人工智慧時代，我們需要什麼樣的晶元？

作者 | 特倫斯謝諾夫斯基

責編 | 屠敏

本文內容經授權摘自《深度學習 智能時代的核心驅動力量》

從AlphaGo的人機對戰，到無人駕駛汽車的上路，再到AI合成主播上崗......無形之中，人工智慧正以前所未有的發展速度滲透我們的日常生活。而作為人工智慧的核心技術之一，人工智慧晶元也向來備受關注。

近幾年，谷歌、蘋果、微軟、Facebook、英特爾、高通、英偉達、AMD、阿里巴巴、百度等科技巨頭紛紛入局，開始自主研發人工智慧晶元。而在此趨勢之下，作為 IT 從業者，你是否有了解晶元的起源？又是否想過下一代晶元需要具備哪些特性才能更好地滿足我們的需求？

接下來，我們將從世界十大AI科學家之一特倫斯·謝諾夫斯基的《深度學習 智能時代的核心驅動力量》技術圖書中一窺究竟。

新一代晶元的趨勢

我們正在目睹電腦晶元行業一個新格局的誕生。該領域的競爭主要在於如何設計和製造新一代的晶元，能夠運行學習演算法——不管是深度學習、強化學習還是其他的學習演算法——比在通用計算機上的模擬學習演算法快上幾千倍，能耗也更低。新的超大規模集成電路晶元採取並行處理結構，帶有內存，能夠緩解在過去 50 年裡主導計算的順序馮·諾依曼構架中內存和中央處理器之間的瓶頸。在硬體層面，我們還在探索階段。每種具有特殊用途的超大規模集成電路晶元都有不同的優點和局限性。運行人工智慧應用的大型網路需要巨大的運算能力，因此，構建高效的硬體有著巨大的贏利空間。

主要的電腦晶元公司和初創公司都在開發深度學習晶元上投入了大量資金。比如，2016 年，英特爾用 4 億美元併購了 Nervana，這是一家來自聖迭戈的初創公司，主營設計深度學習的專用超大規模集成電路晶元。Nervana 前 CEO 納維恩·饒（Naveen Rao）現在負責領導英特爾新設立的 AI 產品部，直接報告給英特爾的 CEO。2017 年，英特爾用 153 億美元併購了 Mobileye，該公司專註於生產自動駕駛汽車的感測器以及計算機視覺系統。英偉達（Nvidia）開發了能夠優化圖形應用程序和遊戲的專用數字晶元，稱為圖形處理器（graphics processing units，GPUs），目前正在銷售更多為深度學習和計算設計的專用晶元。而谷歌則設計生產了一種更為高效的專用晶元——張量處理單元（tensor processing unit，TPU），以助力為其互聯網服務的深度學習。

不過研發專用軟體和發展深度學習應用同樣重要。谷歌開源了它的深度學習項目 TensorFlow，儘管該做法並沒有看起來那麼無私。比如讓安卓系統免費開源，就給了谷歌對全世界絕大多數智能手機操作系統的控制權。現在除了 TensorFlow，還有其他一些開源選擇，比如微軟的 CNTK，亞馬遜和其他大型互聯網公司支持的 MVNet，以及其他深度學習程序，比如 Caffe、Theano 和 PyTorch。

神經形態晶元

2011 年，我在挪威的特羅姆瑟組織舉辦了由 Kavli 基金會贊助的「綠色環境中高性能計算的發展」（Growing High Performance Computing in a Green Environment） 研 討 會。我 們 估 計，使用當前的微處理器技術，百億億次級（exascale）計算［比千萬億次級（petascale）計算強大 1000 倍］需要 50 兆瓦的功率 ，比運行紐約市地鐵所需的功率還多。因此，下一代超級計算機可能不得不使用像英國跨國半導體公司 Arm Holdings（ARM）為手機開發和優化的那種低功耗晶元。很快，在大多數計算密集型應用中使用通用數字計算機將不再可行，專用晶元將佔主導地位，因為它們已經被嵌入手機中了。

人類大腦中有大約 1000 億個神經元，每個神經元都與其他數千個神經元相連接，總計達 1000 萬億個（1015）突觸連接。大腦運轉所需的功耗大約是 20 瓦，占整個身體運轉所需功率的 20 %，儘管大腦僅占身體質量的 3%。相比之下，一台遠不如大腦強大的千萬億次級超級計算機，功耗卻為 5 兆瓦，是大腦功耗的 25 萬倍。大自然是怎麼創造出這一高效奇蹟的呢？首先，神經元接收和發送信號的部分被微縮至分子水平。另外，神經元是在三維空間上連接的（微晶元表面的晶體管僅在二維平面上相互連接），這樣就可以使所需空間最小化。由於大自然很久以前就進化出了這些技術，想要追趕大腦的能力，我們還有很多工作要做。

深度學習是高度計算密集型的，該過程目前在中央伺服器上完成，計算結果會被傳送到手機等周邊設備。最終，周邊設備應該是自主運行的，這就需要完全不同的硬體——比雲計算輕得多，耗電也更少。幸運的是，這樣的硬體已經存在了，即受大腦啟發設計出的神經形態晶元。

視網膜晶元

1983 年，我在匹茲堡郊外一個度假村裡舉行的研討會上第一次見到了卡弗·米德（Carver Mead）。米德向我們展示了一個硅視網膜，它使用了與超大規模集成電路晶元相同的製造技術，但使用了模擬而非數字電路。在模擬電路中，晶體管上的電壓可以連續變化，而數字電路中的晶體管只能採用「開」或「關」兩個二進位值中的一個。人的視網膜上有一億個光感受器，與相機將信息從光子桶（photon buckets）傳動到記憶體的方式不同，視網膜具有多層神經處理功能，可將視覺輸入轉換為高效的神經編碼。視網膜的所有處理過程都是模擬的，直到其編碼信號到達神經節細胞，神經節細胞將這些信號沿著 100 萬個軸突，以「全或無」的放電脈衝形式傳送到大腦。脈衝信號的「全或無」特徵就像數字邏輯，但放電脈衝的時間是一個模擬變數，沒有時鐘同步，因此放電脈衝序列是一種混合編碼。

1976 年的卡弗·米德。正是在那段時期，他在加州理工學院創造了第一個硅編譯器。卡弗是一位有遠見的人，他的洞察力和引領的技術進步對數字和模擬計算產生了重大影響。桌上的電話暗示了照片的拍攝時間。圖片來源：加州理工學院。

在米德的視網膜晶元中，處理過程的分級部分是通過使用位於閾值拐點以下，從「關」到接近「關」狀態的電壓來完成的。與之相反，在數字模式下運行時，晶體管迅速跳到完全「導通」的狀態，這需要消耗更多的功率。因此，模擬超大規模集成電路晶元僅消耗數字晶元所需能耗的一小部分，從納瓦到微瓦，而不是從毫瓦到瓦，能量效率提升了數百萬倍。米德是神經形態工程的創始人，他致力於構建基於大腦式演算法的晶元，在 1989 年，他表明嵌入在昆蟲和哺乳動物眼睛神經環路中的神經演算法，可以有效地複製到晶元上。

視網膜晶元是米德的明星研究生米莎·馬霍沃德（Misha Mahowald）於 1988 年創造的一項令人印象深刻的發明。她在加州理工學院讀本科時主修的是生物學。在研究生階段，她從事的是電子工程領域的工作。這兩個領域的結合所帶來的洞見幫助她獲得了四項專利。1992 年，她的博士論文描述了在晶元上的實時雙目匹配，這是第一個真正使用集群行為完成艱巨任務的晶元。為此她獲得了加州理工學院的米爾頓和弗朗西斯·克拉澤獎（Milton and Francis Clauser Prize）。1996 年，她的名字還被列入了國際技術女性（Women in Technology International，WITI）名人堂。

1982 年，加州理工學院的米莎·馬霍沃德作為卡弗·米德的學生，創造了當時世界上第一個硅視網膜。她對神經形態工程的貢獻是開創性的。圖片來源：托比·德爾布呂克。

晶體管在閾值附近的物理特性，與生物膜中離子通道的生物物理特性之間存在密切的對應關係。馬霍沃德與牛津大學的神經科學家凱萬·馬丁（Kevan Martin）和羅德尼·道格拉斯（Rodney Douglas）合作開發過硅神經元，並隨同他們一起搬到了蘇黎世，幫助他們在蘇黎世大學和瑞士聯邦理工學院建立了神經信息學研究所。然而後來，在經歷了抑鬱症的折磨之後，米莎於 1996 年結束了自己的生命，時年 33 歲。一位傑出的新星就此隕落。

硅神經元。該模擬大規模集成電路晶元具有類似於神經元中離子通道的電路，能夠實時對神經迴路進行模擬操作，正如米莎·馬霍沃德在晶元上繪製的卡通圖所示。圖片來源：羅德尼·道格拉斯

本文摘自《深度學習 智能時代的核心驅動力量》

想了解學習，讀這一本就夠了。

文科生也能看得懂的前沿通識作品。

世界十大AI科學家、美國四院院士力作

谷歌前雲AI負責人李飛飛、AI教父傑弗里·辛頓重磅推薦，微軟小冰之父李笛作序。

學習會擴大你的認知，人工智慧不是生存威脅

《深度學習 智能時代的核心驅動力量》

作者：特倫斯謝諾夫斯基

這本書所講的內容，與每個人的生活息息相關。AlphaGo、自動駕駛、語音識別、智能翻譯、AI、圖像識別……你所看到的各種形式的人工智慧，背後都是學習在發揮作用。這本書將告訴你，學習有哪些之處，並對你產生哪些影響。

內容提要：

全球科技巨頭紛紛擁抱學習，自動駕駛、AI、語音識別、圖像識別、智能翻譯以及震驚世界的AlphaGo，背後都是學習在發揮的作用。學習是人工智慧從概念到繁榮得以實現的主流技術。經過學習訓練的計算機，不再被動按照指令運轉，而是像自然進化的生命那樣，開始自主地從經驗中學習。

本書作者特倫斯·謝諾夫斯基是全球人工智慧十大科學家之一、學習先驅及奠基者，親歷了學習在20世紀70年代到90年代的寒冬。但他和一眾開拓者，利用大數據和不斷增強的計算能力，終於在神經網路演算法上取得重大突破，實現了人工智慧井噴式的發展。

作為學習領域的通識作品，本書以恢弘的筆觸，通過3個部分全景展現了學習的發展、演變與應用，以親歷者視角回溯了學習浪潮在過去60年間的發展脈絡與人工智慧的螺旋上升，並前瞻性地預測了智能時代的商業圖景。

目前，CSDN聯合中信出版社，

針對CSDN用戶推出

限時6.5折的優惠價!

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！