新思科技Chekib：AI晶元架構創新面臨四大挑戰

智東西（公眾號：zhidxcom）文 | 心緣

3月15日，上海，由智東西主辦、AWE 和極果聯合主辦的 GTIC 2019 全球 AI 晶元創新峰會成功舉辦！峰會現場延續上一屆的火爆場景，全場從開幕到下午結束座無虛席，而且有不少熱情觀眾堅持站著聽完峰會全程。

20位海內外 AI 晶元業界大咖齊聚一堂，圍繞 AI 晶元在架構創新、生態構建、場景落地等方面的技術前景和產業趨勢「華山論劍」。

本屆峰會報名參會的觀眾覆蓋了近4500家企業，到會觀眾極為專業，其中總監以上級別佔比超過62%，現場實際到會人數超過1800位。

新思科技全球戰略項目副總裁 Chekib Akrout

談及 AI 晶元，除了晶元本身、IP、代工、晶圓等元素外，EDA 廠商在其中所承載的價值亦不容忽視。作為全球第一大 EDA 解決方案提供商，新思科技（Synopsys）長期致力於提供適合開發複雜集成電路的設計工具。

當 AI 技術春回大地，新思科技也敏感地覺察到 AI 技術將對上游的應用帶來的衝擊，早早將 AI 引入其業界先進的設計工具之中，力圖為晶元帶來前所未有的自動化設計新高度。

在 GTIC 2019 峰會現場，新思科技全球戰略項目副總裁 Chekib Akrout 發表了題為《為下一代 AI 晶元的架構探索與設計賦能》的演講，探討當下和未來 AI 晶元架構發展將面臨的一些挑戰和機遇、新一代 AI 晶元的驅動力，並分享了新思科技在幫助客戶進行 AI 晶元開發所做的一系列努力。

Chekib Akrout 將 AI 視作火、土、氣、水之外的第五元素，他認為，AI 晶元架構設計面臨製程升級、集成度提高、算力需求暴增、功耗管理等挑戰，同時脈衝神經網路、預測和解釋、計算複雜性等問題都有極大的優化空間。

他還提到，應用自動化設計工具將是加速 AI 晶元應用的重要手段。為了推進 AI 晶元架構創新，新思科技推出了專用的AI晶元設計套件來賦能下游企業，這一套件能實現晶元設計的架構優化與應用優化，支持端到端的軟硬體一體方案，同時可搭建對機器學習數據進行預處理的架構。

這些針對性的基礎設施將大大提升晶元設計的自動化水平，從而降低AI晶元的設計難度，提高AI晶元設計、驗證乃至最終投入使用的速度。

附新思科技全球戰略項目副總裁 Chekib Akrout 演講實錄

Chekib Akrout：非常高興來到上海，天氣是如此的晴朗，藍天白雲令人心情愉悅。聽到很多關於新架構、新晶元的進展，對於產業而言無疑是好消息。接下來，我將會講述我們關於新一代 AI 晶元架構發展的一些觀點。

當你聽說 AI 晶元熱潮的爆發，你總想知道是否另一個 AI 寒冬會歸來，一切節奏都會變得緩慢，需要很長的時間來等待 AI 東山再起，這一領域的投資也會放緩。

我們首先看一下 AI 的定義，它是開發和應用表現認知行為的方法和系統的跨學科信息科學，有專門的 AI 學科和方法論，它的特徵包括學習、泛化、歸納與演繹推理等，同時機器意識、自組裝、自我複製、AI 社交網路等正在成為 AI 新的「標籤」。

一件很有意義的事情是思考 AI 的終極形態是什麼？這是一個「奇點」，可能需要量化計算和類腦計算。我們相信 AI 最終會達到人類智慧的水平。在物理或數學中，AI 可能呈現一個指數式的進化過程。從這個進化底層來看，我們始於承載延續生命重任的 DNA、RNA 等基因型及其顯性性狀，陸續發展到研究人類大腦，下一步就是信息技術，世間萬物都在提供信息，再往後發展，或許就是生物與數字化技術的混合。

很多人疑惑為什麼我們有五種基本自然元素，它們分別是火、土、氣、水，第五元素被命名為 AETHER，寓意宇宙，這就是我所相信的 AI 的形態，它會給提供深度的信息數據供人類收集和分析，幫助我們更好地理解這個世界。

下面，讓我們思考一下現在所處的發展階段，以及面臨的一些挑戰和機遇。

我們在此前演講中聽到的 AI 晶元2.0、scale up 和 scale out，這些 AI 晶元架構都正面臨著機遇和挑戰。

首先，大多數數據是靜態的，其中不包含時間的概念。有一種脈衝神經網路 SNN（Spike Neural Network），它可以實現對脈衝序列中包含的時間信息的學習。

思考哪一種 AI 機器學習將從其他機器那裡學習，並得到一種機器學習監督者，同樣會帶來很多機會。

另一個機會在於預測和解釋，我們有越來越多的深度學習層，這些就像黑匣子一樣是不可解釋的。而機器學習可以統一現有的強大力量來幫助我們進行預測和對神經網路深層的解釋。

計算複雜性同樣不容忽視，比如我們可能聽說過的 P、NP、 NP 完全和 SAT 問題都亟待解決，以及量子計算的概率部分，這些都是機器學習和新架構應當思考的問題。

現在我想再說一下新架構——類腦計算，它模仿大腦來處理信息，有望把類似大腦的突觸做到晶元上，很多人正在進行此類研發工作。我認為這一架構或許會超越來自 CPU、GPU 及其他特殊的微架構帶來指數級增長。

AI 應用領域非常廣闊，每個領域都包含不同的方法、演算法、需要解決的問題、商業目標和最終目標。比如自動駕駛汽車催生了對 AI 晶元和AI 能力的需求，著名的戰勝人類圍棋冠軍的 AlphaGo 適用越來越優化的強化學習。

還有很多其他領域也在取得進步，比如另外 AI 還涉及軟體升級、語音識別、機器翻譯、輔助醫生診療等。其中，對 AI 晶元架構而言，AI 晶元設計領域格外重要，它將智能計算帶到從特定的系統規格到最終產品的整個晶元設計流程之中，使得機器可以通過學習進行獨立的晶元設計，你可以稱之為「自動化設計」。

我們能做什麼來助力更多 AI 晶元功能的實現？這一領域，我們能做的其實很多。比如說矽谷就非常的關注在這一領域的開發，我們看到它的這個領域的投資回報如何，比如說光刻技術越發精細， 7nm、5nm、3nm 製程工藝陸續浮出水面，來幫助提升晶元的產能，而不僅僅只是投資上面的回報。

晶元設計也在持續提高系統集成度，設計優化將探索如何使 AI、機器學習在整個集成電路上達到全局最優，算力需求的暴漲致使數據收集以及如何使資源的應用得到更多的部署成為難題。另外，晶元本身功耗、功率的控制和管理也是計算處理的核心挑戰之一，有很多完善的空間。

在新思科技，我們如何引入 AI 為我們的產品賦能？我們的設計安裝工具有 AI ，不僅加速了檢查驗證過程，提高了結果質量得到加速，還幫助優化功耗和性能。在雲端，我們可以用更多的 AI 處理能力，提供更多的數據中心解決方案。

在新的方向，我們如何提供新的工具幫助客戶進行 AI 晶元的開發？我們推出了專用的AI晶元設計套件來賦能下游企業，這一套件能實現晶元設計的架構優化與應用優化，支持端對端的軟硬體一體解決方案，同時可搭建對機器學習數據進行預處理的架構。另外我們也在開發新的機器學習基礎設施，來為機器學習準備數據。這些基礎設施將有助於提升自動化設計水平，降低 AI 晶元設計難度，並提高AI晶元設計、驗證乃至最終投入使用的速度。

對於 AI 從業者、實踐者來說，放眼未來，我們又有著怎樣的機遇和挑戰？我們也對此進行了總結並分為四類。

首先，監督式機器學習需要大量被標記的數據來做訓練，我們並不知道最終關於監督式的機器學習會走向什麼樣的程度，強化學習、在數據流中的監督和非監督學習正在被進一步探索。

另一個就是大數據集，所有的機器學習需要非常大的數據集，受限於法律規章和數據保護規則的限制，要獲取超大規模數據集並非易事。最終我們可能會通過從少量數據中進行一次性學習和類比學習，其後再進行進一步的大數據的分析。

第三，我們還需要進一步的分析和解釋最終的結果，深度學習就像一個黑盒子，你很難知理解裡面發生了什麼，簡化網路和限制特徵值或許會有所幫助。

最後，泛化能力同樣不容忽視，新的重量級訓練方式需要更多的數據，需要我們從一類數據集進行遷移學習，並將新的訓練最小化到效數據集。經過一代又一代的迭代更新，確保我們的性能能夠做的更好。

從一個數據集到另一個數據集到更多數據挖掘，這些都是我們所需要的一些先決條件。當前的 AI 晶元架構，有 CPU 、GPU 的部署，還有 FPGA、ASIC 等定製化微架構。未來我們會進行更多定製化的產品和服務的提供，這些都是值得深思的問題。

新一代的 AI 晶元架構有哪些驅動因素呢？除了功能更強大的處理器，更優化的功耗等性能外，還有更多其他的驅動因素。

人腦智能和人工智慧正在有更多的交集，人腦存儲數據的容量有限，而人工智慧可以進行很好的補充和提升。同時人類擅長分層思考，可以根據相似性判斷因果關係，認識到這個世界正在變化中，並信任近似的答案。

有些時候我們的機器可能不知道怎麼樣去處理這種關聯關係，所以我們需要去思考一下我們將會有什麼樣的架構，我們到底需要什麼樣的架構。這是我們最需要去追求的最終目標，它可以幫助我們更好地利用 AI 中的常識和推理。

深度學習的結果也是在我們期望之外的，我們根本沒有想到它會有這樣巨大的發展。而隨著數據的規模和標記難度等問題的凸顯，強化學習、先進演算法催生的新觀點正在快速發展中。

此外，量子計算將會帶來性能的飛躍，5G、硅光子和新架構等技術也都在推動我們達到下一個層面的深度學習。5G 迫使我們需要了解到如何快速處理數據，並解決延時等問題可以；矽片晶體的進步既需要更強的數據處理能力，同時也可以給 AI 晶元帶來更好的發展。當我們想發展新的架構時，這些基礎問題的重大突破是非常重要的。

最後，我可能會講一些非常重要的問題。大家有沒有聽過盲人摸象的故事，每個人都蒙著眼睛去摸大象的一個局部，摸到象鼻的人以為是蛇，摸到象腿的人以為是樹，摸到象尾巴的人以為是繩子，誰也不能確切知道大象究竟長什麼樣。AI 就像那個大象，我們所知不過冰山一角，對於所有人來說，我們要去繼續學習和探索如何利用機器學習和 AI 的能力。

非常感謝大家！

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！