來源 | 《微納電子與智能制造》期刊

人 工 智 能( aritificial intelligence ，AI )是 一 門融合了數(shù)學(xué) 、計算機科學(xué) 、統(tǒng)計學(xué) 、腦神經(jīng)學(xué)和社會科學(xué) 的前沿綜合性技術(shù)。它的目標(biāo)是希望計算機可以像 人一樣思考 ，替代人類完成識別 、分類和決策等多種 功能。在 2016 年 AlphaGo 擊敗李世石贏得人機圍棋 大戰(zhàn)后 ，人工智能引發(fā)了全球熱潮。與此同時 ， Google、FaceBook、Amazon、Intel等巨頭紛紛成立AI團(tuán)隊 ，促進(jìn)人工智能技術(shù)的進(jìn)一步發(fā)展。

在國內(nèi) ，國務(wù)院發(fā)布了人工智能發(fā)展規(guī)劃 ，從國家層面對人工智能加以支持[1] ，各類互聯(lián)網(wǎng)公司和初創(chuàng)公司紛紛投入到人工智能產(chǎn)業(yè)。今天，海量數(shù)據(jù)的形成 、深度學(xué)習(xí)算法的革新 、硬件技術(shù)的變革、互聯(lián)網(wǎng)生態(tài)的完善助力人工智能產(chǎn)業(yè)呈現(xiàn)爆發(fā)式發(fā)展 ，而其中以核心人工智能芯片為基礎(chǔ)的強大計算力發(fā)揮著至關(guān)重要的作用[2] 。

一、人工智能芯片概況

當(dāng)前人工智能的主流技術(shù)深度神經(jīng)網(wǎng)絡(luò)概念早在20世紀(jì)40年代就已經(jīng)被提出，然而幾經(jīng)起落，甚 至被 90 年代中期出現(xiàn)的支持向量機所全面壓制。主 要原因就是當(dāng)時沒有可以用于大規(guī)模并行計算的諸 如圖形處理器(graphics processing unit，GPU)等芯片的硬件條件 ，神經(jīng)網(wǎng)絡(luò)的訓(xùn)練仍然耗時太久 ，訓(xùn)練成本過于高昂。隨著摩爾定律的不斷演進(jìn)發(fā)展 ，高性能芯片大幅降低了深度學(xué)習(xí)算法所需的計算時間和成本 ，人工智能技術(shù)終于在語音識別 、計算機視覺等領(lǐng)域取得了重大突破。

然而 ，深度神經(jīng)網(wǎng)絡(luò)的計算量在不斷膨脹 ，讀寫的數(shù)據(jù)量日趨龐大，網(wǎng)絡(luò)結(jié)構(gòu)也越來越多樣化，這就要求作為硬件基礎(chǔ)的人工智能 芯片必須不斷進(jìn)行相應(yīng)的發(fā)展，以應(yīng)對性能、功耗、靈活性這 3 個方面的挑戰(zhàn) 。

當(dāng)前實現(xiàn)人工智能計算的技術(shù)路線可概括為 3 類:第 1 類是基于馮 · 諾依曼體系結(jié)構(gòu)的通用處理器 ，諸如大家所知的CPU 、GPU 、DSP 等都屬于這一 類型。它以算術(shù)邏輯單元為計算核心 ，由于其通用性需要應(yīng)對包括分支跳轉(zhuǎn)、中斷等復(fù)雜的指令處 理 ，需要消耗很多片上資源。

因此 CPU 的并行計算處理能力并不高，此外處理器本身頻繁的讀取操作會帶來大量的訪存功耗問題;第 2 類則是專用集成 電路(application specific integrated circuit，ASIC)。它針對特定的計算網(wǎng)絡(luò)結(jié)構(gòu)采用了硬件電路實現(xiàn) 的方式，能夠在很低的功耗下實現(xiàn)非常高的能效比。

在網(wǎng)絡(luò)模型算法和應(yīng)用需求固定的情況下， ASIC 是一個不錯的選擇。但 ASIC 本身研發(fā)的周期 很長 ，通常在 1~2 年 ，這就使得 ASIC 本身存在對算 法迭代跟進(jìn)的風(fēng)險性問題;第 3 類是基于可重構(gòu)架 構(gòu)實現(xiàn)的處理器 ，該技術(shù)是將計算部分設(shè)計為可配 置的處理單元 ，并且通過相應(yīng)的配置信息來改變存儲器與處理單元之間的連接 ，從而達(dá)到硬件結(jié)構(gòu)的 動態(tài)配置目標(biāo)。

深度神經(jīng)網(wǎng)絡(luò)因為計算量大 、數(shù)據(jù)量大 、結(jié)構(gòu)特點多樣 ，基于馮 · 諾依曼結(jié)構(gòu)的通用處理器以及專用處理器很難在這樣的算法上同時展 現(xiàn)出靈活性和高能效 ，可重構(gòu)處理器在通用處理器 和專用處理器之間做了一定的折中和權(quán)衡 ，可以兼顧智能應(yīng)用算法中的高性能 、低功耗 、高靈活度的特點。

二、人工智能芯片發(fā)展階段

近幾年來，人工智能技術(shù)的熱潮如火如荼，隨著人工智能產(chǎn)品的大規(guī)模落地應(yīng)用 ，面向不同場景的各類算法紛紛涌現(xiàn) ，計算數(shù)據(jù)呈爆炸式增長 ，芯片作為人工智能技術(shù)的硬件基礎(chǔ)和產(chǎn)業(yè)落地的必然載體 ，吸引了眾多巨頭和初創(chuàng)公司紛紛入局 ，各類人工 智能芯片陸續(xù)面世。針對不同應(yīng)用場景 ，不同芯片的處理速度 、能耗 、支持的算法也各有優(yōu)勢。根據(jù)人工智能產(chǎn)業(yè)的發(fā)展?fàn)顩r和技術(shù)成熟度劃分 ，可以分 為4個階段[3] 。

2.1 人工智能芯片初級階段

第一個階段 ，人工智能芯片從 2016 年開始爆發(fā) ，到目前在架構(gòu)設(shè)計上已經(jīng)比較穩(wěn)定 ，相關(guān)的編譯器 的技術(shù)越來越成熟 ，整個產(chǎn)業(yè)格局基本成型。可以說 ，目前的人工智能芯片軟硬件技術(shù)已經(jīng)為大規(guī)模 商用做好了準(zhǔn)備。這類芯片主要采用現(xiàn)有的以 CPU 、GPU 、DSP 、FPGA 為代表的傳統(tǒng)芯片架構(gòu)來運 行深度學(xué)習(xí)算法，主要部署在云端。

在云端訓(xùn)練環(huán)節(jié) ，深度神經(jīng)網(wǎng)絡(luò)的計算量極大 ， 而且數(shù)據(jù)和運算是可以高度并行的，GPU具備進(jìn)行 海量數(shù)據(jù)并行運算的能力 ，并且為浮點矢量運算配 備了大量計算資源，與深度學(xué)習(xí)的需求不謀而合，成 為云端訓(xùn)練的主力芯片，以70%以上的市場占有率 傲視群雄。但由于 GPU 不能支持復(fù)雜程序邏輯控 制 ，仍然需要使用高性能 CPU 配合來構(gòu)成完整的計算系統(tǒng) 。

在云端推理環(huán)節(jié) ，計算量相比訓(xùn)練環(huán)節(jié)少 ，但仍 然涉及大量的矩陣運算。雖然 GPU 仍有應(yīng)用 ，但并 不是最優(yōu)選擇 ，更多的是采用異構(gòu)計算架構(gòu)來完成 云端推理任務(wù)。FPGA 提高了芯片應(yīng)用的靈活性和 可編程性 ，與 GPU 相比具備更強的計算能力和更低 的功耗 ，在云端加速領(lǐng)域優(yōu)勢明顯。在產(chǎn)業(yè)應(yīng)用沒 有大規(guī)模興起之時 ，使用這類已有的通用芯片可以 避免專門研發(fā) ASIC 的高投入和高風(fēng)險 ，但是 ，由于 這類通用芯片的設(shè)計初衷并非專門針對深度學(xué)習(xí)任 務(wù)，因而天然存在性能、功耗等方面的瓶頸，隨著人 工智能應(yīng)用規(guī)模的擴(kuò)大，這類問題日益突出[4] 。

2.2 人工智能芯片發(fā)展階段

新的計算模式往往會催生出新的專用計算芯片 ，面對人工智能時代對算力的強大需求 ，學(xué)術(shù)界和 產(chǎn) 業(yè) 界 紛 紛 提 出 了 自 己 的 解 決 方 案 ，谷 歌 (Google)的TPU、麻省理工學(xué)院(MIT)的Eyeriss、韓 國科學(xué)技術(shù)院(KAIST)的 UNPU 和寒武紀(jì)的 1A 則 是其中具有代表性的芯片 ，這類芯片在大規(guī)模量產(chǎn) 的情況下具備性能更強 、體積更小 、功耗更低 、成本 更低等優(yōu)點。目前一部分通過采用語音識別 、圖像識別 、自動駕駛等算法切入人工智能領(lǐng)域的公司 ， 也希望通過打造匹配算法的定制芯片和產(chǎn)品來實現(xiàn) 盈利。

當(dāng)前深度學(xué)習(xí)部署呈現(xiàn)出從云到端，賦能邊緣的趨勢 ，但應(yīng)用于云端的人工智能芯片普遍存在功 耗高 、實時性低 、帶寬不足 、數(shù)據(jù)傳輸延遲等問題，難以滿足邊緣計算的需求。在邊緣端進(jìn)行推理的應(yīng)用場景較之云端更為多樣化，智能手機、可穿戴設(shè)備、ADAS、智能攝像頭、語音交互、VR/AR 、智能制造等 邊緣智能設(shè)備需求各異 ，需要更為定制化、低功耗、 低成本的嵌入式解決方案 ，這就給了初創(chuàng)公司更多機會 ，針對不同的細(xì)分市場來設(shè)計差異化產(chǎn)品。就未來整體市場規(guī)模來說 ，邊緣計算芯片在智能終端的帶動下將是云端數(shù)據(jù)中心芯片市場的 5 倍以上。

未來幾年 ，我們應(yīng)該可以看到“無芯片不 AI”的景象 ， 隨著人工智能應(yīng)用場景的逐漸落地 ，底層技術(shù)和硬件方向也更加清晰 ，隨之而來的是各類芯片公司的 白熱化競爭[5] 。

2.3 人工智能芯片進(jìn)階階段

在這一階段 ，隨著深度學(xué)習(xí)算法的不斷演進(jìn) ，當(dāng) 前的芯片架構(gòu)難以滿足越來越高的算力支持 、越來 越低的功耗需求和層出不窮的各類算法 ，架構(gòu)創(chuàng)新 是人工智能芯片的必由之路 ，而可重構(gòu)計算架構(gòu)則 是其中最具代表性的技術(shù)之一?？芍貥?gòu)計算架構(gòu)是 一種介于通用處理芯片和專用集成電路之間的 、利 用可配置的硬件資源 ，根據(jù)不同的應(yīng)用需求靈活重 構(gòu)自身的新型體系結(jié)構(gòu) ，同時具備通用計算芯片兼 容性和專用集成電路高效性的優(yōu)點 ，被《國際半導(dǎo)體 技術(shù)路線圖》(2015 版)評為“后摩爾”時代最具發(fā)展 前景的未來通用計算架構(gòu)技術(shù)。

該技術(shù)也被美國國防部推動的“ 電子復(fù)興計劃 ”( ERI )列 為 未 來 芯 片 的 核心支柱性體系結(jié)構(gòu)技術(shù)之一。可重構(gòu)計算架構(gòu)天 然契合各類人工智能算法對專用計算芯片的需求， 同時也能保證算法和硬件的持續(xù)演進(jìn)性 ，非常適合 應(yīng)用于人工智能芯片的設(shè)計當(dāng)中。采用可重構(gòu)計算架構(gòu)之后 ，軟件定義的層面不僅僅局限于功能這一層面 ，算法的計算精度 、性能和能效等都可以納入軟 件定義的范疇?？芍貥?gòu)計算技術(shù)借助自身實時動態(tài)配置的特點 ，實現(xiàn)軟硬件協(xié)同設(shè)計 ，為人工智能芯片 帶來了極高的靈活度和適用范圍 。

美國 Wave Computing 公司推出的 DPU 芯片[6]和清華大學(xué)微電子學(xué)研究所設(shè)計的 Thinker 系列芯片[7] 是采用可重構(gòu)計算架構(gòu)的代表性工作 ，相比傳統(tǒng)架 構(gòu) ，它們具備較強的靈活性和計算能效，同時也具備處理器的通用性和ASIC的高性能和低能耗。

2.4 人工智能芯片未來階段

斷給人工智能芯片提出新的要求 ，加上底層半導(dǎo)體技術(shù)的進(jìn)步 ，我們可以期待在 3~5 年內(nèi)看到第二次 人工智能芯片技術(shù)創(chuàng)新的高潮 ，諸如存內(nèi)計算芯片 、 類腦仿生芯片 、光子芯片等前沿技術(shù)將會從實驗室 走向產(chǎn)業(yè)應(yīng)用[8] 。在更遠(yuǎn)的未來 ，隨著算法演進(jìn) ，應(yīng)用落地 ，會不

現(xiàn)有的人工智能芯片主要采用“存、算分離”的計算架構(gòu) ，即內(nèi)存訪問和計算是分開的 ，而神經(jīng)網(wǎng)絡(luò) 同時具有計算密集和訪存密集的特點 ，內(nèi)存訪問的功耗和延遲等問題突出 ，因此內(nèi)存成為了處理器性能和功耗的瓶頸。為了解決“存儲墻”問題 ，不少學(xué)者提出了存內(nèi)計算的概念，在內(nèi)存內(nèi)直接采用模擬電路實現(xiàn)模擬計算 ，從而不再需要在處理器和內(nèi)存之間耗費大量時間和能量移動數(shù)據(jù)。相比傳統(tǒng)的數(shù)字電路人工智能芯片 ，使用存內(nèi)計算加模擬計算的電路能效比將大幅提高 。

類美國的腦計劃 、歐洲的人腦項目 ，以及最近中國提出的類腦計算計劃等。受到腦結(jié)構(gòu)研究的成果啟發(fā) ， 復(fù)雜神經(jīng)網(wǎng)絡(luò)在計算上具有低功耗 、低延遲 、高速處 理以及時空聯(lián)合等特點[9] 。腦仿生芯片的主流理念是采用神經(jīng)擬態(tài)工程 設(shè)計的神經(jīng)擬態(tài)芯片。神經(jīng)擬態(tài)芯片采用電子技術(shù) 模擬已經(jīng)被證明的生物腦的運作規(guī)則 ，從而構(gòu)建類 似于生物腦的電子芯片。神經(jīng)擬態(tài)研究陸續(xù)在全世界范圍內(nèi)開展 ，并且受到了各國政府的重視和支持，

硅光子技術(shù)目前在數(shù)據(jù)中心和 5G 的高速數(shù)據(jù)傳輸中獲得了越來越多的應(yīng)用。除此之外 ，硅光子 還可以用來以超低功耗直接加速深度學(xué)習(xí)計算 ，把深度學(xué)習(xí)的兩個輸入調(diào)制到兩束光上面 ，然后讓兩 束光在光子芯片的器件上完成 SVD 分解和干涉相乘 ，最后再把光信號轉(zhuǎn)化為數(shù)字信號讀出結(jié)果。最后，這些光器件都可以集成到同一塊硅光子芯片上 ， 從而實現(xiàn)高性能光計算模組。

三、人工智能芯片未來趨勢

目前全球人工智能產(chǎn)業(yè)還處在高速變化發(fā)展 中 ，廣泛的行業(yè)分布為人工智能的應(yīng)用提供了廣闊的市場前景 ，快速迭代的算法推動人工智能技術(shù)快 速走向商用 ，人工智能芯片是算法實現(xiàn)的硬件基礎(chǔ) ， 也是未來人工智能時代的戰(zhàn)略制高點 ，但由于目前 的 AI 算法往往都各具優(yōu)劣，只有給它們設(shè)定一個合 適的場景才能最好地發(fā)揮它們的作用，因此 ，確定應(yīng)用領(lǐng)域就成為發(fā)展人工智能芯片的重要前提。但遺憾的是 ，當(dāng)前尚不存在適應(yīng)多種應(yīng)用的通用算法 ，因此哪家芯片公司能夠抓住市場痛點 ，最先實現(xiàn)應(yīng)用落地 ，就可以在人工智能芯片的賽道上取得較大優(yōu)勢。

架構(gòu)創(chuàng)新是人工智能芯片面臨的一個不可回避的課題。從芯片發(fā)展的大趨勢來看 ，現(xiàn)在還是人工智能芯片的初級階段。無論是科研還是產(chǎn)業(yè)應(yīng)用都 有巨大的創(chuàng)新空間。從確定算法 、應(yīng)用場景的人工 智能加速芯片向具備更高靈活性、適應(yīng)性的通用智 能芯片發(fā)展是技術(shù)發(fā)展的必然方向 ，弱監(jiān)督 、自我監(jiān)督 、多任務(wù)學(xué)習(xí) 、對大型神經(jīng)網(wǎng)絡(luò)表現(xiàn)更好的智慧型 芯片將成為學(xué)術(shù)界和產(chǎn)業(yè)界研究的重要目標(biāo)。計算 架構(gòu)的高度并行和動態(tài)可變性 ，適應(yīng)算法演進(jìn)和應(yīng) 用多樣性的可編程性 ，更高效的大卷積解構(gòu)與復(fù)用 ， 更少的神經(jīng)網(wǎng)絡(luò)參數(shù)計算位寬 ，更多樣的分布式存儲器定制設(shè)計 ，更稀疏的大規(guī)模向量實現(xiàn) ，復(fù)雜異構(gòu)環(huán)境下更高的計算效率 ，更小的體積和更高的能量效率 ，計算和存儲一體化將成為未來人工智能芯片的主要特征[10]。

站在 2019 年的起點 ，人工智能芯片的架構(gòu)創(chuàng)新除了關(guān)注神經(jīng)網(wǎng)絡(luò)計算 ，更要關(guān)注全芯片的架構(gòu)創(chuàng) 新。以安防智能芯片為例 ，這是一個典型的系統(tǒng)級問題，除了需要解決神經(jīng)網(wǎng)絡(luò)加速問題 ，還需要處理曝光 、白平衡 、視頻編解碼等 ，并不僅僅是做好一個 神經(jīng)網(wǎng)絡(luò)加速器就能解決的問題。除了神經(jīng)網(wǎng)絡(luò)計 算還需要很多計算密集型的模塊 ，這些模塊采用什么計算架構(gòu)，也是整個智能芯片的核心問題。因此，人工智能芯片的架構(gòu)創(chuàng)新就不能只是神經(jīng)網(wǎng)絡(luò)計算架構(gòu)創(chuàng)新 ，傳統(tǒng)計算架構(gòu)也必須創(chuàng)新 ，這將是人工智能芯片架構(gòu)創(chuàng)新的真正內(nèi)涵 。