尋夢新聞LINE@每日推播熱門推薦文章，趣聞不漏接❤️
文章目錄[ 隱藏 ]
- 《白皮書》內容簡述：
- 附白皮書下載鏈接：
雷鋒網消息，12月10日~11日，由北京未來晶片技術高精尖創新中心和清華大學微電子學研究所聯合主辦的「第三屆未來晶片論壇：可重構計算的黃金時代」在清華大學主樓舉辦，並正式發布了《人工智能晶片技術白皮書（2018）》（以下簡稱《白皮書》）。
部分白皮書編委會成員合影：從左至右依次為劉勇攀、尹首一、X.Sharon Hu、Kwang-Ting Tim Cheng、 魏少軍、唐杉、Yiran Chen、吳華強。
魏少軍首先介紹了白皮書的編寫背景，對編委會成員的辛勤付出表示感謝。他講到，人工智能正逐漸發展為新一代通用技術，加快與經濟社會各領域滲透融合，已在醫療、金融、安防、教育、交通、物流等多個領域做到新業態、新模式和新產品的突破式應用，帶動生產流程、產品、信息消費和服務業的智能化、高附加值轉型發展。
作為人工智能應用做到的物理基礎和關鍵支撐，晶片已成為人工智能領域的研究和創業熱點。新興技術不斷湧現，新銳公司熠熠生輝。然而，AI晶片雖然成為「熱詞」，並有不少相關研究報告，但是缺少一部從技術內涵、技術脈絡、技術標準、技術發展趨勢等方面深入探討、專業闡述的綜合性、權威性、前瞻性專著，而《白皮書》的發布及時填補了這一空白。
《白皮書》由北京未來晶片技術高精尖創新中心聯合史丹佛大學、加州大學、聖母大學、清華大學等在內的領域頂尖研究者和產業界資深專家，包括10餘位IEEE Fellow，歷時一年編寫完成。《白皮書》凝練AI晶片技術的關鍵問題和發展方向，以前瞻性的視角和對技術鏈條的深刻理解，總結出富有啟示意義和巨大價值的觀點，是值得政府機構、產學研界、投資機構參考的重要文獻。
魏少軍教授主持發布儀式
魏少軍教授指出，《白皮書》首次整合了國際化的學術和產業資源，緊扣學術研究和產業發展前沿，對人工智能晶片技術進行了深入探討、專業闡述，提出了「AI 晶片基準測試和發展路線圖」、完成了對AI晶片各種技術路線梳理及對未來技術發展趨勢和風險預判，對於AI晶片技術未來將如何發展具有重要的啟示意義。
隨著底層晶片技術的進步，人工智能算法也將獲得更好的支持和更快的發展。而在這一過程中，人工智能本身也很有可能被用於研發新的晶片技術，形成算法和晶片相互促進的良性循環局面。通過《白皮書》，我們可以清晰地看到AI晶片是人工智能產業和半導體產業交叉融合的新節點，涉及多個學科、多個領域的理論和技術基礎，突顯對基礎紮實、創新能力強的人才的需求。
《白皮書》內容簡述：
《白皮書》第一章開宗明義，提出了AI晶片技術的重要地位以及對於大陸未來晶片及人工智能領域發展的意義。
《白皮書》第二章綜述了AI晶片的技術背景，從多個維度提出了滿足不同場景條件下理想的AI 晶片和硬件平台的關鍵特徵。這些特徵包括：具有大數據處理能力，使用富記憶體處理單元或具備計算能力的新型存儲器，克服馮·諾依曼架構「記憶體牆」瓶頸；具有動態調整計算精度能力，使用盡可能低的精度達到預期效果，節省大量記憶體並降低能量消耗；具有強大的軟件工具鏈，能夠構建集成化的流程，將不同的機器學習任務和神經網路轉換為可以在 AI 晶片上高效執行的指令代碼等。
《白皮書》第三章介紹近幾年的AI 晶片在雲側、邊緣和終端設備等不同場景中的發展狀況，總結了雲側和邊緣設備需要解決的不同問題，以及雲側和邊緣設備如何協作支撐AI 應用。具體來說，雲側AI處理主要強調精度、處理能力、記憶體容量和帶寬，同時追求低延時和低功耗；邊緣設備AI 處理則主要關注功耗、響應時間、體積、成本和隱私安全等問題。
目前最普遍的方式是在雲端訓練神經網路，然後在雲端（由邊緣設備采集數據）或者邊緣設備進行推斷。未來雲端和邊緣設備以及連接他們的網路可能會構成一個巨大的 AI 處理網路，它們之間的協作訓練和推斷是有待探索的方向。
《白皮書》第四章分析在CMOS 工藝特徵尺寸逐漸逼近極限的大背景下，結合AI 晶片面臨的架構挑戰，AI 晶片的技術趨勢。一方面，研究具有生物系統優點而規避速度慢等缺點的新材料和新器件，採用新的計算架構和計算范式，另一方面，將晶片集成從二維平面向三維空間拓展，採用更為先進的集成手段和集成工藝，將是AI晶片技術在很長一段時期內的兩條重要的路徑。
《白皮書》第五章討論了建立在當前CMOS 技術集成上的雲端和邊緣AI 晶片架構創新。未來雲端和邊緣AI 晶片將會分別圍繞海量數據處理能力、計算任務靈活部署以及低功耗、高效率等來進行架構創新。以軟件定義的晶片為例，利用軟硬件協同的設計思路，允許硬件架構和功能隨軟件變化而變化，同時具備處理器的靈活性和專用集成電路的高性能和低功耗，是AI晶片在CMOS技術路徑上做到的范例。
《白皮書》第六章主要介紹對AI 晶片至關重要的存儲技術，包括傳統存儲技術的改進和基於新興非易失存儲（NVM）的存儲器解決方案。DRAM 和 NAND 閃存由於高密度的單元結構特點，通常被用作較大容量的片外存儲器，而3D 集成已經被證明是增加商業存儲器的帶寬和容量的有效策略。
基於新興 NVM 的片上存儲器（如相變存儲器（PCM），阻變存儲器（ReRAM））可以提供比傳統 NVM 更好的存取速度和低功耗，能在非常有限的功率下工作，對於物聯網邊緣設備上的 AI 晶片特別具有吸引力。
《白皮書》第七章重點討論AI晶片在工藝、器件、電路和存儲器方面的前沿研究工作，和以此為基礎的存內計算、生物神經網路等新技術趨勢。白皮書指出，基於新興非易失性存儲器件的人工神經網路計算，由於可以利用非常低的功耗做到信號的並行處理，提供很高的數據吞吐率，有望成為模擬存內計算（Analog In-memory Computing）的基礎技術。以清華大學研究人員的工作為例，展示了阻變存儲器陣列能夠成功做到灰度人臉分類，而能量消耗與Intel 至強處理器相比要低1000倍。
《白皮書》第八章介紹神經形態計算技術和晶片的算法、模型以及關鍵技術特徵，並分析該技術面臨的機遇和挑戰。神經形態晶片具有低功耗、低延遲、高速處理、等特點，基於傳統 CMOS 技術和基於新型奈米器件的神經形態計算晶片在圖像識別等人工智能任務方面都取得了不俗的成績，但也還面臨著算法單一、模型不完善、晶片性能有待提升等問題。隨著對人腦運行機理挖掘得更加充分，相信神經形態晶片將取得新的突破。
《白皮書》第九章探討了AI晶片的基準測試和發展路線圖。客觀評估和比較不同的AI晶片（即基準測試，Benchmark），及可靠預測 AI 晶片的發展路線對於技術創新和產業發展有重要的指導意義。與 CMOS 技術的基準測試和發展藍圖制定中，技術選項和通用性有達成一致的明確定義不同，AI晶片多樣的應用、算法、體系結構、電路和器件對確定基準和路線圖的共同基礎提出了巨大的挑戰。對於AI 晶片的測試基準和路線圖建立，必須超越器件和電路層次，綜合考慮多種因素的整體作用，需要算法研究人員、架構師、電路設計人員和器件專家共同努力。
《白皮書》最後一章對AI晶片的未來發展進行了展望。由於人工智能技術整體發展還處於初級階段，AI晶片行業的發展也隨之面臨極大的不確定性。而這種不確定性恰恰為各種AI晶片技術創新提供了一個巨大的舞台，我們可以期待在這個舞台上看到前所未有的精彩表演。
附白皮書下載鏈接：
《人工智能晶片技術白皮書（2018）》中文版：清華雲盤；Google Drive；百度網盤
《White Paper on AI Chip Technologies (2018)》English version：清華雲盤；Google Drive；百度網盤
