每個人都會同意高質量、高可靠性和低延遲的閃存對于 AI 芯片和應用程序的重要性。為不同的應用找到性能、功耗、安全性、可靠性和高效率之間的適當平衡至關重要。成本雖然很重要，但不應該是最重要的考慮因素。

2016 年 3 月，谷歌的 AlphaGo 在圍棋比賽中以 4:1 的優(yōu)勢戰(zhàn)勝了 來自韓國的名譽9段棋手李世石，創(chuàng)造了歷史。圍棋起源于3000多年前的中國，是一種高度復雜的游戲，需要多層戰(zhàn)略思維。隨后，谷歌的AlphaStar在2018年底的《星際爭霸II》中與兩位世界頂級游戲玩家較量，最終以兩場5:0的比分擊敗了對手。雖然早在 1997 年，IBM 開發(fā)的計算機程序“深藍”就擊敗了當時的國際象棋大師加里·卡斯帕羅夫，但考慮到國際象棋的難度遠低于圍棋，AlphaGo 的勝利在某種程度上被稱為“ AI時代的真正到來。

人工智能的起源

從 1955 年到 1956 年，達特茅斯學院的助理教授約翰麥卡錫被公認為人工智能之父。哈佛大學的 Marvin Minsky、IBM 的 Claude Shannon 和美國貝爾實驗室的 Nathaniel Rochester 共同創(chuàng)造了人工智能 （AI） 的概念，他說：“如果機器可以使用不同的語言來形成抽象或概念，那么現(xiàn)在就可以解決各種問題為人類保留，并通過自主學習提高自己，我們稱之為人工智能?！?/p>

牛津詞典將人工智能定義為“能夠執(zhí)行通常需要人類智能的任務的計算機系統(tǒng)的理論和開發(fā)，例如視覺感知、語音識別、決策和語言之間的翻譯?！?/p>

隨著系統(tǒng)的發(fā)展，人工智能技術將應用于更多的物聯(lián)網(wǎng)應用，如傳感、智能手機、網(wǎng)絡搜索、人臉或車牌識別、智能電表、工業(yè)控制和自動駕駛。

在自動駕駛領域，美國已經(jīng)進行了 4 級測試（這被認為是完全自動駕駛，盡管人類駕駛員仍然可以請求控制）。5級（真正的自動駕駛，汽車完成所有駕駛，沒有駕駛艙）自動駕駛指日可待，我們不僅要依靠交通法規(guī)，還要依靠人工智能算法的開發(fā)人員來確保車輛和行人的安全。

據(jù)國際數(shù)據(jù)公司（IDC）統(tǒng)計，預計到2024年，全球人工智能服務占比將上升至18.4%，市值約為378億美元。這包括針對定制平臺的定制應用程序和相關支持和服務，例如深度學習架構、卷積神經(jīng)網(wǎng)絡（一類人工神經(jīng)網(wǎng)絡，最常用于分析視覺圖像）和人工智能相關芯片（CPU、GPU、FPGA ，TPU，ASIC）僅舉幾例。

IDC 還預測，全球數(shù)據(jù)存儲量將從 2018 年的 33ZB 飆升至 2025 年的 175ZB，其中超過 50% 將來自物聯(lián)網(wǎng)設備。

考慮到到 2025 年全球將部署約 140 億臺 IoT 設備，我們顯著增加云中的計算單元數(shù)量和計算能力以應對海量數(shù)據(jù)增長不是最重要的嗎？

好吧，簡短的回答是否定的。它沒有考慮從端點到云端的數(shù)據(jù)傳輸鏈中的帶寬和延遲等真正挑戰(zhàn)，這就是“邊緣計算”如此迅速興起的原因。

無需增加帶寬和服務器數(shù)量即可應對物聯(lián)網(wǎng)設備的快速增長。最好將應用程序移動到端點設備，這樣就無需將所有數(shù)據(jù)發(fā)送到云端進行處理、傳輸、存儲和分析。例如，在工業(yè)自動化應用中，數(shù)據(jù)存儲距離影響效率——5G移動設備制造商如果不加強端點人工智能和改革計算存儲架構，可能會遇到嚴重的電池壽命問題。

安全是另一個重要問題，尤其是在萬物互聯(lián) （IoE） 時代，機密信息、數(shù)據(jù)泄露或黑客事件屢見不鮮。在邊緣進行計算可以最大限度地減少數(shù)據(jù)在“云-管道-端點”路徑中傳輸?shù)拇螖?shù)，在這種情況下，在確保數(shù)據(jù)和網(wǎng)絡安全的同時降低功耗和系統(tǒng)總擁有成本。

比較人工智能芯片

AI技術分為兩類；訓練和推理。訓練由 CPU、GPU 和 TPU 在云端執(zhí)行，以不斷增加用于構建數(shù)據(jù)模型的數(shù)據(jù)庫資源。推理依賴于訓練好的數(shù)據(jù)模型，更適合完成邊緣設備和特定應用。它通常由ASIC和FPGA芯片處理。

人工智能相關芯片包括 CPU、GPU、FPGA、TPU 和 ASIC。為了了解這些芯片之間的比較，這里重點比較了 5 個關鍵因素。這些是：

計算

靈活性

兼容性，

力量

成本。

- 中央處理器

CPU開發(fā)的計算能力強，軟硬件兼容性首屈一指。但是由于馮諾依曼架構的限制，數(shù)據(jù)需要在內(nèi)存和處理器之間來回傳輸。與其他解決方案相比，這限制了平均處理速度以及在功耗和成本方面推動自身發(fā)展的能力。

- 圖形處理器

由于采用了計算統(tǒng)一設備架構，例如英偉達的 GPU 可以主觀地讀取內(nèi)存位置并通過共享虛擬內(nèi)存來提高計算能力。平均計算能力超過 CPU 數(shù)百甚至數(shù)千倍。

GPU 發(fā)展起來具有良好的軟硬件兼容性，但在功耗和成本效率方面需要改進。對硬件（例如額外的冷卻系統(tǒng)）的投資對于減少任何熱量問題也至關重要。

- ASIC

ASIC 芯片專為特定應用而設計。它們的計算能力、整體功耗和成本效率可以在驗證和調整后進行優(yōu)化。

- FPGA

FPGA的軟硬件兼容性值得稱道，即使整體計算能力、成本效率和功耗都不是最好的。對于開發(fā)者來說，從 FPGA 開始開發(fā) AI 芯片仍然是一個好主意。

突破馮諾依曼建筑的界限

被傳統(tǒng)計算設備廣泛采用的馮諾依曼架構并沒有將計算和存儲分開，而是更側重于計算。處理器和內(nèi)存之間無休止的數(shù)據(jù)傳輸消耗了大約 80% 的時間和功率。學術界已經(jīng)提出了許多不同的方法來解決這個問題——通過光互連和 2.5D/3D 堆疊實現(xiàn)高帶寬數(shù)據(jù)通信。通過增加高速緩存層的數(shù)量和接近數(shù)據(jù)的存儲（例如高密度片上存儲）來減少內(nèi)存訪問延遲和功耗。

但是人腦中的計算和存儲有什么區(qū)別嗎？我們是否使用左半球進行計算而右半球用于存儲？明顯不是。人腦的計算和存儲在同一個地方進行，無需數(shù)據(jù)遷移。

那么，學術界和工業(yè)界都渴望找到一種類似于人腦結構的新架構，能夠將計算和存儲有機地結合起來，也就不足為奇了。解決方案是“計算存儲設備”，直接使用存儲單元進行計算，或者將計算單元分類，使它們對應不同的存儲單元——最大限度地減少數(shù)據(jù)遷移帶來的功耗。

存儲行業(yè)的一些制造商已經(jīng)探索了不同的選擇。例如，非易失性存儲器（NVM）存儲數(shù)模轉換器產(chǎn)生的模擬信號并輸出計算能力。同時，輸入電壓和輸出電流在NVM中起到可變電阻的作用，模擬電流信號通過模數(shù)轉換器轉換為數(shù)字信號。這樣就完成了從數(shù)字信號輸入到數(shù)字信號輸出的轉換過程。這種做法最大的優(yōu)勢是可以充分利用成熟的20/28nm CMOS工藝，而不是像CPU/GPU那樣追求昂貴的7nm/5nm先進工藝。

隨著成本和功耗的降低，延遲得到了顯著改善，這對于無人機、智能機器人、自動駕駛、安防監(jiān)控等應用至關重要。

一般來說，端點推理過程的計算復雜度較低，涉及的任務相對固定。硬件加速功能對通用性要求不高，無需頻繁更改架構。這更適合內(nèi)存計算的實現(xiàn)。相關統(tǒng)計顯示，2017年之前，人工智能無論是訓練還是參考，都是在云端完成的；但到 2023 年，邊緣端設備/芯片上的 AI 參考將占據(jù)一半以上的市場份額，總計 20-300 億美元。對于 IC 制造商來說，這是一個巨大的市場。

人工智能需要什么樣的閃存？

每個人都會同意高質量、高可靠性和低延遲的閃存對于 AI 芯片和應用程序的重要性。為不同的應用找到性能、功耗、安全性、可靠性和高效率之間的適當平衡至關重要。成本雖然很重要，但不應該是最重要的考慮因素。

審核編輯：郭婷