深度对话魏少军,大谈软件定义芯片和AI芯片的洗牌期

2018-02-14 14:18:11 来源:智东西
分享到:
标签:

 

在机器学习算法不断变化、人工智能应用不断增多的当下,神经网络计算芯片(AI芯片)的设计者们所思考的一个关键问题开始浮出水面——如何在保证AI芯片性能/功耗表现优秀的同时,尽可能的在更多人工智能算法上通用。

目前市面上陆续涌现的AI芯片中,有不少都采用了重新设计芯片底层架构的方式,来平衡AI芯片的性能与AI算法通用性之间“鱼与熊掌不可兼得”的矛盾,突出玩家有寒武纪、谷歌TPU项目等等。
 


产业界如此热火产天的发展,离不开学术界此前的长久积累。在过去的十几年里,清华微电子所的可重构计算团队一直在研究一项核心技术——“软件定义芯片”,前年,他们推出了一款代号为Thinker 1的AI芯片,这款芯片不仅能够支持人脸识别、语音识别的AI算法,而且芯片的功耗非常小——只需要7号AA电池就够让它运行一整年。

在2018年的春节前夕,记者专门来到清华大学校园里,与清华大学微电子研究所所长、中国半导体行业协会IC设计分会理事长、我国半导体行业“男神”级人物魏少军教授围绕着AI芯片的话题展开了独家对话。魏少军教授有着数十年半导体行业经验,对我国半导体产业有着深刻的认识,看法往往一针见血。

 


他认为,目前芯片架构创新已经引起了全球各个学院/企业的广泛关注,尤其是“软件定义芯片”相关研究,更是提升AI芯片的应用范畴、适应AI算法不断变化的重要研究方向。在今明两年之内AI芯片将持续火热,但是到了2020年前后则会行业洗牌,出现第一批出局者。


一、性能 vs 灵活:鱼与熊掌不可兼得
芯片的性能跟通用性常常是一个“鱼和熊掌不可兼得”的选项,传统架构下,一个芯片在某些特定领域的性能越强、功耗越低,它往往就越不灵活、越不通用。举个例子,华为Mate 10里的麒麟970芯片用于手机的性能非常强大,但是它并不适用于安防摄像头、可穿戴手环等场景;同理,一个CPU能够灵活地处理众多不同任务,但是它在某些特定任务上往往性能不够强大,比如在深度神经网络训练上的性能不如GPU。

而ASIC这类专用芯片的位置,则介乎于手机SoC这类标准芯片、与CPU这类通用芯片之间——这是一个非常尴尬的地位,标准芯片虽然单个开发成本高,但是单一品类出货量非常大,很大程度上降低了芯片的单个价格;而通用芯片则相反,虽然总体出货量不高,但是单一品类的价格很高,也能够分摊研发成本。

随着芯片制造工艺的日益先进(目前已经逼近7nm),芯片制造成本也水涨船高,如今设计制造一颗10nm芯片的成本要几千万美元,综合成本高达上亿美元。

因此,如果不能保证某款单一应用场景下能够大量出货,专用芯片需要保持一定的通用性与灵活度。 最近两年间,产业界开始陆续涌现出神经网络计算专用芯片(AI芯片),寒武纪、深鉴科技、中星微电子等玩家的AI芯片产品采用的都是28nm的芯片工艺,前期从投入到流片的成本超过400万美元,单一品类出货量没有百万的级别将很难收回成本。

而除了成本之外,AI算法的演进也需要纳入考虑。由于目前人工智能算法还在不断变化、不断演进的过程中,人工智能经历了六十多年的发展才迎来了深度学习的大规模爆发,然而现在深度学习算法还有众多有待优化的方面,比如稀疏化、低功耗、小数据训练等,算法尚未定型。

此外,目前语音/文字/图像/视频等不同应用无法使用统一算法,然而许多实际生活中的AI应用程序(识别图像中的对象或理解人类语言)需要不同类型的具有不同层数的神经网络的组合。

因此,在确保AI应用性能的前提下,AI芯片需要尽可能地保持芯片通用性。

目前AI芯片企业们采用的技术方案各不相同,如果将芯片通用性作为评测坐标轴,最左边、最激进的企业会采用算法固化方案,这一做法成本低、芯片落地时间短、单一算法的性能与功耗比能够做到极致,但是极大减少了芯片的通用型和灵活性;最右边的团队(比如寒武纪、谷歌TPU等)则会设计一款全新的芯片架构,这一做法成本高昂、芯片研发周期长,但是能够在性能与芯片通用性上达到极好的平衡。

清华微电子所的可重构计算团队就属于坐标轴右边的一类,从2006年开始,清华微电子所所长魏少军教授就带领着团队在持续深入研究这项重要技术——“软件定义芯片”,又称“可重构计算技术”。

“软件定义芯片”顾名思义就是让芯片根据软件进行适应与调整,这是一项专用芯片架构设计上的创新,与传统的冯诺依曼架构有着很大的区别。简单来说就是将软件通过不同的管道输送到硬件中来执行功能,使得芯片能够实时地根据软件/产品的需求改变功能,实现更加灵活的芯片设计。

也就是说,沿用这种架构设计出来的专用芯片,可以让芯片的计算能力按照软件的需求来调整适应,而不是沿用传统芯片设计的刚性架构,让应用适应架构。对于现在尚未定型/统一的各类AI算法而言,可重构计算成了AI芯片设计的一个重要研究方向。

 

 
关注与非网微信 ( ee-focus )
限量版产业观察、行业动态、技术大餐每日推荐
享受快时代的精品慢阅读
 

 

继续阅读
TPU与GPU的AI芯片大战当前,谷歌、英伟达各有哪些砝码

谷歌的机器学习利器Cloud TPU将首次全面对外开放。谷歌传奇芯片工程师Jeff Dean连发了十条twitter宣布了这一消息,第三方厂商和开发者可以每小时花费6.5美元来使用它,但需要先行填表申请。此前,TPU都被用于谷歌内部产品,随着Cloud TPU的开放,这意味着AI芯片和公有云市场将迎来新的变局。

魏少军和他的AI芯片论
魏少军和他的AI芯片论

在机器学习算法不断变化、人工智能应用不断增多的当下,神经网络计算芯片(AI芯片)的设计者们所思考的一个关键问题开始浮出水面——如何在保证AI芯片性能/功耗表现优秀的同时,尽可能的在更多人工智能算法上通用。

亚马逊被指“抄袭”苹果,开始自研AI芯片
亚马逊被指“抄袭”苹果,开始自研AI芯片

亚马逊已经开始设计定制人工智能芯片,将用于未来的Echo设备,并提升Alexa语音助手的品质和响应时间。

中星微与ZYTO联手,合作研发生物信息扫描技术

近日,北京中星微人工智能芯片技术有限公司董事长兼CEO张韵东与ZYTO创始人Dr.Cook、总裁Emily Lu在北京中星微人工智能芯片技术有限公司总部成功签署了战略合作框架协议。

中国IC人才缺乏问题,魏少军是这么说的

2017年,在工业和信息化部的指导下,工信部软件与集成电路促进中心(CSIP)开展了中国集成电路产业人才状况调研,并且发布《中国集成电路产业人才白皮书(2016-2017)》,对我国集成电路产业人才状况进行了全方位的梳理和分析总结。

更多资讯
联发科将在AI芯片时代重回巅峰?
联发科将在AI芯片时代重回巅峰?

在双摄和全面屏普及后,手机行业需要新的技术来激发消费者的购买意欲,那么5G和AI就成为目前手机行业新的催化剂,不过5G受限于技术标准和移动运营商的步伐,要到2019年下半年才能与普通消费者见面,而AI技术才是2018年真正的主角。

博通高通好事将近,首次会谈已完成

北京时间2月15日早间消息,关于博通以1210亿美元收购高通的交易提议,两家公司之间的首次会谈本周结束。高通表示,董事会将举行会议,讨论下一步举措,但没有透露两家公司是否已接近达成协议。

Intel CPU最新路线图大曝光:14nm仍是2018年主打

德国CB整理了Intel最新的CPU路线图。2018年到2019年:Coffee Lake是重点,Cascade Lake-SP第三季度推出。从第一张图可以看出,服务器/数据中心部分,也就是Xeon至强中,E3系列将在2018年Q2出新(E3 1200 v7已经更名为Xeon E),顶级的可扩展平台将更新到Cascade Lake-SP架

深度对话魏少军,大谈软件定义芯片和AI芯片的洗牌期
深度对话魏少军,大谈软件定义芯片和AI芯片的洗牌期

产业界如此热火产天的发展,离不开学术界此前的长久积累。在过去的十几年里,清华微电子所的可重构计算团队一直在研究一项核心技术——“软件定义芯片”,前年,他们推出了一款代号为Thinker 1的AI芯片,这款芯片不仅能够支持人脸识别、语音识别的AI算法,而且芯片的功耗非常小——只需要7号AA电池就够让它运行一整年。

跑分曝光,三星Exynos 9810的AI实力让骁龙845逊爆了?

三星将于2月25日在MWC大会上正式发布Galaxy S9/S9+。而除了已经曝光的骁龙845版本外,Galaxy S9系列还会推出搭载Exynos 9810处理器的版本,目前Exynos 9810的跑分已经曝光。

Moore8直播课堂
电路方案