Intel中國研究院宋繼強：智能時代的晶元技術演進｜紀念集成電路發明60周年

雷鋒網按：2018年10月11日，紀念集成電路發明60周年學術會議於北京清華大學召開。中國科學院院士王陽元、中國工程院院士許居衍、清華大學教授魏少軍等國內半導體行業頂級專業人士紛紛在會上發表了報告或演講。

其中，Intel中國研究院院長宋繼強題為《智能時代的晶元技術演進》的演講回顧並分析了摩爾定律在60年里的演進，並分析了神經擬態晶元和量子晶元等未來發展方向。雷鋒網對演講內容做了不改動原意的編輯、整理和精簡。

宋繼強院長：從人類應用集成電路開始，晶元就一直支撐著整個世界的運轉。從最開始幫助我們提高生產率，讓我們做事情更快、工作更順手，到讓我們可以在移動中做各種事情，我們手裡的設備能夠知道我們在哪裡、我們是誰，我們的生活產生很大的改變。

現在我們已經進入了一個智能計算的時代，設備不但能夠知道我們在哪裡、我們是誰，還能通過它的眼睛、耳朵甚至腦袋來了解你。

其實，除了戈登摩爾提出的摩爾定律之外，由戈登貝爾提出的「貝爾定律」在集成電路行業也非常有名。貝爾定律的內容是：計算設備的主流類別大約每隔10年有一次大的變遷，尺寸會有一個數量級的縮小，用戶量會至少有一個數量級的增長。

從20世紀70年代到80年代再到90年代，貝爾定律一直準確的與實際狀況相吻合；而2007年的iPhone以智能手機的形態和全新的交互方式，通過智能互聯設備這一使用模式，使智能手機成為了主流的計算設備。

然而隨著計算設備發展到現在，智能計算的時代已經開始，晶元向著小體積、低功耗、無線通信、無線充電的方向發展，可以進入無人駕駛車、智能家居等許多產品中，讓整個生活充滿智能互聯設備。在這樣一個萬物互聯的時代，很可能不會再有單一的主流設備類別。

那麼不變的是什麼？不變的是這些設備都在採集、傳輸和處理數據，再通過智能的演算法對這些數據進行挖掘和整合，提供更好的價值。晶元做出來是要給用戶使用的，Intel的目標是通過晶元提供端到端的數據流動支持，而並非只關注PC晶元領域。

在講到未來晶元的技術演進之前，我們先來看看過去的10年都發生了那些變化。這些頁面的內容，是直接取自Intel三個月前在美國政府ERI（電子復興計劃）峰會上的公開演講。

首先，在10年之前，Intel曾做過一次路線圖預測，包括對新材料、新製程的預估。現在回過頭來看，預測中大部分的方向都是沒有問題的。在推進摩爾定律的過程中，80%的工作都是基於材料的改革。我們不光要研究怎樣把晶元做小，還要研究怎樣用不同的方式來做這些器件。另外20%的工作基本上都是在尋求化學工藝方面的進步，如原子層沉積、原子層蝕刻等技術。

經過這麼多嘗試之後，我們有了很多收穫，但同時也發現了很多錯誤：石墨烯晶體管沒有如期出現，許多帶有具體日期的預測也都普遍失准，比如「Silicon lattice is ~ 0.5nm，hard to imagine good devices smaller than 10 lattices across – reached in 2020」這句話，實際上想表達的意思是隨著工藝越來越小，我們也越來越難以控制和生產半導體晶元，而並非硅半導體工藝將在2020年終結。

從摩爾定律來講，CMOS的微縮還會繼續進行下去，但會通過材料、化學工藝等不同方法來實現，更重要的是，我們還可以通過三維設計將晶體管堆疊起來。除此之外，還有一些新的功能和新的電路控制方式，可以讓摩爾定律繼續推進下去。

不過僅有這些是不夠的，未來的應用種類非常多，我們該如何快速滿足不同應用？我們已經進入了7nm時代，製程更迭的速度在變慢，要想快速應對很多種不同的應用，我們需要異構的集成方式，以及AI等新的數據處理演算法。

Intel對過去這麼多年的一個總結是，我們現在並沒有達到物理上的極限，我們已經做出了2nm寬度的晶體管，也做出了5nm寬度的連線，但是只知道把元器件做小還不夠，怎樣才能在精準的工藝下同時生產百億千億個晶體管，這才是最重要的問題。

此外我們還要應對各種各樣的變化需求，我們要去了解怎樣通過各種集成方式以及各種新架構、新數據處理方式來快速解決這些問題，而不是完全依靠CMOS的微縮技術。摩爾定律還將繼續演進，只不過是將以不同的形態、不同的方式往前推進。

如果將Intel過去的研究映射到產品線上，可以看到很多不同節點上的產品，比較直接的例子就是45nm節點時的High-K金屬柵極，實際上就是同時利用全新的化學工藝和全新的材料，來製造全新結構的元器件。22nm節點時的3D Finfet晶體管也是同樣的例子，我們目前也已經對5nm節點時的晶體管製造有了清楚的認知。

Intel一直在聯合產業界及學術界共同追蹤半導體工藝的演進，每年都會對半導體器件的性能進行評估。圖上的每個點都代表一種新的器件，兩個坐標軸分別是功耗和開關性能。我們都希望半導體元器件的表現處於圖的左下角，而右上角則是新興的基於自旋電子的磁器件。磁器件的穩定性和開關速度相比現行的電器件要差，不過從過去幾年的趨勢來看，我們已經發現了一些提高磁器件開關性能以及優化電路連接的好方法。

同時，通過這些研究，我們可以進一步發現如何更好的在電路中使用晶體管，如何將新式晶體管與新架構、新功能相結合。Intel從統計圖上得出的結論是，CMOS目前所處的位置還是很不錯的，其功耗和性能表現要優於大部分望半導體元器件。至少在最近的10年里，我們還是要以CMOS為主來製造晶元，其他的新技術可以與CMOS混合使用以提高性能、降低功耗或降低價格。

可能有人會問，為什麼有些看起來很好的技術卻沒能在產業領域獲得成功？從Intel對摩爾定律的觀點來看，可以用「用戶價值三角」來解釋這一情況。用戶價值三角指出，經濟上的效益要強過技術上，也就是說經濟的驅動力會更強，Intel在推動摩爾定律的過程中，也通過許多不同的方式來解決經濟學效益的問題。

舉個例子，我們知道在整個計算機系統的發展過程中，隨著CPU速度的快速提升，內存遇到了容量不夠大、帶寬不夠高、延遲不夠低等問題。怎麼分別解決這些問題呢？其實業界早已弄清降低內存延遲的方法，但是所需的成本非常高，遠不如直接提高內存的容量密度，因此從經濟學效益來講，業界最終選擇了重點解決容量問題。

另外一方面，3D內存是一項難度很高的技術，在經濟學的驅動下，人們最終成功研發出了3D NAND技術和3D XPoint技術。所以與產業界及學術界夥伴合作，可以解決我們遇到的許多技術與經濟效益之間的矛盾。

而在之前提到的異構集成方面，Intel也有許多技術成果，我們稱其為「混搭」異構設計。我們可以把不同節點上做出的晶元die以2D/2.5D/3D的方式封裝起來，保證其互聯帶寬並降低功耗，這也是Intel持續推動摩爾定律的一項關鍵技術。

（雷鋒網註：此處的混搭異構設計，即為Intel在去年的Hot Chips大會上公布的名為EMIB（Embedded Multi-die Interconnect Bridge，嵌入式多晶元互連橋接）的技術）

我們現在知道，終端設備的多樣性已經近在眼前，但終端設備受限於尺寸、功耗、價格，可以發揮的空間不是很大，而環境計算或邊緣計算則是可以更好的部署計算能力的場景。同時，目前的雲計算規模越來越大，即便其中的一小塊的算力都非常強大，哪怕是0.1%的需求也足以支撐一顆定製晶元的研發，因此阿里巴巴和谷歌都在自主研發雲計算處理器。

Intel目前正在同時推動這幾塊內容，這麼多種不同的技術一起向前推進，可以為我們帶來非常多樣性的未來。

從DARPA的曲線來看，我們正處於從第二階段向第三階段走的步驟。對於一個智能系統來講，我們希望其感知能力、學習能力、抽象能力和推理能力都很強，只有這樣我們才能認為這是一套真正智能的系統。

但現在我們通過深度學習，只是把系統的感知能力和學習能力提升到比較高的水平，而抽象能力和推理能力甚至還不如上一階段。DARPA曲線的第三階段實際上要解決的是如何整合這四方面的能力，通過硬體支撐起這樣一套智能系統。

我們舉一個現實的例子，剛剛講的這種集感知、學習、抽象和推理能力於一體的系統，我們稱其為「智能自主系統」，這種系統的典型案例就是無人駕駛。無人駕駛系統要能看到環境中的路標，接受各種信號指示；還要能夠根據觀察到的東西和自身知識來做出行動指導，實時且準確的選擇出口、匝道、交叉路口等。

我們可以把這些能力抽象為感知、決策、行動三大類。感知層以多路視覺為主，可能還會有多線3D雷達，因此要求強大的並行計算能力；決策層以感知層處理過的抽象信息為主，需要結合知識和規則做推理，因此需要強大的串列計算能力；而行動層必須在確定的時間點完成執行過程，因此需要強大的實時處理能力。

這三部分需要不分先後的同時工作，而且如果我們希望這一系統具有學習能力和適應能力，還要能夠將更多未知的世界狀態變為已知。因此想要實現智能計算這一遠大目標，我們晶元行業還有許多事情要做。

從已有的思路進行鑒定式的研究，我們認為可重構計算是一項必須要做的事。通用計算和串列計算都可以通過CPU來處理，但並行計算需要有專門的器件來做，以FPGA為例，我們可以通過FPGA實現高度並行運算的硬體加速。因而我們可以通過結合通用和定製硬體來為未來的多樣性應用提供加速。

有了這樣的硬體基礎後，我們還要考慮如何讓程序員使用。很多時候新晶元不是死在性能和技術上，而是死在程序員用不好甚至不會用；還要和系統軟體對接，讓系統可以無縫切換到加速處理器上；最重要的是要有更強的安全性。

而如果跳出之前的漸進式思路，換用變革性的思想來解決智能計算又該怎樣？首先要轉變計算模式。

傳統的計算模式是先畫出流程圖，再根據流程圖編程，這是靠人的思維來解決問題並編寫程序，程序員是這一階段中最大的價值所在；現在我們在做感知任務的時候，程序員已經不知道如何去描述感知計算的過程，也無法畫出流程，但我們有大量經過標註的清晰數據，可以通過深度學習模型訓練出一套計算過程，在這一階段，數據科學家和演算法工程師身價倍增。

再往前一步，如果想真正像人腦一樣搞定感知、學習、抽象和推理等多種計算，我們需要研究神經擬態計算。神經擬態計算可以模仿人的大腦結構，讓多種計算過程可以同時進行，並且可以和外界交互，通過觀察和反饋來繼續學習。

更厲害的是量子計算。量子計算可通過糾纏在一起的量子位來進行高度並發的大量計算，但目前的問題在於量子糾纏的狀態極不穩定，計算過程容易出錯，我們未來要解決的是量子計算錯誤率的問題。

在這幾個方面，Intel都有相應的工作在進行。先來看一下神經擬態晶元，這是一個非馮·諾依曼架構的晶元，完全把存儲和計算單元融合在了一起，模擬了神經元和神經元之間的連接，是一種非同步控制的晶元。神經擬態晶元可以在片上進行自學習，支持無監督學習、監督學習、自監督學習和強化學習模式，目前Intel已經有14nm和10nm的神經擬態晶元樣片，並在國內大學和企業間開展合作，推動神經擬態晶元的發展。

而在量子計算方面，Intel正在進行兩個方向的研究，其一是目前學術界應用比較多的基於超導量子位的傳統計算方式，Intel已經在7、17、49三種量子比特節點上進行了大量實驗。同時Intel還在觀察，當新技術出現後，怎樣才能讓用戶產生非用不可的意願，是什麼阻擋了用戶從早期接納者轉變為大眾使用者。

這些思考已經超越了晶元技術本身的思考，希望大家與我們一起合作，推進後摩爾定律時代的發展。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！