清華大學魏少軍教授：什麼是真正的通用人工智慧晶元？

雷鋒網按：2018 全球人工智慧與機器人峰會（CCF-GAIR）在深圳召開，峰會由中國計算機學會（CCF）主辦，由雷鋒網、香港中文大學（深圳）承辦，得到了深圳市寶安區政府的大力指導，是國內人工智慧和機器人學術界、工業界及投資界三大領域的頂級交流盛會，旨在打造國內人工智慧領域最具實力的跨界交流合作平台。

7 月 1 日，隨著議程進入到第三天，本次 CCF-GAIR 大會也在下午迎來了堪稱壓軸的 AI 晶元專場。擔任 AI 晶元專場主席的，是中國電子學會電子設計自動化專家委員會主任委員、清華大學微電子研究所所長魏少軍教授；在擔任主席之外，魏教授還為 AI 晶元專場帶來了一場乾貨滿滿的大會報告《從 IA 到 AI，我們還要走多遠？》

在報告中，魏教授引用人工智慧專家 Michael I. Jordan 的觀點認為，我們今天所做的還不能算是真正的 AI（Artificial Intelligence），只是利用技術來增強某一方面的智能而已，也就是所謂的增強智能（Intelligence Augmentation，簡稱 IA）。究其原因，是因為當前的人工智慧演算法遠遠沒有達到人們的要求，具體來說，現有的演算法過於單一，無法實現類似於人腦的高度複雜又高度靈活的互聯結構系統。

魏教授指出，我們目前要實現人工智慧，別無選擇，只能靠晶元；但是現有 CPU、GPU、FPGA 等晶元的基本架構早在這次人工智慧突破之前就已經存在了，並不是為人工智慧而專門設計的，因此不能完美地承擔實現人工智慧的任務。人工智慧對晶元的要求，除了足夠的算力和極高的能效比，還需要一個高能效、通用的計算引擎。由此，魏教授認為 AI 晶元至少應有以下幾個特質：

第一，它的可編程性，要適應演算法的演進和應對多樣性；因為演算法不穩定，它在不斷變化；

第二，架構動態可變性，要適應不同演算法；

第三，高效的架構變換能力，因為不同的運算要求變換不同的架構。

隨後，魏教授從硬體可編程和軟體可編程的角度，將晶元的性質分為四個種類，並認為目前少有人關注的軟體定義晶元（SDC）在 AI 領域最有潛力；它一方面具備 CPU 的靈活性，另一方面是專用集成電路的高能量效率和高集成度。它的軟體和硬體均可編程，混合顆粒度，最重要的是晶元功能隨軟體變化而變化；在使用中也不需要晶元設計知識。

魏教授表示，晶元要實現智能化，不能光有硬體，一定要有要求很高的軟體——自主學習的能力、形成知識和經驗的能力、持續改進和優化的能力、再生和組織能力、思維邏輯推理能力、作出正確判斷和決策能力，這是軟體才能完成的，而非硬體。

基於這個理念，魏教授提到了他所認為的真正軟體定義晶元。也就是：

一個真正理想的計算應該是軟體和硬體的架構一模一樣，軟體是什麼樣的拓撲結構，硬體就應該是怎樣的拓撲結構；軟體需要什麼樣的運算，硬體需要存在這樣的運算資源。可惜的是，軟體可以很大，硬體不能大；我們只好把軟體分塊，跟硬體大小一樣。比如把它分為 6 塊，根據數據依賴關係把第二塊、第三塊、第四塊放進去……一直到第六塊。這要求我們硬體必須隨時改變其功能，硬體功能和架構能夠動態地按照軟體實時進行改變，這是我們所說的軟體定義晶元。

魏教授表示，上述概念雖然聽起來簡單，但實現起來是一個非常艱難的過程，而他自己的實驗室也是經歷了 12 年的努力終於得到實現（該研究成果由清華大學 Thinker 團隊已經在相關國際會議上發布，可查看雷鋒網相關報道）。通過這一全新架構，可以用來實現可重構神經網路；也就是說，通過 AI 應用定義我們所選用的深度神經網路，改變晶元架構和功能——魏教授表示，如果能做到，那麼這種晶元將成為真正的通用人工智慧晶元。

最後，針對近段時間以來中美晶元領域的」嚇尿體「和」被嚇尿「之類的聲音，魏教授認為我們應當在承認與美國半導體行業差距的同時，也要看到我國在軟體定義晶元領域的領先地位；而 AI 晶元的創新也只有通過真正的架構創新才能到達頂峰。

在大會報告結束之後，魏教授接受了雷鋒網的獨家專訪。

此前，魏教授曾經提出過這樣一個觀點：AI 晶元的發展很可能會在未來 2-3 年遭遇一個挫折期；今天的部分、甚至大部分創業者將成為這場技術變革中的「先烈」。對於這個觀點的得出，魏教授表示有兩個原因：

一是因為產業發展的特定規律，比如說 Gartner 的發布 Hype Cycle（技術成熟度曲線），目前的 AI 晶元正處於第一個峰值的頂點處，未來兩三年將會出現下降，很多事情的發展都是在經歷了熱度之後進入到下降期，最後才會進入到應用穩定期。

第二，雖然 AI 很熱，但是並沒有真正落地。實際上，並不是所有的技術都一定需要 AI，很多情況下 AI 起到的是增強的作用；當前人們擁抱 AI，但未來可能會失望。所以說，AI 要需要的，是真正的 Killer Application（殺手級應用），每天都離不開的。

至於這裡所說的 AI 的殺手級應用，魏教授也給了一些案例，比如說自動駕駛，遠程醫療等。另外，針對 AI 晶元在去年下半年以來的火熱狀況，魏教授認為這是資本助推的結果，一旦錢燒完，就很有可能出現問題；而且在資本的逐利本性下，也是難以為繼的。

而針對魏教授在報告中提到的 Thinker 團隊的相關成果，魏教授表示，目前團隊正處於融資階段，估值也很高；而且一旦進入到產業界，它所能獲得的性能、能量效率、成本一定遠遠好於高校的結果。

魏教授強調，Thinker 的通用性雖然很強，但它並非是為了取代 CPU、GPU、FPGA 而來，未來這些不同類型的晶元依然會是長期共存的局面。就目前的情況來看，Thinker 在產業方向的具體應用場景要取決於工業界的具體狀況，不過魏教授認為 Thinker 更傾向於端側應用，因為只有端側的突破才是 AI 晶元的真正突破。

談到整個 AI 晶元行業未來的發展，魏教授認為，正如 Intel 的 CPU、英偉達的 GPU 在各自領域佔據統治地位一樣，在 AI 晶元領域同樣會在未來出現一個稱霸世界的企業——這個企業有希望出現在中國，而 Thinker 獨樹一幟，也擁有別人所不具備的優點，因此未必就沒有機會。

最後，在中興事件引起的輿論塵埃尚未完全落定的大背景下，作為中國半導體行業的領軍人物，魏教授也通過雷鋒網給出了一個來自中國半導體行業的聲音：

首先，中興事件還是一個獨立事件。它反映了中國企業在走向國際市場當中要必然經歷一個」必修課「。即使這件事不發生在中興身上，也會在未來某些時候發生在其他企業身上，總之是早晚會發生的，它也讓我們的企業意識到走向國際市場的過程中要遵守的規則。當然，中興這次的代價的確是大了點。

從外界來看，有些社會輿論一方面把中興罵得狗血臨頭，另一方面又認為自己一無是處，對此我是非常不贊成的。這次中興事件之後，有些人妄自菲薄地說自己什麼都不行，也有很多」你看過這個才知道中國的晶元有多爛「這樣的聳人聽聞的話題——這些人也陷入到另外一個極端。

那麼，中國的晶元到底怎麼樣呢？

我們認為，跟別人比有差距，但也沒有差到那種程度。其實別人有的我們都有，只是比別人差一點，比如說性能低一點、可靠性差一點，還在慢慢的發展過程中，存在一些問題。再過五年八年十年的時候，很有可能中國的晶元就跟國際水平差不多了。

所以，我們第一不要自己吹牛，第二也不要妄自菲薄；踏踏實實發展，同時也要有信心。美國之所以那麼擔心，本質上還是因為忌憚中國在相關方面的發展，否則根本不會予以理會。中國人要有自己的定力，中國的半導體產業既不像有人說的那麼好，也不像有人說的那麼差——它還處於發展過程中，我還是充滿信心的。

以下是魏少軍教授在 CCF-GAIR 2018 上的大會報告內容，雷鋒網對其進行了不改變原意的編輯整理。

大家下午好！很開心有機會在此跟大家做關於 AI 晶元的溝通和交流。純屬個人想法，不代表任何人，只代表我自己。

從 IA 到 AI，我們還要走多遠？大家知道 AI，恐怕沒多少人知道 IA，我們逐步展開談談，顯然 AI 和 IA 是有關係的。大概講幾個內容：

一是人工智慧技術與人工智慧晶元面臨的挑戰。

二是架構創新是人工智慧晶元獲得突破的必由之路，目前有很多人做晶元，如何做晶元的架構，探討比較少，甚至嚴重不夠。

三是結束語。

人工智慧對人類社會的影響非常深遠，不管我們是否承認，這件事都發生了。

全球知名諮詢企業麥肯錫通過對 300 多家 9 個垂直領域的企業進行案例分析，覆蓋金融、消費、電信、健康、能源和材料、媒體、公共和社會服務、先進產業和製藥等，得出的重要結論是：人工智慧將在幾乎所有垂直領域產生深遠影響，並不只是針對某一個領域。

這個結論讓我們做晶元的人非常激動，因為人工智慧帶來的變化和之前互聯網、移動互聯網等顛覆性技術創新發生的時候有很大的不同點——硬體將佔據超過 50%。以前，在互聯網和移動互聯網的主導下，許多學生選擇就業首先選金融和互聯網；但是在 AI 領域，超過 50% 的科技發展將由硬體主導。

尤其是未來 10 年，人工智慧和深度學習將成為提升矽片需求的主要因素；2025 年，人工智慧將推動半導體產業收入超過 600 億美元，接近全球半導體銷售的 20%。

我們的半導體 AI 晶元是否做得很好？並不是。加州大學伯克利分校的教授 Michael I. Jordan 20 天前在美國做過一場演講，我當時在場，他說「與其說我們今天做的是人工智慧，還不如說我們做的是增強智能」。這句話的意思是說，我們今天所做的還不能算是真正的 AI（Artificial Intelligence），只是利用技術來增強某一方面的智能而已，也就是所謂的增強智能（Intelligence Augmentation，簡稱 IA）——之所以說 IA，是因為基本人工智慧演算法遠未達到我們的要求。

這裡有兩個現實問題：

第一，AI 演算法本身在不斷的演進，新演算法層出不窮。

第二，還沒一種演算法可以統一面向所有的應用。每種應用對應一種演算法，或者每種演算法對應一種應用。實際上我們的人腦能夠做很多事情，但現在人工智慧的演算法依然是一對一的。

我們說一個基本的感知過程：感知-傳輸-處理-傳輸-執行，這是一個基本的邏輯關係。當然這其中包括多元感知，就像人有眼睛、鼻子、嘴、皮膚；執行時有多種執行；傳輸也是多樣化的，有神經傳導、皮膚傳導、眼睛傳導、聲音傳導等各種各樣的傳導，只是中間不知道如何比喻。

實際上，計算、分析、經驗知識和判斷等，到今天為止只是用計算機的概念代替，也就是用軟體 + 處理 + 存儲的方式來進行。

我們想要得出的其實是這樣一個複雜的、智能的系統：它應該是多輸出、多輸入的系統，應該是高度複雜又高度靈活的互聯結構，具有多任務且高度並行運算系統、多處理器單元系統、並行分散式存儲、並行分散式軟體、分散式處理和集中控制架構等。

實際上，在座所從事的人工智慧晶元，絕大多數能夠完成的是一種功能，可能兩種，最多三種；要想做到像人似的處理 N 種，還差得很遠。而且，人在做決定時不是單個決定，而是同時做多個決定，或者叫多個決策同時做，這是今天人工智慧遠未達到的；我們並不知道但是人腦如何工作，我們可以用計算的方式實現記憶、行動、特徵提取、決策等過程。

我們現在只能依據計算，原因在於機器和人腦之間的差別實在太大。

做一個比較。人的大腦有 140 億個神經元，傳輸速度 120 米每秒，工作頻率很低，為 200 赫茲；人腦皮層比較大，可以完成每秒鐘 10 的 16 次方運算，把大腦皮層攤開是四分之一平方米，重量是 1.2-1.6 公斤，功耗只有 20 瓦。

而機器不行，雖然它在某些事情上可能超越人類，但代價非常大。比如超級計算機可以用多個晶元實現 10 的 30 次方每秒鐘的運算，非常了不起；但它用電傳輸，每秒鐘 30 萬公里，工作頻率每小時 42 億次，耗電量是 24 兆瓦。所以說，機器和人之間的差別很大，機器趕上人還要很遠。

我們目前要實現人工智慧，別無選擇，只能靠晶元。晶元有很多不同的，目前我們已經有 FPGA、GPU、CPU 等，我們還可以做所謂的類腦計算，甚至可以做內存內計算等。然而，這些都是已經存在的晶元，它們的基本架構早在這次人工智慧突破之前已經存在了，並不是為人工智慧而專門設計的，因此不能完美地承擔實現人工智慧的任務；即便能完成，它是不是最好的，這些問題都值得我們思考。

但是我們知道，計算是根本點，我們需要有一個很好的計算引擎，這是因為我們看到的人工智慧各種網路所需要的計算量是巨大的。比如說，2014 年 VGG19 的計算能力要達到 196 億次每秒，同時處理大概 1.38 億個參數，沒有足夠的算力是做不到的；其次，當我們從雲端所謂的訓練向終端推理推進時，我們要求它有極高的效率比，否則終端設備（比如說智能手機）很快沒電無法運作。

所以，我們說需要一個所謂高能效、通用的計算引擎，這是必備的條件。在此條件下，AI 晶元需要有基本特質，我列出如下（可能還不止）：

第一，它的可編程性，要適應演算法的演進和應對多樣性；因為演算法不穩定，它在不斷變化；

第二，架構動態可變性，要適應不同演算法；

第三，高效的架構變換能力，因為不同的運算要求變換不同的架構。我可以斷言一句，目前凡是使用指令結構的，都永遠無法達到我們的要求。我們期待高效率的架構，比如 1W 每秒鐘要 10 萬億次運算量。

但是在某些終端應用上來說，你的功耗要小於 1mW，在一個電池用一年不換是基本要求。同時，成本要低，才能夠進入家電和消費類電子；體積要小，才能裝載在移動設備上；同時還要開發簡便，讓所有人不必知道晶元如何設計。

就這些條件來看，CPU + 軟體、CPU + GPU、CPU + ASIC 都不是理想架構。

那麼，什麼是架構？人工智慧晶元的架構應該是怎樣的？在談人工智慧晶元架構之前，我想跟大家回顧晶元發展歷程中的相關內容。

首先，我們按照硬體可編程和軟體可編程分為四個象限。

第二個象限是硬體處理器，硬體不能動，軟體可變化，比如說 CPU、DSP 等。它們是粗顆粒度的，通常工作在 8 到 64 位，晶元運行時可以軟體編程，只需要軟體工程師編程就可以了，能量效率和計算效率都不高。

第三象限是軟體和硬體都不可編程，ASIC、SoC 等。它們的特點是多品種、小批量，一旦完成製造就不能改變，也通常不需要軟體（有的需要軟體，但不是主要的）；要想使用，需要對晶元有非常清晰的了解。能量效率和計算效率很高，這是其優點。

第四象限是可編程邏輯，如 FPGA、EPLD。硬體可編程，但其實是靜態編程；細顆粒度，可以定義到每一個 Bit，晶元運行不需要軟體（有人說 FPGA 需要軟體，其實不是軟體，而是定義硬體的描述語言，所以 FPGA 不需要軟體）。使用它需要晶元支持，能量效率和計算效率不高。

而第一象限，到現在為止很少有人關注——軟體定義晶元（SDC），像 RCP、CGRA 等。它的軟體和硬體均可編程，混合顆粒度，最重要的是晶元功能隨軟體變化而變化；在使用中也不需要晶元設計知識，其能量效率和計算效率雖然沒有專業集成那麼高，但也足夠高。

這是一個全新的領域。

CPU 等處理器是通用高靈活性，但已經進入寡頭壟斷極端，它需要最先進的技術，成本高、價格貴，易受生態環境制約；專用集成電路，專用而無靈活性，用量足夠的情況下才能便宜；FPGA 通用高靈活性，和 CPU 差不多。而我們所說的軟體定義晶元，它不存在寡頭壟斷的問題，也並不需要最先進，夠先進就好，擴大用量可以降低成本，不存在生態問題；它一方面具備 CPU 的靈活性，另一方面是專用集成電路的高能量效率和高集成度。

軟體定義晶元畢竟是一個新名詞，那麼下一步應該怎麼做？我們不知道人腦如何計算和思考，因此我們只能用計算機進行大概地推理一下。

比如說，我們要有硬體平台，這個硬體平台必須得有高計算能力、多任務並行計算能力、足夠的吞吐量、極高的能量效率、靈活高效的存儲、適應動態的工作變化，這是支撐智能的基礎。而晶元要實現智能化，不能光有硬體，一定要有要求很高的軟體——自主學習的能力、形成知識和經驗的能力、持續改進和優化的能力、再生和組織能力、思維邏輯推理能力、作出正確判斷和決策能力，這是軟體才能完成的，而非硬體。

如果有人認為能夠硬體上做到這一點，那一定走錯路了。實現智能的核心是軟體，所以再進一步看，我們要的是軟體定義的晶元——軟體變化時，晶元跟著變化。其實，美國人也在做這項工作，比如說美國最近推出的 ERI（電子振興計劃），其中非常重要的就是軟體定義硬體，它是作為 ERI 項目中的 6 個子課題之一。

前段時間，我在舊金山和美國 DARPA（國防高級研究計劃局，Defense Advanced Research Projects Agency）的項目經理交流發現，美國之所以要做這件事，正是因為他們看到了軟硬結合特別是硬體可變性成為未來發展的重點；項目中規劃的內容，就是建立一個在運行時可以實時變化的硬體和軟體，能夠達到專用集成電路的性能，同時對於數據密集型的運算不失去它的可編程性——這就是軟體定義晶元。

對我來說，我非常關注所謂的運行時間 「At Runtime」，規定 300-1000 NS，0.3-1 微秒，這個變化的速度很慢。

那麼，FPGA是軟體定義晶元嗎？不是。我把 FPGA 的 10 大缺陷重複一遍：

FPGA 細粒度，實現比特級的運算。

配置信息量大，幾兆甚至幾十兆。

配置時間長，少則十幾毫秒到幾十毫秒，甚至要上秒。

靜態編程，一旦配置完畢不可更改，改變 FPGA 的功能要下電或者在線重新載入配置信息。

邏輯不可復用，所有電路必須全部裝入 FPGA。

面積效率低，每個 LUT 只能實現一位運算，面積效率只有 5%，一個千萬門級的 FPGA 只能實現幾十萬門的邏輯電路。

能量效率低，由於邏輯利用率低引發無效功耗巨大。

需要特種工藝，FPGA 往往需要最先進的製造工藝，且需對工藝進行特別調整。

電路設計技術，應用者必須具備電路設計知識和經驗。

成本高昂，幾十到幾萬美元一片。

所以 FPGA 不是我們想要的東西；FPGA 不能當 SdC，不是軟體定義晶元。

那麼，為什麼要軟體定義晶元？

舉例說明，做晶元設計時，老闆經常說「你一定要做差異化的東西，不能跟別人做得一樣」；於是就在規格（Specification）上做文章——這是完全錯誤的思路，差異化並不是靠規格設計出來的。這樣設計出來的差異化只存在於產品產出的那一段時間，之後就無法更改；別人追上來，差異化越來越小，你的產品便出局。

一個小孩從嬰兒成長為成年人，中間的成長中包括教育、學習，《三字經》說「人之初，性本善，性相近，習相遠」。為什麼晶元不能這麼做？

如果我們的晶元可以在使用過程中不斷學習，則差異化可以隨著時間的變化而不斷加強，這樣的晶元才是真正的智能晶元。現在的做法是訓練 + 推理（訓練是老師訓練，老師利用以前的知識教我們，我們照老師教的方式推理應用），這恰好是人工智慧發展的過程；如果我們讓晶元做到這一點，我們可以讓晶元做得更好。

現在，我來講一下什麼是真正的軟體定義晶元。

一個真正理想的計算應該是軟體和硬體的架構一模一樣，軟體是什麼樣的拓撲結構，硬體就應該是怎樣的拓撲結構；軟體需要什麼樣的運算，硬體需要存在這樣的運算資源。可惜的是，軟體可以很大，硬體不能大；我們只好把軟體分塊，跟硬體大小一樣。比如把它分為 6 塊，根據數據依賴關係把第二塊、第三塊、第四塊放進去……一直到第六塊。這要求我們硬體必須隨時改變其功能，硬體功能和架構能夠動態地按照軟體實時進行改變，這是我們所說的軟體定義晶元——這其實是一件非常困難的事情，我的實驗室做了 12 年才做成。

按照這種思路，我們可以很容易地得到基本架構：我們將劃分好的軟體通過控制單元送到所謂的數據通道中，由數據通道來對硬體進行編程；因此，我們的編程結果可以完全適應軟體的發展，這要求我們硬體和軟體完全可重構、完全可編程。這是我們的基本思想。

這樣的基本思想與傳統的計算架構之間比較，可以看到：

經典的計算結構基本上是馮諾依曼的體系結構，但是對於軟體定義晶元而言，它是一個函數化的柔性結構。傳統的架構中，應用適應於計算結構，你要知道計算機結構進行編程，而在我們的結構中，計算適應於應用，這是倒過來的，硬體適應軟體。傳統結構中，一個任務只有一個處理軟體，不可能編 10 個軟體；在我們的結構中，一個任務有多個等效處理軟體。傳統計算模式中，硬體和軟體不變，但在我們這裡，硬軟體動態選擇性改變。傳統結構中，要高度復用，在我們的結構中，產生冗餘應用，這是根本的不同。

但是，我們沒有逃離馮諾依曼的體系結構，這是壞事也是好事——壞事是創新不夠，好事是計算理論的完整性。

我們利用這個架構來實現可重構神經網路的的基本想法是：通過 AI 應用定義我們所選用的深度神經網路，改變晶元架構和功能。如果能做到，我們不僅僅適用一種應用，我們可以跟著應用不斷變化，適用 N 種應用。

這樣的晶元是所謂通用的人工智慧晶元。

這個基本運算單元有多種不同的能力，我們可以讓它做卷積、池化等各種各樣的內容。利用這種方式，我們還可以實現數據通道，完全並行。這樣的結果是，我們可以把大量不適合硬體做和硬體做得很麻煩的東西，可以一個所謂的 Compiler（不是傳統的 Compiler）來實現，大幅度提升效率。

這裡有一個結果，它是我們去年獲獎的內容。這個結果是通用 AI 處理器，在 10 兆到 200 兆頻率下，4mW-450mW，運算速度達到 1.06-5.09TOPS/w。另外一個是我們國際會議上報道過的做人臉識別的，小於 100mW，每識別一個只需要 6 個毫瓦時，比人類的人臉識別率高 1 個百分點。

還有一個是語音信號識別，包括語音識別和聲紋識別，其耗電量只有 200 多微瓦。《MIT Technology Review》今年年初在一篇專稿中評論了我們的工作，認為這是中國取得的皇冠級別的成就，一節電池可以用一年多，被認為是世界上耗電量最小的語音識別軟體。

我們已經工作了 12 年，這是我們取得一系列的成績、論文和專利。

最後結束一下。

我們說，大家都在做 AI。但是 AI 到底是什麼？我們應該怎麼做 AI？哪些地方到底需要 AI？我們希望 AI 幫助我們解決什麼問題？如果不需要 AI 也可以做，為什麼要 AI？其實我們沒有回答好這些問題。現在很多應用根本不需要 AI，甚至有人用 AI 做幌子。

什麼是我們離開就活不了的 AI 殺手級應用？語音識別和人臉識別都需要 AI 嗎？未必，特別是語音識別很多時候不需要 AI。當然某些情況下語音識別是有作用的。什麼樣的 AI 是我們每天都需要的？這是我們的關鍵。

前兩年很多人認為自己超過了美國，有很多這樣的聲音「明年就超過英特爾」「再過 3 年就超過微軟」，我把他們稱之為「嚇尿體」，他們把美國人嚇尿了，最近一段時間，大家都說我們的晶元碰到很大困難，跟前兩年不太一樣，於是「嚇尿體」變成」被嚇尿「了。我們的晶元發展有自己的步驟，我們確實不如美國，但也沒有像美國某些人說得那麼糟糕。當然，我們不像某些人說得那麼好，我們在發展過程中，不要妄自菲薄。

告訴大家一件事：在軟體定義晶元領域中，我們現在大幅領先美國。我的團隊提出軟體定義晶元技術比美國 ERI 技術早了 10 年，他提出 300-1000 納秒時間，只是我們現在實現指標的十分之一，我們的性能比它好多了。我現在到國外國際會議上，很多人說我們是國際上做得最好的，我們在軟體定義上在國際走在前列。

總結來說，AI 技術不斷進步，目前差距依然很大；像人類似的同時做出多個判斷和決定，這樣的演算法尚未出現。我們現在是 IA，還不是 AI；晶元是我們不可逾越的障礙，必須通過晶元實現；而晶元的發展決不是我們今天想像的，做一個晶元就是 AI 晶元。

要讓晶元具有智慧的能力，這是我們真正需要考慮的事情，不是為了 AI 而 AI 。你想讓 AI 晶元在使用中變得更「聰明」，架構創新是不可迴避的課題。如果你依然用 FPGA，不要有太大的希望，沒有獨霸天下的可能性。希望大家在晶元發展過程中特別關注架構的創新，只有架構創新才能把大家送到這個領域的巔峰。

謝謝大家！

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！