江苏龙网

  1. 首页 > 人文 > >

赛灵思姚颂：数字AI芯片进步趋缓，颠覆式创新难 | GTIC2020( 二 )


二、 AI芯片最需解决的是宽带问题紧接着 ， 姚颂谈及对行业现状的看法 。 他说 ， AI芯片这个词用得特别泛 ， AI领域本身就特别宽泛 ， 有一小部分才是机器学习 ， 机器学习中的一小部分才是深度学习 ， 深度学习天然切分为训练和推理两个阶段 ， 其中有数不过来的各种神经网络 。
一个AI芯片可以指代的东西有很多 ， 因此这是一个很宽泛的概念 ， 按稍严格的分类 ， 它可以分成训练、推理两个阶段 ， 以及云端、终端两个应用场景 。 大家目前基本不在终端做训练 ， 因此终端的场景象限基本是空的 。
赛灵思姚颂：数字AI芯片进步趋缓，颠覆式创新难 | GTIC2020文章插图
AI芯片分类：根据AI的阶段与应用场景
AI芯片核心解决的是什么问题？去堆并行算力？实际并不是 。
谷歌TPU第一代的论文中写道 ， 其芯片最开始是为了自己设计的GoogLeNet做的优化 ， CNN0的部分就是谷歌自己设计的Inception network ， 谷歌设计的峰值性能是每秒92TeraOps ， 而这个神经网络能跑到86 ， 数值非常高；但是对于谷歌不太擅长的LSTM0 ， 其性能只有3.7 ， LSTM1的性能只有2.8 ， 原因在于它整个的存储系统的带宽其实不足以支撑跑这样的应用 ， 因而造成了极大的算力浪费 。
赛灵思姚颂：数字AI芯片进步趋缓，颠覆式创新难 | GTIC2020文章插图
AI芯片最重要解决的是带宽不足的问题
AI芯片最重要解决的问题核心是带宽不足的问题 ， 其中一种最粗暴且奢侈的方式就是用大量的片上SRAM（静态随机存取存储器） ， 比如原来寒武纪用36MB DRAM做DianNao ， 深鉴科技曾用10.13MB SRAM做EIE ， TPU采用过28MB SRAM 。
而将这种工程美学发挥到中最“残暴”的公司 ， 叫做Cerebras ， 它把一整个Wafer只切一片芯片 ， 有18GB的SRAM ， 所有的数据、模型都存在片上 ， 因此其性能爆棚 。
当然这种方式是非常奢侈的 ， Cerebras要为它单独设计解决制冷、应力等问题 ， 单片芯片的成本就在1百万美元左右 ， 对外一片芯片卖500美元 ， 这一价格非常高昂 。 因此业内就需要用微架构等其他方式解决这一问题 。
业内常用的有两种解决方式：
一是在操作时加一些buffer ， 因为神经网络是一个虽然并行 ， 但层间又是串行的结构 。 把前一层的输出buffer住 ， 或把它直接用到下一层作为输入 。
二是在操作时做一些切块 ， 因为神经网络规模比较大 ， 每次将它切一小部分 ， 比如16X16 ， 把切出来这一块的计算一次性做完 ， 在做这部分计算的时候同步开始读取下一块的数据 ， 让这件事像流水线一样串起来 ， 就可以掩盖掉很多存储、读取的延迟 。
现在在数字电路层面 ， 业内更多在做一些架构的更新 ， 根据不同的应用需求做架构的设计 。
三、数字AI芯片颠覆式创新难在谈到AI芯片产业特点时 ， 姚颂说 ， 首先AI芯片的概念非常宽泛 ， 所以它并不一定是特别难的事 。
赛灵思姚颂：数字AI芯片进步趋缓，颠覆式创新难 | GTIC2020文章插图
数字AI芯片产业特点
设计一颗特别通用的芯片很难 ， 设计CPU和GPU同样很难 ， 但是如果只做某一颗芯片 ， 只支持某一个算法和某几个算法 ， 其实并不太难 ， 尤其是对算力的需求很低的时候 ， 技术难度就没有那么大了 。 以至于现在对于一些简单的神经网络的加速 ， 直接付钱给芯原微电子、GUC等机构 ， 都可以帮助做前端定制 。 因此对于AI芯片还是要辩证看待 ， 不同的东西难度也不同 。
第二 ， 高集成度对于终端市场来说非常重要 ， 这是所有做AI起家的公司都会认识到的一点 。
举例来说 ， 如果厂商想要将AI芯片做到摄像头里面 ， ISP怎么做、SoC谁来做？将AI芯片做到耳机里面 ， 是语音唤醒的AI部分最终集成蓝牙做成SoC ， 还是蓝牙的部分集成AI做成SoC？这些都是要考虑的问题 。


推荐阅读


上一篇：华为P50Pro揭秘，超级一体屏强势来袭，手机造型迎来新王者

下一篇：深圳|广东首列“湾区号”跨境电商中欧班列从深圳启程