AI和機器學習以及深度學習子集可用于極大地改善芯片內(nèi)特定功能的控制和性能，它們能夠在現(xiàn)有設(shè)備之上分層，集成到新設(shè)計中，允許其應(yīng)用于更大范圍的功能中。

AI提供了許多好處。其中：

它通過更稀疏的算法或數(shù)據(jù)壓縮來改變特定功能的準確性，從而增加了粒度，提高性能并降低功耗;

它提供了將數(shù)據(jù)作為模式進行處理的能力，有效地提高了計算的抽象級別并增加了軟件的密度;

它允許處理和存儲器的讀寫作為矩陣完成，并大大加快了這些操作。

但AI還需要重新思考數(shù)據(jù)如何在芯片中運行：應(yīng)用于邊緣還是數(shù)據(jù)中心，因為無論在哪一方面，處理和存儲的數(shù)據(jù)量都是巨大的。

新的起點

從好的方面來說，AI提供了一種平衡高精度結(jié)果的方法，而不是使用更多精度更低的元素來實現(xiàn)足夠高的精度。在語音識別的情況下，精度遠不如在安全應(yīng)用中的面部識別或自動駕駛車輛中的目標識別那么重要。人工智能帶來的是在特定應(yīng)用程序需要時撥入這些結(jié)果的能力。

芯片中應(yīng)運用AI，實際是關(guān)于數(shù)據(jù)的質(zhì)量、數(shù)量和移動。這需要一種不同的方式來看待設(shè)計，包括團隊之間的協(xié)作。

“計算非常簡單，壓縮/解壓縮數(shù)據(jù)也簡單，但在內(nèi)存中存儲和加載數(shù)據(jù)并不簡單，”Arm研究員 Jem Davies說，“要構(gòu)建這些系統(tǒng)，你需要特定領(lǐng)域的專家，比如機器學習專家和一些優(yōu)化以及性能方面的專家。”

他指出，機器學習可以影響系統(tǒng)中的所有內(nèi)容，其中大部分都隱藏在視圖之外。

“有些是用戶看不見的，”Davies說，“它被用來改善電池壽命。在相機內(nèi)也有運用的機器學習方法。“

人工智能最適用于神經(jīng)形態(tài)方法和不同的記憶結(jié)構(gòu)，其中，數(shù)據(jù)可以作為矩陣來處理。使工作最佳化需要遠遠超出處理器的架構(gòu)。它需要在內(nèi)存中來回傳輸大量數(shù)據(jù)，并且需要更改內(nèi)存，以便可以從左到右和上下左右寫入和讀取數(shù)據(jù)。

“許多架構(gòu)改進是軟件和硬件的結(jié)合，”Cadence音頻和語音IP產(chǎn)品營銷總監(jiān)Gerard Andrews說，“這并不一定能提高各個處理器的整體性能，但它確實增加了功耗和內(nèi)存效率。”

實際上，這使得軟件方面的設(shè)計具有更高的密度，并且加速了數(shù)據(jù)在內(nèi)存中的移動。“我們看到的問題是內(nèi)存不會有效縮小，而且識別錯誤率正在上升，”Andrews說，“我們正在探索算法的稀疏性，以降低功耗并提高性能。”

這只是觸及正在發(fā)生變化的表面，而這些變化正在迅速發(fā)生。

“內(nèi)存子系統(tǒng)中發(fā)生的事情是不連續(xù)的，而且是和突然的，”Achronix的系統(tǒng)架構(gòu)師Kent Orthner說，“由于需要大量數(shù)據(jù)管道，因此其開發(fā)了許多關(guān)于如何移動數(shù)據(jù)的架構(gòu)。對于相對較淺的內(nèi)存使用來說，這是一個巨大的障礙。“

正在探索減少數(shù)據(jù)流量的新方法之一是尖峰神經(jīng)網(wǎng)絡(luò)。因此，它們不是一致地發(fā)射信號，而是像人腦中的信號一樣飆升。

AI風險和混亂

但是，AI也存在一定程度的風險，具體取決于應(yīng)用和精確度。

過去電子系統(tǒng)的設(shè)計基于邏輯的完全可預測性，其中大部分都是硬連線的。AI將計算精度替換為可接受行為的分布。目前尚不清楚現(xiàn)有工具或方法是否會提供與設(shè)備在該分布范圍內(nèi)相同的置信度，特別是在系統(tǒng)出現(xiàn)損壞或退化的情況下，以及檢測到任何異常行為的速度。

對于如何應(yīng)用人工智能也存在一些困惑。目前，很多芯片并不是專門為人工智能開發(fā)的，它們都經(jīng)過了修改和覆蓋，以更有效地利用人工智能。

總的來說，這符合人工智能的初衷，這項技術(shù)是在全行業(yè)競爭的背景下出現(xiàn)的，用以提高相同或更低功率的性能。

對于針對AI培訓或推理的芯片，或者針對利用AI功能的芯片內(nèi)的處理器和加速器的芯片，一般的共識是使用不同的芯片架構(gòu)可以實現(xiàn)幾個數(shù)量級。但它并不適用于所有情況，并且有許多變量，例如訓練數(shù)據(jù)的大小和值，可以使AI對某些應(yīng)用程序無用。在其他情況下，性能提升100倍被認為是保守的。

Synopsys的戰(zhàn)略營銷經(jīng)理Ron Lowman說：“應(yīng)用程序和算法都存在挑戰(zhàn)，處理器和存儲器芯片也面臨著挑戰(zhàn)。這使得探索對于AI架構(gòu)更為重要，而且這也是CCIX(加速器的高速緩存一致性互連)變得如此受歡迎的原因之一。越來越多的客戶正在尋求架構(gòu)的探索。每個人都在努力建立新的架構(gòu)來模仿大腦。”

此外，還有一種小型處理器，其與各種針對不同數(shù)據(jù)類型定制的新型加速器相關(guān)聯(lián)。并且，還存在很多關(guān)于數(shù)據(jù)壓縮和量化的工作。

“正在進行從32位浮點移動到8位浮點的工作，”Lowman說，“現(xiàn)在的問題是你是否可以采用單比特進行量化。”

量化涉及將大量輸入值映射到較小的輸出值集合，并且最大的擔憂是可接受的精度損失。通過足夠的傳感器或數(shù)據(jù)輸入，理論上可以最小化該錯誤率的影響，但這非常依賴于應(yīng)用程序。

沿著這些方向的另一種方法涉及源同步，特別是對于數(shù)據(jù)中心中的AI芯片，這促使片上網(wǎng)絡(luò)拓撲發(fā)生變化。網(wǎng)絡(luò)中的所有目標都接收相同的數(shù)據(jù)，使用多播方法可以更有針對性地利用數(shù)據(jù)。

“通過多播，您可以對多個目的地進行一次寫入，”Arteris IP營銷副總裁Kurt Shuler說。

AI芯片的一個問題是它們往往非常大。“最大的問題是時鐘樹，”Shuler說，“這需要同步通信，因為如果你以異步方式處理通信，會占用很多區(qū)域。此外，更有可能在大芯片上出現(xiàn)路由擁塞。解決這個問題的方法是創(chuàng)建虛擬通道鏈接，這樣可以減少連線數(shù)量并通過一組線路共享通信。”

計劃過時

另一個部分涉及能夠與定期更新的算法保持同步，并影響將哪種處理器添加到使用AI的芯片中。其中每一個都會影響芯片內(nèi)數(shù)據(jù)的移動以及用于該數(shù)據(jù)的處理器類型。

CPU和GPU主要通過軟件提供一些可編程性。 DSP和FPGA提供固件/硬件的可編程性。嵌入式FPGA將可編程性直接添加到SoC或多芯片封裝中。

選擇處理器類型也取決于終端市場應(yīng)用。例如，對于汽車或工業(yè)環(huán)境中的安全關(guān)鍵應(yīng)用，該技術(shù)將保持最新狀態(tài)，并且響應(yīng)足以與道路上的其他車輛或工廠中的其他設(shè)備兼容。

eSilicon創(chuàng)新高級主管CarlosMacián表示，“當我們討論面向未來的問題時，問題不在于它是否有效。作為開拓者的TPU表明，可以實現(xiàn)數(shù)量級的改進。但是對于新的工作負載，如果沒有優(yōu)化ASIC，你可能只會提高3倍。“

提高數(shù)據(jù)質(zhì)量有助于解釋為什么算法變化如此之快以及為什么現(xiàn)場可升級性對于某些設(shè)備而言至關(guān)重要。但是這些更改也會對性能產(chǎn)生影響，如果不在硬件中添加一些可編程性，就無法對其進行說明。問題是可編程性有多大，因為可編程邏輯比調(diào)整到軟件的硬件慢得多。

結(jié)論

與許多其他半導體增長市場不同，AI是一種橫向技術(shù)。它可以應(yīng)用于各種垂直市領(lǐng)域，并可用于為這些市場開發(fā)芯片。它還可用于使現(xiàn)有芯片更高效。

這僅僅是人工智能革命的開始，其影響已經(jīng)非常顯著。隨著設(shè)計團隊越來越精通這項技術(shù)，將對他們?nèi)绾卧O(shè)計芯片、這些芯片如何與其他芯片交互產(chǎn)生重大影響，并將為工具、硬件、軟件的開發(fā)人員創(chuàng)造新的機會，甚至可能提供全新的市場。