AI是下一個(gè)科技爆點(diǎn)？AI處理器層出不窮

　　據(jù)Semiconductor Engineering報(bào)導(dǎo)，研究機(jī)構(gòu)Tractica的數(shù)據(jù)顯示，全球AI市場規(guī)模將在2025年成長至368億美元，只不過目前對于AI的定義或是需要分析的數(shù)據(jù)類型都還沒有共識(shí)，OneSpin Solutions總裁暨執(zhí)行長Raik Brinkmann指出，眼下有三個(gè)問題需要解決，第一是大量待處理的數(shù)據(jù)，其次是并行處理和互連技術(shù)，第三則是移動(dòng)大量數(shù)據(jù)導(dǎo)致的耗能問題。

　　目前市場首批AI芯片幾乎都是以現(xiàn)成的CPU、GPU、FPGA和DSP加以組合而成，盡管英特爾(Intel)、Google、NVIDIA、高通(Qualcomm)和IBM等公司正研發(fā)新的設(shè)計(jì)，最后誰能勝出仍不明朗。無論如何，這些系統(tǒng)仍需有至少一個(gè)CPU負(fù)責(zé)控制，但可能需要不同類型的協(xié)同處理器。

　　AI處理多牽涉到矩陣乘法和加法，使用并行運(yùn)作的GPU成本較低，但缺點(diǎn)是耗能較高。內(nèi)建DSP區(qū)塊和本地存儲(chǔ)器的FPGA可獲得較佳的能源效率，但價(jià)格比較昂貴。Mentor Graphics董事長暨執(zhí)行長Wally Rhines表示，有些人使用標(biāo)準(zhǔn)GPU執(zhí)行深度學(xué)習(xí)，同時(shí)也有許多人采用CPU，為了達(dá)到使類神經(jīng)網(wǎng)路行為更像人腦的目標(biāo)，刺激了新的一波設(shè)計(jì)浪潮。

　　視覺處理是目前最受關(guān)注的AI區(qū)塊，目前大部分的AI研究與自動(dòng)駕駛使用的視覺處理有關(guān)，這項(xiàng)技術(shù)在無人機(jī)和機(jī)器人方面的應(yīng)用也與日俱增。Achronix公司總裁暨執(zhí)行長Robert Blake指出，影像處理的運(yùn)算復(fù)雜度很高，市場需要5～10年時(shí)間沉淀，不過因?yàn)樽償?shù)精度(variable precision arithmetic)運(yùn)算需要，可程式邏輯元件的角色會(huì)更吃重。

　　FPGA非常適合矩陣乘法，可程式化特性增加了設(shè)計(jì)上的彈性，用來做決策的數(shù)據(jù)部分會(huì)在本地處理，部分則由數(shù)據(jù)中心進(jìn)行，但兩者的比例會(huì)因應(yīng)用的不同而改變，并影響AI芯片和軟件設(shè)計(jì)。

　　目前汽車使用的AI技術(shù)主要是偵測和避免物體，這和真正的人工智能還有段差距。真正的AI應(yīng)該具有一定程度的推理，例如判斷如何閃避正在穿越馬路的人群。前者的推論為根據(jù)傳感器輸入的大量數(shù)據(jù)處理和預(yù)編程行為得來，后者則能夠作出價(jià)值判斷，思考各種可能后果以找出最佳選擇。

　　這樣的系統(tǒng)需要極高的頻寬并內(nèi)建安全機(jī)制，此外還必須能保護(hù)數(shù)據(jù)安全，許多根據(jù)現(xiàn)成零件開發(fā)的設(shè)計(jì)很難兼顧運(yùn)算和編程效率。Google試圖以專為機(jī)器學(xué)習(xí)開發(fā)的TPU特殊應(yīng)用芯片改變這樣的方程式，并開放TensorFlow平臺(tái)以加快AI發(fā)展速度。

　　第一代AI芯片將重點(diǎn)放在運(yùn)算能力和異質(zhì)性，但這就像早期的IoT裝置，在不確定市場如何演變的情況下，業(yè)者只好把所有東西都加進(jìn)去，之后再找出瓶頸，針對特定功能設(shè)計(jì)，取得功率和性能上的平衡。

　　隨著自駕車使用案例的增加，AI應(yīng)用范圍也會(huì)逐漸擴(kuò)大，這也是為何英特爾在2016年8月收購Nervana的原因。Nervana開發(fā)的2.5D深度學(xué)習(xí)芯片利用高性能處理器核心將數(shù)據(jù)從載板移到高頻寬存儲(chǔ)器，希望比GPU解決方案縮短100倍的深度學(xué)習(xí)模型訓(xùn)練時(shí)間。

　　量子運(yùn)算則是AI系統(tǒng)的另一個(gè)選擇。IBM研究部門副總裁Dario Gil解釋，如果4張卡片中有3張藍(lán)卡1張紅卡，使用傳統(tǒng)運(yùn)算猜中紅卡的機(jī)率為4分之1，使用量子電腦及疊加量子位元的糾纏(entanglement)，系統(tǒng)每次都可以提供正確答案。

　　AI并沒有所謂最適合的單一系統(tǒng)，也沒有一種應(yīng)用可以吃遍各種市場，這些進(jìn)一步的細(xì)分市場都需要再精致化、再擴(kuò)大尋找可用工具，并需要生態(tài)系統(tǒng)來支持，但低功率、高吞吐量及低延遲則是AI系統(tǒng)的通用需求。半導(dǎo)體產(chǎn)業(yè)經(jīng)過多年仰賴制程微縮元件以改善功率，性能和成本，如今則需要重新思考進(jìn)入新市場的方法。