赛灵思姚颂：数字AI芯片进步趋缓，颠覆式创新难 | GTIC2020( 三 )
对于终端市场来说 ， 一定是高集成度的方式比分立器件的方式占优势 ， 所以对于终端市场一定要考虑全面 ， 而不能仅仅考虑AI这一个IP 。
第三 ， 软件生态才是AI芯片的核心壁垒 。
英伟达创始人兼CEO黄仁勋最近开发布会时说 ， 英伟达已经有180万的开发者、30万个开源项目 ， 99.99%的初学者在学AI时一定会买一块GPU ， 下载一些Github上的开源项目做试验 。 这是英伟达最终的一个护城河 ， 它会有源源不断的开发者加入 ， 开发者又会为生态贡献新的项目 ， 如果开发者没有达到一定数量 ， 则很难突破AI芯片的生态壁垒 。
姚颂说 ， 这与滴滴、淘宝以及其他互联网平台是一个逻辑 ， 一边是商家一边是用户 ， 一边是开发者一边是使用者 ， 这是一个闭环软件生态的逻辑 ， 是最核心的壁垒 。
在单纯的数字芯片领域、单纯的学术研究做微架构迭代的领域 ， 数字集成电路领域从2016年开始至今没有见到特别大的创新 。
文章插图
2016年至2019年AI芯片能效指标变化
上图中显示的是从2016年至2019年的AI芯片能效指标变化 ， “方形”是实际量产的产品 。 这个图越往上代表性能越好 ， 越往右是功耗越高 ， 因此在这张图中 ， 越偏向左上角意味着性能越好 。
而实际上大量的“方形”都落在了图的右上角 ， 处于1~10TOPs/W的两条线之间 ， 现在性能比较好的产品基本上在1~2TOPs/W的区间内 ， 这几年在量产级别上没有见到特别大的变化 。 行业内有很多工程在往产品方向走 ， 但是通用的微架构迭代的进步已经趋缓 。
此外 ， 姚颂一直在关注的一个重点在于 ， 芯片越来越贵 ， 导致了一个较大的问题：业内原来很期待在行业中出现一个“破坏性创新”的事 ， 也就意味着想要用很低廉、便捷的方式实现原来高端产品的能力 。 比如业内希望AI芯片以低价、便捷的方式实现GPU的功能 ， 而现在看起来 ， 实现这一愿景很困难 。
在如今所处的时间点 ， 摩尔定律还没有死掉但是越来越贵 。 一颗7nm芯片的流片需要3000万美元左右 ， 再加上IP、人力的成本 ， 甚至需要大几千万甚至是上亿美元 ， 需要卖出很大的量才能收回成本 。 对于初创公司来说 ， 这是一个难点 。
文章插图
数字AI芯片可能不存在颠覆式创新的大机会
有些芯片公司 ， 比如壁仞科技 ， 融了很多资金 ， 能够做两颗、三颗甚至更多芯片；而有的公司如果没有资金 ， 则无法参与到行业正面战场的竞争中来 。
这个市场已经发生变化 ， 随着摩尔定律的变化 ， 在正面战场上 ， 我们得想一些其他的办法 ， 可能不能单纯依靠架构的优势取得几倍的性能提升 ， 业界也需要找到一些新的底层技术迭代 。
比如做存内计算的知存科技就属于这一类 ， 它将计算和存储放在一起 ， 将计算放在Flash中 ， 就可以减少存储的搬运 ， 突破卡在存储的瓶颈；再比如法国有一家叫UpMem的企业把计算放到DRAM中 ， 还有比如普林斯顿大学教授的小组把计算放到SRAM中 。
另一种技术路线 ， 光计算 ， 也是业内非常看好的方向 。 用两束光的光强表示两个数值 ， 通过一个干涉仪发生干涉行为 ， 它出射的强度就是两个光强相乘 ， 再乘以他们相位差的cos（余弦） ， 这样就相当于用光的干涉直接完成了乘法 ， 这种操作速度很快、功耗也很低 ， 但也有很大的问题 。
因为所有的物理器件都不是理想的器件 ， 光每经过一个干涉仪可能要损耗千分之一的强度 ， 如果想要做一个64X64的阵列或是128X128的阵列 ， 每做一个计算的过程中 ， 每束光要通过几百个干涉器 ， 数值就变了 。
目前国际最好的水平也只能在64X64阵列上保证8bit信息量是不变的 ， 因此这种方式无法在高精度、大阵列的要求下施行 ， 也从而没办法实现特别大的性能 ， 因此这也是一种还在开发中的路线 。
推荐阅读
- 三星公司发布2021款数字座舱 集成诸多高科技
- 想实现《曼达洛人》的数字布景吗？索尼模块化屏幕即将开售
- 腾讯苏州战略合作再升级，腾讯（苏州）数字产业基地揭牌
- 索尼发布两款Crystal LED显示器 目标数字生产领域
- 向日葵领航·坐席解决方案：远程协助推进数字化医疗
- CES 2021「展望」：全数字化盛会 你最期待什么
- 腾讯云将携手8000家合作伙伴，助力长三角G60科创走廊数字化转型
- 腾讯与长三角G60科创走廊“牵手”：扩展科创“朋友圈”推进城市数字化转型
- 华为周建军：今年预计为顺德培养超过三千名数字化专业人才
- 闹剧再次上演！不想中国主导数字支付，美国这次盯上了蚂蚁和腾讯