与非网 12 月 4 日讯,12 月 3 日,一年一度的 Imagination Inspire 在上海拉开序幕,同期第十代 PowerVR 图形处理器架构 IMG A 系列新品推出。会议邀请了业内人士探讨 AI 芯片发展趋势和方向。清华大学、北京大学双聘教授魏少军出席会议并发表题为“深度学习与智慧芯片 - 路径与架构”的演讲。

 

架构创新推动智能化

“将 AI 芯片的计算能力与人类的计算能力比较,是走了一条错误的路线。与 AI 芯片相比,人脑的计算能力着实有限。”魏少军表示,在计算能力方面,机器的计算能力远超人类,可比性很小,多样性的适应能力才是最大的差距。人类大脑具备适应多种不同神经网络的功能,这是 AI 芯片最难完成的功能之一。此外,功耗也让两者产生巨大差距。“人食三餐,就可以适应多样化的神经网络。但是一台装上 AI 芯片的设备,很可能需要一台发电机为其专有供电,功耗可达 2400W。”魏少军说。

 

 

“所以,目前的 AI 芯片并不是真正的 AI。”他认为,真正的 AI 芯片要从架构方面进行突破。目前市场厂商流行的架构包括 CPU+SW、CPU+GPU、CPU+FPGA 等方式,“但这些都不是 AI 的理想架构。”魏少军表示,宏观上看,计算、软件、优化、演进、训练是 AI 芯片的几个重要的架构模块,而在完成这些重要模块的同时,是否可以设计出类似通用 CPU 独立存在的“通用 AI 处理器”?如果存在的话,他的架构应该是怎样的?

 

可重构的神经网络计算架构或许可以给出答案,这是魏少军认为最有可能迎接未来复杂人工智能市场的 AI 架构。该架构的可重构性和可配置性为 AI 芯片适应多重神经网络架构提供可能,实现最佳能源效应。通过应用来决定神经网络的选择,实现“定制化 AI 芯片”,打造可重构的神经网络计算架构“高效能、低功耗”的训练引擎。

 

“架构创新让 AI 芯片变得更智慧,让机器模仿人的行为,教机器学会人能做的事情。”魏少军说。

 

AI 芯片发展新增三要素

架构创新带来了 AI 芯片基本要素发生微妙的变化。

 

传统上,为了更好的适应算法的演进和应用的多样性,AI 芯片首先应该具备一定的可编程性。其次,AI 芯片需要适应不同的算法,实现高效计算。因此,架构需要具备一定的动态可变性。“低开销、低延迟”属性也需要 AI 芯片具备高效的架构变换能力。高计算效率也是 AI 芯片避免使用指令类低效率的架构的方法之一。“这些是 AI 芯片应该具备的基本要素。”魏少军说。

 

但即使具备这些要素,AI 芯片依旧“还不够智慧”。“更加智能”的需求带来了架构的创新,由此,类似于“软件定义芯片”可重构的神经网络计算架构等创新带来了 AI 芯片基本要素的变化。

 

魏少军表示,架构创新后,AI 芯片需要增加学习能力、接受教育并成长的能力。人类差异性的来源是教育和学习,芯片也如此。如果 AI 芯片可以接受教育并成长,其不可替代性将会逐渐加强。因此,算法和软件的自主演进能力也成为了“智慧 AI 芯片”新增的基本要素之一。“更加智慧的 AI 芯片,还需要具备自主认知、自主判断、自主选择和自主决策等基本要素。”魏少军说。