本文轉(zhuǎn)自雷鋒網(wǎng)，如需轉(zhuǎn)載請至雷鋒網(wǎng)官網(wǎng)申請授權(quán)。

隨著人們越來越多地使用 AI 來解決各個領(lǐng)域的問題，一場“ AI 軍備競賽”就此打響，即創(chuàng)造出能夠以更高速度和更低功耗運行深度學(xué)習(xí)模型的專用硬件，以實現(xiàn)翻譯應(yīng)用程序、數(shù)字助手、面部識別系統(tǒng)、內(nèi)容推薦系統(tǒng)等方面的功能，甚至在醫(yī)療保健和自動駕駛等領(lǐng)域取得更大的進步。包括新的芯片架構(gòu)在內(nèi)，這場競賽中已經(jīng)有了眾多新突破；而這些突破正在以前所未有的全新方式來執(zhí)行任務(wù)。

針對這一現(xiàn)象，軟件工程師兼科技博客 TechTalks 創(chuàng)始人 Ben Dickson 表示，通過對這些新突破的洞察，我們或許可以對未來幾年里的 AI 硬件架構(gòu)的發(fā)展窺見一二。

以下是 Ben Dickson 的觀點，雷鋒網(wǎng)在不改變原意的基礎(chǔ)上作了編譯和補充。

神經(jīng)形態(tài)芯片

[[277798]]

神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)的關(guān)鍵，它由成千上萬個人工神經(jīng)元組成。無論是簡單的計算，還是例如圖像識別和語音識別等復(fù)雜的任務(wù)，都離不開（人工）神經(jīng)網(wǎng)絡(luò)。然而，目前，人們對傳統(tǒng)計算機的升級并不基于對神經(jīng)網(wǎng)絡(luò)的優(yōu)化，而是基于一個或多個更加強大的中央處理器（CPU）。

神經(jīng)形態(tài)計算機則與傳統(tǒng)計算機不同，因為它使用一種獨特的芯片架構(gòu)來模擬神經(jīng)網(wǎng)絡(luò)，即神經(jīng)形態(tài)芯片。該芯片由許多物理形態(tài)的人工神經(jīng)元組成，在訓(xùn)練和運行神經(jīng)網(wǎng)絡(luò)時十分快速高效。

實際上，神經(jīng)形態(tài)計算的概念早在 20 世紀(jì) 80 年代就已經(jīng)出現(xiàn)，但由于當(dāng)時神經(jīng)網(wǎng)絡(luò)的效率太低，這個概念并沒有引起太多關(guān)注。近年來，隨著人們對深度學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)的興趣重燃，神經(jīng)形態(tài)芯片的研究也受到了新的關(guān)注。

今年 8 月，頂級學(xué)術(shù)期刊《自然》（Nature）刊登了清華大學(xué)施路平教授團隊的一項研究，該研究還登上了該期的封面。

雜志中名為《面向人工通用智能的異構(gòu)天機芯片架構(gòu)》（Towards artificial general intelligence with hybrid Tianjic chip architecture）的論文介紹道，清華大學(xué)施路平教授的團隊研究出了一款叫作“天機”（Tianjic）的新型人工智能芯片，也就是本文說到的神經(jīng)形態(tài)芯片；它結(jié)合了類腦計算和基于計算機科學(xué)的人工智能。

為了驗證這款全球首款異構(gòu)融合的 AI 芯片，研究團隊設(shè)計了無人智能自行車系統(tǒng)。據(jù)悉，該系統(tǒng)包括了激光測速、陀螺儀、攝像頭等傳感器，剎車電機、轉(zhuǎn)向電機、驅(qū)動電機等致動器，以及控制平臺、計算平臺、天機板級系統(tǒng)等處理平臺。

論文的第一作者，加州大學(xué)圣塔芭芭拉分校博士后鄧?yán)谡J(rèn)為：

比起自動駕駛飛機，智能自行車看起來很小，但實際上它是一個“五臟俱全”的小型類腦技術(shù)平臺......無人自行車系統(tǒng)的語音識別、自主決策、視覺追蹤功能運用了模擬大腦的模型，而目標(biāo)探測、運動控制和躲避障礙功能運用了機器學(xué)習(xí)算法模型。

雖然沒有直接證據(jù)表明神經(jīng)形態(tài)芯片是創(chuàng)造通用人工智能的正確道路，但它們的研發(fā)肯定會幫助更高效的人工智能硬件誕生。而且，神經(jīng)形態(tài)計算已經(jīng)引起了大型科技公司的注意——今年 7 月，英特爾推出了 Pohoiki Beach，這是一臺裝有 64 塊英特爾 Loihi 神經(jīng)形態(tài)芯片的電腦，能夠模擬總共 800 萬個人工神經(jīng)元；Loihi 處理信息的速度比傳統(tǒng)處理器快 1000 倍，效率比傳統(tǒng)處理器高 10000 倍。

不過，這款神經(jīng)形態(tài)芯片并不適合替代傳統(tǒng)的 CPU 架構(gòu)，它的潛力在于加速諸如約束滿足問題、圖形搜索和稀疏編碼等專門應(yīng)用。英特爾還承諾在今年晚些時候?qū)?Pohoiki Beach 擴大到 1 億個神經(jīng)元。

光學(xué)計算

[[277799]]

眾所周知，神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)計算需要大量的計算資源和電力，而人工智能的碳足跡已然成為一個環(huán)境問題。在今年 6 月份，研究人員估算表示，訓(xùn)練一個 AI 所產(chǎn)生的碳足跡相當(dāng)于 284 噸二氧化碳當(dāng)量，這是普通汽車使用壽命內(nèi)排放量的五倍。與此同時，神經(jīng)網(wǎng)絡(luò)的能源消耗也限制了它們在電力有限的環(huán)境中的應(yīng)用。

隨著摩爾定律繼續(xù)放緩，傳統(tǒng)的電子芯片的發(fā)展想要滿足人工智能行業(yè)的需求變得越來越吃力。目前，已經(jīng)有幾家公司和實驗室將目光轉(zhuǎn)向了光學(xué)計算，以尋求解決方案——光學(xué)計算用光子代替電子，用光學(xué)信號代替數(shù)字信號，從而進行計算。由于光學(xué)計算設(shè)備不像銅電纜那樣產(chǎn)生熱量，這大大降低了它們的能源消耗；光學(xué)計算也特別適用于快速矩陣乘法，這是神經(jīng)網(wǎng)絡(luò)中的關(guān)鍵運算之一。

在過去的幾個月里，已經(jīng)出現(xiàn)了幾款光學(xué) AI 芯片的原型機。總部位于波士頓的 Lightelligence 公司就開發(fā)了一種光學(xué)人工智能加速器，該加速器與當(dāng)前的電子硬件兼容，通過優(yōu)化一些繁重的神經(jīng)網(wǎng)絡(luò)計算，可以將人工智能模型的性能提高一到兩個數(shù)量級。Lightelligence 的工程師表示，光學(xué)計算的進步也將降低人工智能芯片的制造成本。

最近，香港科技大學(xué)的研究人員開發(fā)了一種全光神經(jīng)網(wǎng)絡(luò)。為了確認(rèn)這種新方法的能力和可行性，他們構(gòu)建了一個概念驗證模型，即一個具有 16 個輸入和 2 個輸出的完全連接的雙層神經(jīng)網(wǎng)絡(luò)，然后使用全光學(xué)網(wǎng)絡(luò)對 Ising 模型的有序和無序階段進行分類。結(jié)果表明，全光學(xué)神經(jīng)網(wǎng)絡(luò)與訓(xùn)練有素的基于計算機的神經(jīng)網(wǎng)絡(luò)一樣準(zhǔn)確。

研究小組成員劉俊偉說：

我們的全光學(xué)方案可以使神經(jīng)網(wǎng)絡(luò)以光速執(zhí)行光學(xué)并行計算，而消耗的能量卻很少。大規(guī)模的全光學(xué)神經(jīng)網(wǎng)絡(luò)可以用于從圖像識別到科學(xué)研究的各種應(yīng)用。

大型芯片

[[277800]]

雷鋒網(wǎng)注：上圖為 Cerebras 公司的大型芯片

有時，擴大規(guī)模確實是解決問題的好方法。今年 8 月，硅谷初創(chuàng)企業(yè) Cerebras Systems 推出了一款包含 1.2 萬億晶體管的大型人工智能芯片，這也是有史以來最大的半導(dǎo)體芯片；除此之外，它在 42225 平方毫米的面積上擁有 40 萬個內(nèi)核，比 Nvidia 最大規(guī)模的圖形處理器還要大 56.7 倍，后者的尺寸為 815 平方毫米。

這種大型芯片加快了數(shù)據(jù)處理速度，能夠以更快的速度訓(xùn)練人工智能模型——據(jù)悉，Google、Facebook、OpenAI、騰訊，百度以及其他許多公司都認(rèn)為，當(dāng)今 AI 的基本局限性在于訓(xùn)練模型花費的時間太長。因此，減少 AI 訓(xùn)練時間可以消除了整個行業(yè)進步的主要瓶頸。與傳統(tǒng)的 GPU 和 CPU 相比，這種超大型芯片的獨特架構(gòu)還減少了能耗。

Linley Group 首席分析師 Linley Gwennap 在一份聲明中說：

 Cerebras 的晶片級技術(shù)取得了巨大的飛躍，在單個硅片上實現(xiàn)了遠(yuǎn)遠(yuǎn)超出任何人想象的處理性能。為完成這一壯舉，該公司甚至解決了一系列困擾工程行業(yè)數(shù)十年的惡性工程挑戰(zhàn)。

Cerebras 最近還與美國能源部簽訂了一份合同，美國能源部將利用該芯片加速科學(xué)、工程和健康領(lǐng)域的深度學(xué)習(xí)研究。

不過，制造出超大規(guī)模的芯片并不意味著萬事大吉。因為芯片的尺寸將會受到使用空間的限制；而且，芯片制造商通常也不會制造這么大規(guī)模的芯片，因為在制造過程中很有可能出現(xiàn)雜質(zhì)，從而導(dǎo)致芯片故障。

由于目前各行各業(yè)都在為深度學(xué)習(xí)尋找應(yīng)用場景，單一芯片架構(gòu)主導(dǎo)市場的可能性很小。但可以肯定的是，未來的人工智能芯片很可能與過去數(shù)十年里的經(jīng)典 CPU 不盡相同。