習會走向什么樣的程度，強化學習、在數(shù)據(jù)流中的監(jiān)督和非監(jiān)督學習正在被進一步探索。
另一個就是大數(shù)據(jù)集，所有的機器學習需要非常大的數(shù)據(jù)集，受限于法律規(guī)章和數(shù)據(jù)保護規(guī)則的限制，要獲取超大規(guī)模數(shù)據(jù)集并非易事。最終我們可能會通過從少量數(shù)據(jù)中進行一次性學習和類比學習，其后再進行進一步的大數(shù)據(jù)的分析。
第三，我們還需要進一步的分析和解釋最終的結(jié)果，深度學習就像一個黑盒子，你很難知理解里面發(fā)生了什么，簡化網(wǎng)絡(luò)和限制特征值或許會有所幫助。
最后，泛化能力同樣不容忽視，新的重量級訓練方式需要更多的數(shù)據(jù)，需要我們從一類數(shù)據(jù)集進行遷移學習，并將新的訓練最小化到效數(shù)據(jù)集。經(jīng)過一代又一代的迭代更新，確保我們的性能能夠做的更好。
從一個數(shù)據(jù)集到另一個數(shù)據(jù)集到更多數(shù)據(jù)挖掘，這些都是我們所需要的一些先決條件。當前的 AI 芯片架構(gòu)，有 CPU 、GPU 的部署，還有 FPGA、ASIC 等定制化微架構(gòu)。未來我們會進行更多定制化的產(chǎn)品和服務(wù)的提供，這些都是值得深思的問題。
新一代的 AI 芯片架構(gòu)有哪些驅(qū)動因素呢？除了功能更強大的處理器，更優(yōu)化的功耗等性能外，還有更多其他的驅(qū)動因素。
人腦智能和人工智能正在有更多的交集，人腦存儲數(shù)據(jù)的容量有限，而人工智能可以進行很好的補充和提升。同時人類擅長分層思考，可以根據(jù)相似性判斷因果關(guān)系，認識到這個世界正在變化中，并信任近似的答案。
有些時候我們的機器可能不知道怎么樣去處理這種關(guān)聯(lián)關(guān)系，所以我們需要去思考一下我們將會有什么樣的架構(gòu)，我們到底需要什么樣的架構(gòu)。這是我們最需要去追求的最終目標，它可以幫助我們更好地利用 AI 中的常識和推理。
深度學習的結(jié)果也是在我們期望之外的，我們根本沒有想到它會有這樣巨大的發(fā)展。而隨著數(shù)據(jù)的規(guī)模和標記難度等問題的凸顯，強化學習、先進算法催生的新觀點正在快速發(fā)展中。
此外，量子計算將會帶來性能的飛躍，5G、硅光子和新架構(gòu)等技術(shù)也都在推動我們達到下一個層面的深度學習。5G 迫使我們需要了解到如何快速處理數(shù)據(jù)，并解決延時等問題可以；硅片晶體的進步既需要更強的數(shù)據(jù)處理能力，同時也可以給 AI 芯片帶來更好的發(fā)展。當我們想發(fā)展新的架構(gòu)時，這些基礎(chǔ)問題的重大突破是非常重要的。
最后，我可能會講一些非常重要的問題。大家有沒有聽過盲人摸象的故事，每個人都蒙著眼睛去摸大象的一個局部，摸到象鼻的人以為是蛇，摸到象腿的人以為是樹，摸到象尾巴的人以為是繩子，誰也不能確切知道大象究竟長什么樣。AI 就像那個大象，我們所知不過冰山一角，對于所有人來說，我們要去繼續(xù)學習和探索如何利用機器學習和 AI 的能力。
下載文檔
