專用DSP核心助陣 SoC支持AI算法非難事

　　雖然英特爾(Intel)、NVIDIA等芯片大廠近期在人工智能(AI)、神經(jīng)網(wǎng)絡(NN)、深度學習(Deep Learning)等領(lǐng)域動作頻頻，但半導體領(lǐng)域的其他業(yè)者也沒閑著，而且其產(chǎn)品發(fā)展策略頗有以鄉(xiāng)村包圍城市的味道。 益華計算機(Cadence)旗下的CPU/DSP處理器核心授權(quán)公司Tensilica，近期便發(fā)表針對神經(jīng)網(wǎng)絡算法設計的C5 DSP核心授權(quán)方案。 在16奈米制程條件下，該核心所占用的芯片面積約僅1平方公厘，卻可提供達到1TMAC的運算效能，而且功耗遠比CPU、GPU等處理器更低，適合各種嵌入式運算裝置使用。

　　Cadence Tensilica營銷資深事業(yè)群總監(jiān)Steve Roddy表示，神經(jīng)網(wǎng)絡技術(shù)正以飛快的速度演進。 根據(jù)該公司所收集的數(shù)據(jù)顯示，在2012～2015年間，每幾個月就有新的神經(jīng)網(wǎng)絡算法問世，且復雜度均比先前的算法明顯增加。 在短短3年內(nèi)，神經(jīng)網(wǎng)絡算法的復雜度已增加16倍，遠超過摩爾定律的發(fā)展速度。

　　也由于神經(jīng)網(wǎng)絡算法演進的速度比半導體技術(shù)進步的速度還快，因此神經(jīng)網(wǎng)絡算法的開發(fā)者只能用內(nèi)建更多處理器核心的硬件來執(zhí)行新的算法。 但這種作法只能在云端數(shù)據(jù)中心行得通，無法適用于功耗、體積與成本均受到嚴格限制的嵌入式裝置。

　　另一方面，目前神經(jīng)網(wǎng)絡算法大多在通用型CPU、GPU芯片上執(zhí)行，也是一種遷就于現(xiàn)實的結(jié)果。 CPU、GPU是已經(jīng)大量生產(chǎn)的芯片，取得容易且成本遠比自己打造ASIC來得低，而且對算法開發(fā)者來說，CPU跟GPU提供很好的編程環(huán)境與應用設計靈活性，這也是ASIC所比不上的。

　　事實上，Tensilica也認為，利用硬件加速器這類ASIC來執(zhí)行神經(jīng)網(wǎng)絡算法，絕對是一條行不通的路。 因為ASIC設計通常需要數(shù)個月到1年時間，至于芯片要大量生產(chǎn)，應用在終端產(chǎn)品上，更常已是2～3年后的事。 在神經(jīng)網(wǎng)絡發(fā)展日新月異的情況下，除非芯片設計者擁有未卜先知的能力，精準預測出3年后神經(jīng)網(wǎng)絡算法會發(fā)展到何種地步，否則芯片開發(fā)者的產(chǎn)品可能還沒上市就已經(jīng)過時了。

　　除了產(chǎn)品開發(fā)時程的問題，單純從技術(shù)層面來看，用硬件加速器與通用處理器共同執(zhí)行神經(jīng)網(wǎng)絡算法，也是問題重重。 由于神經(jīng)網(wǎng)絡會牽涉到大量數(shù)據(jù)傳輸，若要將運算工作切割開來，用兩顆芯片共同執(zhí)行，則兩顆芯片間光是數(shù)據(jù)傳輸，便很可能會占用掉一大半處理器資源，并帶來可觀的功耗量。

　　因此，如果有一種針對神經(jīng)網(wǎng)絡算法優(yōu)化的處理器核心，既能兼顧應用設計靈活性，又比通用型CPU、GPU有更高的算法執(zhí)行效率，對于神經(jīng)網(wǎng)絡的普及應用，將是一大加分。 這也是Tensilica決定推出專為神經(jīng)網(wǎng)絡算法設計的C5數(shù)字信號處理器(DSP)核心的原因。

　　C5 DSP核心在16奈米制程條件下所占用的芯片面積為1平方公厘，能提供達1TMAC的乘法器效能給神經(jīng)網(wǎng)絡算法使用。 若應用需要更高的乘法器效能，C5 DSP也允許SoC設計者采取多核心架構(gòu)。 而且，因為C5 DSP是針對神經(jīng)網(wǎng)絡運算優(yōu)化的核心，因此功耗極低，不會像CPU或GPU，芯片功耗動輒數(shù)十瓦以上，甚至上百瓦，一般的嵌入式裝置也能輕松采用。

　　Roddy透露，雖然C5 DSP核心才剛正式發(fā)布不久，但早已有先導客戶正在利用C5 DSP核心開發(fā)下一代支持神經(jīng)網(wǎng)絡算法的SoC。 據(jù)其預估，最早在2017年第3季，第一顆內(nèi)建C5 DSP核心的SoC產(chǎn)品就會Tape Out。