AI芯片的“華山論劍”

　　智能時(shí)代就要到來，芯片市場格局一變再變。兩個(gè)典型例子：引領(lǐng)處理器市場 40 多年的英特爾 2015 年底收購?fù)?Altera，今年 4 月就宣布計(jì)劃裁員 1.2 萬;另一方面，GPU 巨頭英偉達(dá)今年 3 月推出加速人工智能和深度學(xué)習(xí)的芯片 Tesla P100，投入研發(fā)經(jīng)費(fèi)超過 20 億美元，據(jù)《華爾街日報(bào)》報(bào)道，今年 5 月英偉達(dá)售出的 GPU 比去年同月增長 62%，公司當(dāng)前市值 240 億美元。

　　深度學(xué)習(xí)應(yīng)用大量涌現(xiàn)使超級計(jì)算機(jī)的架構(gòu)逐漸向深度學(xué)習(xí)應(yīng)用優(yōu)化，從傳統(tǒng) CPU 為主 GPU 為輔的英特爾處理器變?yōu)?GPU 為主 CPU 為輔的結(jié)構(gòu)。不過，未來相當(dāng)長一段時(shí)間內(nèi)，計(jì)算系統(tǒng)仍將保持 CPU + 協(xié)處理器的混合架構(gòu)。但是，在協(xié)處理市場，隨著人工智能尤其是機(jī)器學(xué)習(xí)應(yīng)用大量涌現(xiàn)，芯片廠商紛紛完善產(chǎn)品、推出新品，都想成為智能時(shí)代協(xié)處理器的領(lǐng)跑者——但問題是，誰會擔(dān)當(dāng)這個(gè)角色呢?

　　TPU：始于谷歌，終于谷歌

　　要說新的芯片，首先不得不提谷歌在剛剛結(jié)束的 I/O 大會上披露的 TPU。

　　有輿論稱，谷歌自己打造芯片，勢必對芯片制造商產(chǎn)生巨大影響。確實(shí)，面向機(jī)器學(xué)習(xí)專用的處理器是芯片行業(yè)的發(fā)展趨勢，而且未來其他大公司也很有可能組建芯片團(tuán)隊(duì)，設(shè)計(jì)自己專用的芯片。

　　谷歌TPU芯片

　　TPU 團(tuán)隊(duì)主要負(fù)責(zé)人、計(jì)算機(jī)體系結(jié)構(gòu)領(lǐng)域大牛 Norm Jouppi 介紹，TPU 專為谷歌 TensorFlow 等機(jī)器學(xué)習(xí)應(yīng)用打造，能夠降低運(yùn)算精度，在相同時(shí)間內(nèi)處理更復(fù)雜、更強(qiáng)大的機(jī)器學(xué)習(xí)模型并將其更快投入使用。 Jouppi 表示，谷歌早在 2013 年就開始秘密研發(fā) TPU，并且在一年前將其應(yīng)用于谷歌的數(shù)據(jù)中心。TPU 從測試到量產(chǎn)只用了 22 天，其性能把人工智能技術(shù)往前推進(jìn)了差不多 7 年，相當(dāng)于摩爾定律 3 代的時(shí)間。

　　有媒體評論稱 TPU 不僅為谷歌帶來了巨大的人工智能優(yōu)勢，也對市面上已有的芯片產(chǎn)品構(gòu)成了威脅。

　　這后半句話值得商榷。GPU 巨頭、英偉達(dá) CEO 黃仁勛日前告訴《華爾街日報(bào)》，兩年前谷歌就意識到 GPU 更適合訓(xùn)練，而不善于做訓(xùn)練后的分析決策。由此可知，谷歌打造 TPU 的動機(jī)只是想要一款更適合做分析決策的芯片。這一點(diǎn)在谷歌的官方聲明里也得到了印證：TPU 只在特定機(jī)器學(xué)習(xí)應(yīng)用中作輔助使用，公司將繼續(xù)使用其他廠商制造的 CPU 和 GPU。

　　谷歌云服務(wù)副總裁 Diane Greene 也表示，谷歌并沒有對外銷售 TPU 的打算——拋開 TPU 本來就是為了谷歌自己設(shè)計(jì)的這個(gè)事實(shí)以外，谷歌對外銷售芯片的可能性很低，就像 Facebook 主張全球提供免費(fèi)互聯(lián)網(wǎng)，也并不是自己要做運(yùn)營商。

　　因此，TPU 再好，也僅適用于谷歌，而且還是用于輔助 CPU 和 GPU。

　　TrueNorth 坐山觀虎斗?

　　第二個(gè)要說的是 IBM TrueNorth。IBM 在 2014 年研發(fā)出脈沖神經(jīng)網(wǎng)絡(luò)芯片 TrueNorth，走的是“類腦計(jì)算”的路線。類腦計(jì)算的假設(shè)是，相似的結(jié)構(gòu)可能會實(shí)現(xiàn)相似的功能，所以類腦計(jì)算研究者使用神經(jīng)形態(tài)器件制造與人腦神經(jīng)網(wǎng)絡(luò)相似的電子神經(jīng)網(wǎng)絡(luò)，希望后者具有與人腦類似的功能，并進(jìn)一步反過來理解人類智能。

　　帶有IBM TrueNorth的DRAPA SyNAPSE

　　TrueNorth 一張郵票大小，有 54 億個(gè)晶體管，構(gòu)成的神經(jīng)元陣列包含 100 萬個(gè)數(shù)字神經(jīng)元，這些神經(jīng)元之間又通過 2.56 億個(gè)電突觸彼此通信。由于采用了異步架構(gòu)，TrueNorth 的能耗很低，54 億個(gè)晶體管僅用 70 毫瓦;而且，只有在特定神經(jīng)元被開啟并和其他神經(jīng)元通信時(shí)才會產(chǎn)生能耗。TrueNorth 設(shè)計(jì)師 Filipp Akopyan 表示，TrueNorth 的目標(biāo)是 Edge-of-the-Net 和大數(shù)據(jù)解決方案，所以必須要能夠用超低功耗實(shí)時(shí)處理大量數(shù)據(jù)。

　　在此基礎(chǔ)上，2016年 4 月 IBM 推出了用于深度學(xué)習(xí)的類腦超級計(jì)算平臺 IBM TrueNorth，含 16 個(gè) TrueNorth 芯片，處理能力相當(dāng)于 1600 萬個(gè)神經(jīng)元和 40 億個(gè)神經(jīng)鍵，消耗的能量只需 2.5 瓦。

　　將低能耗芯片用于深度學(xué)習(xí)無疑是一大重舉，美國 LLNL 數(shù)據(jù)科學(xué)副主任 Jim Brase 表示，類腦計(jì)算與未來高性能計(jì)算和模擬發(fā)展趨勢一致。但是，新智元芯片群的幾位專家討論后一致認(rèn)為，TrueNorth 雖然與人腦某些結(jié)構(gòu)和機(jī)理較為接近，但智能算法的精度或效果有待進(jìn)一步提高，離大規(guī)模商業(yè)應(yīng)用還有一段距離。

　　因此，未來 10 年芯片市場群雄逐鹿，TrueNorth 大概不會有亮相的機(jī)會。

　　寒武紀(jì)：中國的智能芯片

　　寒武紀(jì)是國際首個(gè)深度學(xué)習(xí)專用處理器芯片。2012 年，中科院計(jì)算所和法國 Inria 等機(jī)構(gòu)共同提出了國際上首個(gè)人工神經(jīng)網(wǎng)絡(luò)硬件的基準(zhǔn)測試集 benchNN。這項(xiàng)工作提升了人工神經(jīng)網(wǎng)絡(luò)處理速度，有效加速了通用計(jì)算，大大推動了國際體系結(jié)構(gòu)學(xué)術(shù)圈對神經(jīng)網(wǎng)絡(luò)的接納度。此后，中科院計(jì)算所和法國 Inria 的研究人員共同推出了一系列不同結(jié)構(gòu)的 DianNao 神經(jīng)網(wǎng)絡(luò)硬件加速器結(jié)構(gòu)。

　　寒武紀(jì)芯片板卡

　　2016 年 3 月，中科院計(jì)算所陳云霽、陳天石課題組、寒武紀(jì)公司提出的寒武紀(jì)深度學(xué)習(xí)處理器指令集 Cambricon 被計(jì)算機(jī)體系結(jié)構(gòu)領(lǐng)域頂級國際會議 ISCA 2016 接收，在所有近 300 篇投稿中排名第一，在深度學(xué)習(xí)處理器指令集方面取得了開創(chuàng)性進(jìn)展。指令集是計(jì)算機(jī)軟硬件生態(tài)體系的核心，英特爾和 ARM 正是通過其指令集控制了 PC 和嵌入式生態(tài)體系。

　　2016 年 4 月，寒武紀(jì)進(jìn)入產(chǎn)業(yè)化運(yùn)營，陳天石也從中科院計(jì)算所的副研究員變成了北京中科寒武紀(jì)科技有限公司的 CEO。陳天石表示，寒武紀(jì)產(chǎn)業(yè)化運(yùn)營的主要方向?qū)⑹歉咝阅芊?wù)器芯片、高能效終端芯片和服務(wù)機(jī)器人芯片。

　　寒武紀(jì)芯片預(yù)計(jì) 2018 年左右上市，其表現(xiàn)如何，值得期待。

　　后起之秀概率芯片

　　2016 年 4月16 日，MIT Techonolgy Review 報(bào)道，DARPA 投資了一款叫做“S1”的概率芯片。模擬測試中，使用 S1 追蹤視頻里的移動物體，每幀處理速度比傳統(tǒng)處理器快了近 100 倍，而能耗還不到傳統(tǒng)處理器的 2%。MIT 媒體實(shí)驗(yàn)室教授、Twitter 首席媒體科學(xué)家 Deb Roy 評論稱，近似計(jì)算的潮流正在興起。

　　美國 Singular Computing 公司開發(fā)的“S1”概率芯片(來源：MIT Techonolgy Review)

　　紐約州立大學(xué)石溪分校終身教授顧險(xiǎn)峰從最基礎(chǔ)的數(shù)學(xué)層面分析了概率芯片的優(yōu)點(diǎn)，專用概率芯片可以發(fā)揮概率算法簡單并行的特點(diǎn)，極大提高系統(tǒng)性能。概率芯片所使用的隨機(jī)行走概率方法有很多優(yōu)點(diǎn)：算法邏輯異常簡單，不需要復(fù)雜的數(shù)據(jù)結(jié)構(gòu)，不需要數(shù)值代數(shù)計(jì)算;計(jì)算精度可以通過模擬不同數(shù)目的隨機(jī)行走自如控制;不同的隨機(jī)行走相互獨(dú)立，可以大規(guī)模并行模擬;模擬過程中，不需要全局信息，只需要網(wǎng)絡(luò)的局部信息。

　　顧險(xiǎn)峰最后總結(jié)，隨著英特爾重組，傳統(tǒng) CPU 體系機(jī)構(gòu)獨(dú)霸江山的時(shí)代將一去不復(fù)返，概率芯片和其他更多采用全新架構(gòu)的專用處理器分庭抗禮的時(shí)代即將來臨。

　　早在 2008 年 MIT Techonolgy Review “十大科技突破”預(yù)測中，概率芯片就榜上有名。通過犧牲微小的計(jì)算精度換取能耗明顯降低，概率芯片在歷來追求精準(zhǔn)的芯片領(lǐng)域獨(dú)樹一幟，但正因如此，再考慮到 DARPA 已經(jīng)投資 S1，概率芯片很可能后來居上。

　　實(shí)力股 FPGA

　　2012年，百度決定自主設(shè)計(jì)深度學(xué)習(xí)專有的體系結(jié)構(gòu)和芯片，經(jīng)過深入研究和論證，為了讓項(xiàng)目快速落地及迭代，工程師最后決定使用 FPGA 實(shí)現(xiàn)百度第一版自主設(shè)計(jì)的深度學(xué)習(xí)專有芯片。

　　作為 GPU 在算法加速上強(qiáng)有力的競爭者，F(xiàn)PGA 硬件配置最靈活，單位能耗也通常比 GPU 低。更重要的是，F(xiàn)PGA 相比 GPU 價(jià)格便宜(雖然性價(jià)比不一定是最好的)。使用 FPGA 需要具體硬件的知識，對許多開發(fā)者有一定難度，因此 FPGA 也常被視為一種行家專屬的架構(gòu)。不過，現(xiàn)在也出現(xiàn)了用軟件平臺編程 FPGA，弱化了軟硬件語言間的障礙，讓更多開發(fā)者使用 FPGA 成為可能。

　　加州大學(xué)計(jì)算機(jī)博士劉少山認(rèn)為，F(xiàn)PGA 具有低能耗、高性能以及可編程等特性，十分適合感知計(jì)算。在能源受限的情況下，F(xiàn)PGA 相對于 CPU 與 GPU 有明顯的性能與能耗優(yōu)勢。FPGA 低能耗的特點(diǎn)很適合用于傳感器的數(shù)據(jù)預(yù)處理工作。此外，感知算法不斷發(fā)展意味著感知處理器需要不斷更新，F(xiàn)PGA 具有硬件可升級、可迭代的優(yōu)勢。劉少山預(yù)計(jì)，F(xiàn)PGA 與傳感器的緊密結(jié)合將會很快普及，而后隨著視覺、語音、深度學(xué)習(xí)的算法在 FPGA 上的不斷優(yōu)化，F(xiàn)PGA 將逐漸取代 GPU 與 CPU 成為機(jī)器人上的主要芯片。

　　目前還沒有任何深度學(xué)習(xí)工具明確支持 FPGA，但顯然它是一支實(shí)力股。

　　GPU：未來市場霸主?

　　憑借強(qiáng)大的并行計(jì)算能力，在機(jī)器學(xué)習(xí)快速發(fā)展的推動下，GPU 目前在深度學(xué)習(xí)芯片市場非常受歡迎，大有成為主流的趨勢?；ヂ?lián)網(wǎng)巨頭，比如谷歌、Facebook、微軟、Twitter 和百度等公司都在使用 GPU 分析圖片、視頻和音頻文件，改進(jìn)搜索和圖像標(biāo)簽等應(yīng)用功能。GPU 也被應(yīng)用于 VR/AR 相關(guān)的產(chǎn)業(yè)。此外，很多汽車生產(chǎn)商也在使用 GPU 作為傳感器芯片發(fā)展無人車。可以說，GPU 是眼下智能產(chǎn)品市場用戶覆蓋率最廣泛的芯片。

　　研究公司 Tractica LLC 預(yù)計(jì)，到 2024 年深度學(xué)習(xí)項(xiàng)目在 GPU 上的花費(fèi)將從 2015 年的 4360 萬增長到 41 億美元，在相關(guān)軟件上的花費(fèi)將從 1.09 億增長到 104 億。

　　但是，也有人認(rèn)為通用芯片 GPU 相比深度學(xué)習(xí)專用芯片并不具有優(yōu)勢。

　　這有一定道理。然而，設(shè)計(jì)新的芯片需要很多年，研發(fā)成本可能高達(dá)幾千萬甚至幾十億美元。而且，專用芯片比通用芯片更難編程。最重要的是，專用芯片——根據(jù)定義——只提升特定任務(wù)的性能表現(xiàn)，這也是為什么谷歌要制作 TPU 輔助 GPU 和 CPU。

　　英偉達(dá)工程架構(gòu)副總裁 Marc Hamilton 表示，谷歌的 TPU 是一個(gè)非常有意思的技術(shù)，但其發(fā)布進(jìn)一步印證了他們的觀點(diǎn)，那就是人工智能處理器將繼續(xù)從通用的 CPU 轉(zhuǎn)向 GPU 和 TPU 等其他芯片。此外，GPU 技術(shù)也在不斷發(fā)展，從算法層面加速智能感知計(jì)算速度。

　　Hamilton 還提到了百度人工智能科學(xué)家 Bryan Catanzaro 的話：深度學(xué)習(xí)并不是一個(gè)那么窄的領(lǐng)域，從計(jì)算角度看，深度學(xué)習(xí)是多樣化的而且演化迅速;要是制造一款適用于所有深度學(xué)習(xí)應(yīng)用的專用芯片，本質(zhì)上也就成了 GPU 或 DSP。

　　當(dāng)然，GPU 也有缺陷，比如不如 FPGA 靈活。同時(shí)，GPU 也不乏競爭者：除了同樣具備并行計(jì)算能力的 AMD，Nervana、Movidius 等公司都在制作與 GPU 類似的芯片，但側(cè)重于把數(shù)據(jù)更快轉(zhuǎn)移和分?jǐn)偨o圖像所需要的功能。

　　小結(jié)

　　除了采用其他架構(gòu)，研究人員很早就開始探索使用新材料制作芯片。2015 年，三星、Gobal Foundries、IBM 和紐約州立大學(xué)等機(jī)構(gòu)組成的研究聯(lián)盟推出了一個(gè) 7 納米的微芯片，其晶體管大約一半都由硅鍺(SiGe)合金制成。石墨烯也是芯片研發(fā)一個(gè)重點(diǎn)。機(jī)器學(xué)習(xí)加速新材料發(fā)現(xiàn)，也意味著使用新材料制作的芯片出現(xiàn)幾率大大提高。

　　總之，谷歌自己打造 TPU 預(yù)示著未來更多非半導(dǎo)體公司或許也將開始生產(chǎn)硬件;硬件制造商必須不斷改進(jìn)自己的產(chǎn)品，與 CPU 進(jìn)行更好的配合，并且貼近用戶越來越多樣化的需求。