隨著科學(xué)技術(shù)和生物學(xué)的不斷融合，基于ASIC的神經(jīng)網(wǎng)絡(luò)硬件正在成為解鎖下一級(jí)人工智能的開創(chuàng)性工具。ASIC芯片能高度模擬人類大腦進(jìn)行信息處理，提高計(jì)算效率、降低能耗。本文將探討基于ASIC芯片的硬件神經(jīng)元會(huì)如何改變?nèi)斯ぶ悄馨l(fā)展。

人工智能（AI）芯片是支撐人工智能發(fā)展的核心技術(shù)之一，它的迭代升級(jí)推動(dòng)了人工智能領(lǐng)域的飛速發(fā)展，對(duì)人類生活及生產(chǎn)產(chǎn)生了巨大的影響。根據(jù)Precedence Research數(shù)據(jù)顯示，22年全球AI芯片市場規(guī)模約為168.6億美金，隨著專用AI向通用AI的發(fā)展，以及AI應(yīng)用領(lǐng)域持續(xù)拓寬、算力需求爆發(fā)等因素，預(yù)計(jì)2032年全球AI芯片市場規(guī)模將達(dá)到2,274.8億美金。另據(jù)McKinsey Analysis數(shù)據(jù)分析顯示，ASIC在AI芯片中的占比將大幅提升。在數(shù)據(jù)中心側(cè)，25年ASIC在推理/訓(xùn)練應(yīng)用占比分別達(dá)到40%、50%，在邊緣側(cè)，25年ASIC在推理/訓(xùn)練應(yīng)用占比分別達(dá)到70%、70%。

人工神經(jīng)網(wǎng)絡(luò)（ANN）設(shè)計(jì)模擬了生物神經(jīng)元的特點(diǎn)，可以處理大型復(fù)雜的機(jī)器學(xué)習(xí)任務(wù)，可以說是推動(dòng)人工智能快速發(fā)展的無名英雄。 ANN有著廣泛的應(yīng)用，例如圖像、語音識(shí)別以及自然語言處理、汽車自動(dòng)駕駛、醫(yī)療保健等。事實(shí)上ANN背后的概念和科學(xué)已經(jīng)存在了數(shù)十年，但是直到近幾年才引發(fā)了人工智能在多個(gè)領(lǐng)域的爆發(fā)式增長。

為充分了解ANN的潛在計(jì)算能力，我們需要了解神經(jīng)元的基本原理、硬件結(jié)構(gòu)以及它在神經(jīng)網(wǎng)絡(luò)中的功能，并利用ASIC芯片或FPGA實(shí)現(xiàn)硬件結(jié)構(gòu)優(yōu)化，從而實(shí)現(xiàn)更快的運(yùn)算速度和更低的能耗，進(jìn)而在人工智能領(lǐng)域取得更大的進(jìn)步。

什么是神經(jīng)網(wǎng)絡(luò)硬件？

對(duì)人工智能的認(rèn)識(shí)源于對(duì)神經(jīng)科學(xué)的深入理解。生物神經(jīng)元是神經(jīng)網(wǎng)絡(luò)的基本組成單位，由胞體、眾多樹突、單個(gè)軸突組成，信息由樹突接收，胞體處理之后以脈沖形式通過軸突向下一級(jí)神經(jīng)元傳遞。這種原理決定了模擬神經(jīng)元的神經(jīng)形態(tài)硬件天然具有存算一體的信息處理方式，在原理上具有非常高效的計(jì)算能力。

科學(xué)家將這個(gè)復(fù)雜的生物系統(tǒng)創(chuàng)建成一個(gè)簡單的數(shù)學(xué)模型，稱之為感知器，它為開發(fā)神經(jīng)網(wǎng)絡(luò)硬件掃清了道路（如下圖1）。與更為復(fù)雜、逼真的Izhikevich神經(jīng)元模型及Hodgkin Huxley神經(jīng)元細(xì)胞模型模型不同，感知器只能捕捉神經(jīng)元的基本行為，無法獲取生物學(xué)細(xì)節(jié)。

圖1：神經(jīng)形態(tài)硬件

乘積累加運(yùn)算單元（MAC），硬件大腦

神經(jīng)網(wǎng)絡(luò)硬件的核心稱之為乘積累加運(yùn)算單元（Multiplier Accumulator Unit, MAC）（如下圖2）。MAC模擬了神經(jīng)元樹突和細(xì)胞體的功能，對(duì)輸入信號(hào)進(jìn)行接收并處理。

圖2：MAC示意圖

就像生物軸突突觸一樣，當(dāng)輸入信號(hào)的累積強(qiáng)度超過預(yù)定義閾值時(shí)，MAC能輸出信號(hào)。MAC擁有強(qiáng)大的計(jì)算能力，能利用感知器數(shù)學(xué)模型，通過對(duì)加權(quán)輸入信號(hào)求和來反映神經(jīng)元的輸入，并產(chǎn)生最終輸出。

模擬神經(jīng)元，連接現(xiàn)實(shí)

圖3顯示了基于FPGA的小型神經(jīng)元網(wǎng)絡(luò)模擬結(jié)果，實(shí)驗(yàn)使用兩個(gè)單比特輸入執(zhí)行邏輯OR運(yùn)算，波形圖展示了神經(jīng)元如何對(duì)輸入的0和1組合做出反應(yīng)。結(jié)果與我們的預(yù)期一致，當(dāng)至少一個(gè)輸入為1時(shí)，輸出峰值為1，當(dāng)兩個(gè)輸入均為0時(shí)，輸出降至0（如下輸入表1）。

圖3：硬件神經(jīng)元模擬波形結(jié)果

輸入表1

通過實(shí)驗(yàn)可知，合成神經(jīng)元（如下圖4）能有效提高邏輯運(yùn)算能力，是更為復(fù)雜的人工神經(jīng)網(wǎng)絡(luò)關(guān)鍵元素之一。

當(dāng)前主流的用于AI的芯片可分為三類，GPU、FPGA以及ASIC。相較于GPU和FPGA，ASIC在運(yùn)算速度、體積和功耗方面更具優(yōu)勢。此外，ASIC的另一個(gè)優(yōu)勢還在于其低延遲操作。在部署推理計(jì)算時(shí)，ASIC芯片可以更高效、更快、更準(zhǔn)確地進(jìn)行實(shí)時(shí)處理和分析數(shù)據(jù)，無需與云端進(jìn)行持續(xù)通信，能為實(shí)時(shí)人工智能應(yīng)用提供強(qiáng)大、高效的解決方案。

圖4：合成神經(jīng)元

ANN將如何改變我們的生活？

也許你對(duì)ANN人工神經(jīng)網(wǎng)絡(luò)這個(gè)名詞還不太熟悉，但它卻滲透在了我們的衣食住行中。例如能實(shí)時(shí)監(jiān)測環(huán)境溫度并自動(dòng)調(diào)整室溫的自動(dòng)化溫度控制系統(tǒng)（如下圖5）、智慧照明及智能鏡子（如下圖6）等，神經(jīng)形態(tài)芯片能提供更高的能效，快速喚起傳感器，滿足實(shí)際生活場景中各類嚴(yán)苛的需求。

圖6：智慧照明及智能鏡子

此外，ANN還可被廣泛應(yīng)用于圖像識(shí)別、自然語言處理、自動(dòng)駕駛、醫(yī)療診斷等多種應(yīng)用場景。隨著數(shù)據(jù)量的增大和計(jì)算能力的提升，ANN在各個(gè)領(lǐng)域中的應(yīng)用還在不斷擴(kuò)展。未來，ANN有望成為推動(dòng)人工智能技術(shù)進(jìn)一步發(fā)展的重要驅(qū)動(dòng)力。

ASIC設(shè)計(jì)領(lǐng)導(dǎo)廠商

Socionext在AI ASIC芯片設(shè)計(jì)領(lǐng)域也頗有建樹。2019年公司與人工智能方案商BrianChip合作開發(fā)了神經(jīng)網(wǎng)絡(luò)處理芯片Akida，以現(xiàn)有技術(shù)無法實(shí)現(xiàn)的方式將AI引入邊緣設(shè)備。這款基于事件的處理器無需主處理器或外部存儲(chǔ)器，能有效識(shí)別出視頻中的人臉、圖像、語音等信息，可適用于廣泛的邊緣計(jì)算應(yīng)用場景。

Socionext在芯片設(shè)計(jì)領(lǐng)域擁有豐富的Know-how和經(jīng)驗(yàn)，支持市面上最先進(jìn)的工藝節(jié)點(diǎn)，在10nm/7nm/5nm工藝節(jié)點(diǎn)上有多個(gè)大型芯片項(xiàng)目設(shè)計(jì)經(jīng)驗(yàn)，能為客戶量身定制所需芯片，提供從芯片前、后端設(shè)計(jì)、生產(chǎn)管理，一直到芯片硬件交付的全套業(yè)務(wù)，賦能客戶在核心算法和系統(tǒng)及市場上的核心價(jià)值，快速迭代出他們自己的芯片。

今年以來，ChatGPT的爆火代表著AI芯片技術(shù)的新一輪突破。隨著機(jī)器學(xué)習(xí)、邊緣計(jì)算等的快速發(fā)展，大量數(shù)據(jù)處理任務(wù)對(duì)計(jì)算效率、計(jì)算能耗等都提出了更高的要求，ASIC芯片正逐漸受到重視。作為SoC設(shè)計(jì)與應(yīng)用技術(shù)的領(lǐng)導(dǎo)者，Socionext期望憑借自身的Know-how積累，并通過持續(xù)不斷地自主創(chuàng)新，助力客戶實(shí)現(xiàn)更高的創(chuàng)新發(fā)展。

審核編輯：劉清