繆希辰

摘 要 人工智能芯片是當(dāng)前人工智能技術(shù)重要的載體之一，其實(shí)現(xiàn)人工智能的技術(shù)基礎(chǔ)是其搭載的神經(jīng)網(wǎng)絡(luò)。文章從原理上對(duì)神經(jīng)網(wǎng)絡(luò)和人工智能芯片進(jìn)行探究，在介紹人工智能芯片原理的同時(shí)對(duì)當(dāng)前的人工智能芯片發(fā)展情況作出介紹，并在文章末尾對(duì)當(dāng)前的人工智能芯片技術(shù)做出反思。

關(guān)鍵詞 人工智能；芯片；GPU：FPGA；ASIC

中圖分類(lèi)號(hào) TP3 文獻(xiàn)標(biāo)識(shí)碼 A 文章編號(hào) 1674-6708（2019）230-0135-03

2018年以來(lái)，各大科技公司不斷推出自己的人工智能芯片，例如谷歌的TPU、亞馬遜云的Inderentia、高通的驍龍芯片等[ 1 ]，可以說(shuō)今年是人工智能芯片技術(shù)高速發(fā)展并逐步走向成熟的一年[ 2 ]。那么人工智能芯片是什么呢？人工智能技術(shù)又跟人工智能芯片有什么關(guān)系呢？

1 什么是人工智能芯片

關(guān)于人工智能芯片的定義在歷史的不同階段都有過(guò)不同的定義，目前來(lái)看，最為從業(yè)人員所認(rèn)可的定義為“AI加速器”或者稱(chēng)之為“神經(jīng)網(wǎng)絡(luò)加速芯片”[ 3 ]。即當(dāng)前的人工智能芯片主要是為神經(jīng)網(wǎng)絡(luò)的計(jì)算所服務(wù)的，這可能跟很多人（尤其是業(yè)外人士）的認(rèn)識(shí)相悖：人工智能芯片難道不是一個(gè)大腦的作用嗎？為什么有著“計(jì)算加速器”之類(lèi)的稱(chēng)號(hào)呢？在這里，筆者將從兩個(gè)方面來(lái)介紹人工智能芯片。

1.1 神經(jīng)網(wǎng)絡(luò)

人工智能的定義很早就有人提出，但直到本世紀(jì)初才逐漸成為社會(huì)熱點(diǎn)，尤其近幾年相關(guān)行業(yè)得到了井噴式的發(fā)展，相關(guān)人才也成為各大互聯(lián)網(wǎng)、科技公司爭(zhēng)相招聘的對(duì)象。似乎不跟人工智能掛鉤的公司就算不上有技術(shù)競(jìng)爭(zhēng)力的公司。這種現(xiàn)象發(fā)生的直接原因是神經(jīng)網(wǎng)絡(luò)算法的大規(guī)模開(kāi)發(fā)應(yīng)用，根本原因是計(jì)算機(jī)性能的大幅提高。

那么什么是神經(jīng)網(wǎng)絡(luò)呢？神經(jīng)網(wǎng)絡(luò)算法是機(jī)器學(xué)習(xí)諸多算法中的一支，這種算法其實(shí)很早就有應(yīng)用，例如在經(jīng)濟(jì)學(xué)中它常被用來(lái)建立模型，或者說(shuō)常被用于解決“黑箱問(wèn)題”。從本質(zhì)上來(lái)說(shuō)，神經(jīng)網(wǎng)絡(luò)其實(shí)是通過(guò)大量的計(jì)算來(lái)擬合出一個(gè)函數(shù)，該函數(shù)符合我們?yōu)樗O(shè)下的諸多限制。例如，在人臉識(shí)別問(wèn)題中，我們?yōu)樯窠?jīng)網(wǎng)絡(luò)的訓(xùn)練準(zhǔn)備了大量的“樣本”（樣本即訓(xùn)練集，用于神經(jīng)網(wǎng)絡(luò)的函數(shù)調(diào)整，每個(gè)訓(xùn)練樣本都有一個(gè)“標(biāo)簽”，該標(biāo)簽就是評(píng)價(jià)我們的函數(shù)是否合理的重要指標(biāo)）。在最初，我們的函數(shù)的各個(gè)參數(shù)都是隨機(jī)、錯(cuò)誤的，完全不具備實(shí)際意義，但通過(guò)將我們的輸出結(jié)果與標(biāo)簽作比較，就可以得到我們當(dāng)前的函數(shù)與理想函數(shù)之間的差距。

通過(guò)對(duì)神經(jīng)網(wǎng)絡(luò)各層權(quán)重的求偏導(dǎo)，就可以得到神經(jīng)網(wǎng)絡(luò)的梯度，進(jìn)而以實(shí)際函數(shù)與理想函數(shù)之間的差距作為參考，實(shí)現(xiàn)隨機(jī)梯度下降，進(jìn)而實(shí)現(xiàn)計(jì)算結(jié)果與實(shí)際結(jié)果的差距越來(lái)越小。最終，我們可以得到一個(gè)經(jīng)過(guò)擬合的函數(shù)，該函數(shù)可以相對(duì)準(zhǔn)確地對(duì)輸入進(jìn)行判斷和預(yù)測(cè)。

總結(jié)來(lái)說(shuō)，神經(jīng)網(wǎng)絡(luò)可以這樣理解：輸入數(shù)據(jù)就像生產(chǎn)原料，從源頭輸入，在不同的生產(chǎn)線得到了不同的加工，最后匯聚為一個(gè)整體的產(chǎn)品。而神經(jīng)網(wǎng)絡(luò)的構(gòu)建就像生產(chǎn)線的構(gòu)建，需要反復(fù)的試驗(yàn)才能得到一個(gè)效率最高、產(chǎn)能最好的生產(chǎn)線，而構(gòu)建這個(gè)生產(chǎn)線的目的則是為了得到一個(gè)成熟的生產(chǎn)過(guò)程，使得我們后來(lái)的生產(chǎn)原料都能夠準(zhǔn)確、快速地得到處理。因此，所謂的神經(jīng)網(wǎng)絡(luò)過(guò)程其實(shí)分為兩個(gè)階段，第一個(gè)階段是神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，該過(guò)程需要大量的、反復(fù)的計(jì)算；第二個(gè)階段是“預(yù)測(cè)”，或者說(shuō)實(shí)際應(yīng)用，在該階段中神經(jīng)網(wǎng)絡(luò)已經(jīng)“成熟”并投入應(yīng)用，開(kāi)始對(duì)新的數(shù)據(jù)進(jìn)行預(yù)測(cè)。

顯然，上述過(guò)程（不論訓(xùn)練還是預(yù)測(cè)）都伴隨著大量的計(jì)算，但我們需要注意的是這些計(jì)算雖然規(guī)模上很大，但是每一次計(jì)算都不復(fù)雜（即便將非線性的激活函數(shù)考慮進(jìn)來(lái)），或者說(shuō)都是由簡(jiǎn)單的加減法和乘法組成的，這也為我們?nèi)斯ぶ悄苄酒拈_(kāi)發(fā)提供了重要的理論基礎(chǔ)。

1.2 為什么需要人工智能芯片

傳統(tǒng)的計(jì)算機(jī)芯片采用的馮諾依曼架構(gòu)強(qiáng)調(diào)存儲(chǔ)程序、順序執(zhí)行，即將大量的片上資源留給存儲(chǔ)結(jié)構(gòu)，因此CPU就像是一個(gè)老教授，他邏輯嚴(yán)謹(jǐn)，辦事有條理，但囿于其只有一人，處理的絕對(duì)速度在客觀上受到了限制，因此不管怎樣提升CPU的性能，它在處理大量的計(jì)算（即便是簡(jiǎn)單計(jì)算）也存在著天然的缺陷。

正如上文所說(shuō)，神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和預(yù)測(cè)都需要大量的計(jì)算，在這種應(yīng)用場(chǎng)景下，CPU的性能就受到了限制，一方面，它擅長(zhǎng)的邏輯、時(shí)序處理功能都沒(méi)有得到充分應(yīng)用；一方面，它不擅長(zhǎng)的并行數(shù)據(jù)處理卻被成為了致命的缺陷。在這種背景下，對(duì)于能夠并行處理數(shù)據(jù)、擅長(zhǎng)大量運(yùn)算的人工智能芯片的需求也就合理合情了[ 4 ]。

2 人工智能芯片分類(lèi)

如上所述，神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和預(yù)測(cè)都需要大量計(jì)算，但我們要注意，這兩種任務(wù)的運(yùn)算又是有區(qū)別的。在訓(xùn)練過(guò)程中，我們相當(dāng)于只有建造生產(chǎn)線的原材料，對(duì)于生產(chǎn)線具體的流向、交叉、協(xié)作都是未知的，只有經(jīng)過(guò)了大量的試錯(cuò)、改進(jìn)之后整個(gè)生產(chǎn)線才逐漸確定下來(lái)；而對(duì)于預(yù)測(cè)過(guò)程而言，我們的生產(chǎn)線已經(jīng)建立且成熟了，我們要做的只是按部就班地對(duì)原材料進(jìn)行處理。也就是說(shuō)，訓(xùn)練過(guò)程更加的“普遍”、更加的“泛用”，而預(yù)測(cè)過(guò)程則更加的“專(zhuān)用”“特例化”，這也對(duì)我們的人工智能芯片提出了不同的要求。人工智能芯片分為以下幾類(lèi)。

2.1 GPU

圖像處理單元（Graphics Processing Unit，GPU）最初是為了進(jìn)行圖像處理而被開(kāi)發(fā)出來(lái)的芯片。圖像處理問(wèn)題與神經(jīng)網(wǎng)絡(luò)有著類(lèi)似的特點(diǎn)：都需要進(jìn)行大量的、重復(fù)而簡(jiǎn)單的運(yùn)算。因此GPU近幾年也越來(lái)越多地被應(yīng)用于神經(jīng)網(wǎng)絡(luò)問(wèn)題。

在上文中，我們將CPU比作為一個(gè)老教授，而GPU就像是一幫小學(xué)生。它的突出特點(diǎn)是并行、及時(shí)處理，邏輯功能弱而計(jì)算能力強(qiáng)。我們可以假想這樣一個(gè)場(chǎng)景：老教授拿到一個(gè)復(fù)雜的數(shù)學(xué)問(wèn)題后將該問(wèn)題拆解為若干個(gè)簡(jiǎn)單的計(jì)算問(wèn)題并下發(fā)給小學(xué)生們進(jìn)行計(jì)算，在小學(xué)生們完成各自的計(jì)算任務(wù)后將計(jì)算結(jié)果匯總并上報(bào)給任務(wù)傳達(dá)者。

由于GPU出色的計(jì)算性能和比較通用的計(jì)算結(jié)構(gòu)，它常被用于神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，當(dāng)前運(yùn)用較多的就是NVIDIA公司各種產(chǎn)品，比如我們常說(shuō)的RTX2080等游戲顯卡就是一種典型的GPU。

2.2 ASIC

GPU雖然在計(jì)算性能上已經(jīng)有了很大的提高，但歸根結(jié)底仍然是一種泛用化的芯片，在預(yù)測(cè)問(wèn)題中很可能存在性能過(guò)剩（我們可以理解為工廠為了加速生產(chǎn)引起了一大批新設(shè)備，但在不同的生產(chǎn)任務(wù)中需要的設(shè)備數(shù)量是不一定的，這就使得在某些生產(chǎn)任務(wù)中設(shè)備無(wú)法得到充分使用，造成浪費(fèi)），使得我們的芯片發(fā)揮不出他應(yīng)有的性能；同時(shí)，這種通用化的結(jié)構(gòu)設(shè)計(jì)也使得芯片在面對(duì)一些特殊結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)時(shí)捉襟見(jiàn)肘。而面向具體應(yīng)用的集成電路（Application Specific Integrated Circuit，ASIC）就是為了解決這個(gè)問(wèn)題而誕生的，簡(jiǎn)單來(lái)說(shuō)，當(dāng)我們的神經(jīng)網(wǎng)絡(luò)訓(xùn)練完成后，其結(jié)構(gòu)也就確定了。

我們可以根據(jù)這個(gè)結(jié)構(gòu)設(shè)計(jì)專(zhuān)用的芯片來(lái)承載該神經(jīng)網(wǎng)絡(luò)，這不僅能夠最大效率地發(fā)揮芯片性能，更能提升計(jì)算速度，使得預(yù)測(cè)能夠進(jìn)一步加速。但是要注意的是，芯片設(shè)計(jì)的成本是比較高的，因此如果是為了單次、少量的應(yīng)用而開(kāi)發(fā)ASIC是得不償失的。目前得到應(yīng)用的ASIC芯片有Intel的Nights Mill，Google的TPU以及中國(guó)首款嵌入式神經(jīng)網(wǎng)絡(luò)處理器芯片星光智能一號(hào)等。

2.3 FPGA

ASIC的突出特點(diǎn)是集成化、特例化，而現(xiàn)場(chǎng)可編程門(mén)陣列（Field-Programmable Gate Array，F(xiàn)PGA）的特點(diǎn)則是靈活性高，我們可以將GPGA理解為積木，采取不同的方式搭建，就能夠得到不同的結(jié)構(gòu)，進(jìn)而實(shí)現(xiàn)不同的功能。單純地從性能上來(lái)講，F(xiàn)PGA與ASIC差距甚小，但是FPGA有著致命的缺陷：面積太大。眾所周知，集成電路的“集成”二字強(qiáng)調(diào)的是“占用面積小”，過(guò)大的面積會(huì)使得集成電路喪失其本身的意義。因此，對(duì)于少量應(yīng)用或者結(jié)構(gòu)驗(yàn)證等不會(huì)大量開(kāi)發(fā)的結(jié)構(gòu)搭建而言，F(xiàn)PGA是性?xún)r(jià)比最高的一種方式，但對(duì)于大規(guī)模開(kāi)發(fā)、大規(guī)模生產(chǎn)問(wèn)題而言，ASIC才是成本最低、收益最高的方式。

目前，F(xiàn)PGA在AI芯片上的應(yīng)用有Xilinx的華為云以及Intel的5G無(wú)線和自動(dòng)駕駛方面等。

3 反思和總結(jié)

人工智能芯片已經(jīng)得到了大規(guī)模的應(yīng)用，不管是美顏攝像頭還是智能駕駛都有著人工智能芯片的身影。實(shí)際上不管是蘋(píng)果的A系列芯片還是華為的麒麟芯片，它們都搭載了相應(yīng)的神經(jīng)網(wǎng)絡(luò)加速功能，由此可見(jiàn)，神經(jīng)網(wǎng)絡(luò)很有可能會(huì)進(jìn)一步與我們的生活相結(jié)合。但是我們也注意到，網(wǎng)上仍然有一些對(duì)人工智能芯片不看好的聲音，而這些聲音歸根結(jié)底來(lái)源于對(duì)神經(jīng)網(wǎng)絡(luò)的不信任[ 5 ]。

如前文所說(shuō)，神經(jīng)網(wǎng)絡(luò)究其根本是一種函數(shù)擬合，或者說(shuō)是一種統(tǒng)計(jì)上的概率預(yù)測(cè)，如果以“感知”二字來(lái)衡量人工智能的話，那么當(dāng)前的神經(jīng)網(wǎng)絡(luò)只是做到了“感”：對(duì)于我們給出的輸入，網(wǎng)絡(luò)可以給出相應(yīng)的輸出，但為什么給出這樣的輸出呢？網(wǎng)絡(luò)并不能回答我們。并且即便只是感，也只局限于那些數(shù)學(xué)建模完備、經(jīng)過(guò)了反復(fù)研究的工程問(wèn)題上，而對(duì)于有那些復(fù)雜的、抽象的問(wèn)題，神經(jīng)網(wǎng)絡(luò)仍然是一籌莫展。因此，對(duì)人工智芯片的不認(rèn)可應(yīng)當(dāng)說(shuō)是有一定道理的，退一萬(wàn)步說(shuō)，AI芯片并不智能，它只是加速了一部分的數(shù)據(jù)運(yùn)算，從這個(gè)角度上講，AI芯片確實(shí)有一種“泡沫”的嫌疑。

雖然神經(jīng)網(wǎng)絡(luò)和AI芯片有著或多或少、這樣那樣的問(wèn)題，但在當(dāng)前的歷史階段，神經(jīng)網(wǎng)絡(luò)仍然是最接近人工智能的工程方法，AI芯片也確實(shí)是實(shí)現(xiàn)人工智能的必由之路，因此，雖然對(duì)于互聯(lián)網(wǎng)人工智能熱潮應(yīng)當(dāng)懷有一定的警醒，但大可不必對(duì)神經(jīng)網(wǎng)絡(luò)等如臨大敵。我們應(yīng)當(dāng)擁抱技術(shù)、擁抱時(shí)代，不斷用自己的努力去譜寫(xiě)更加美好的未來(lái)。

參考文獻(xiàn)

[1]人工智能騰訊科技宇行.人工智能芯片軍備競(jìng)賽開(kāi)啟，谷歌等硅谷巨頭加入[J].信息與電腦（理論版），2017（8）：23-24.

[2]劉偉，倪桑.2017年人工智能研發(fā)熱點(diǎn)回眸[J].科技導(dǎo)報(bào)，2018.

[3]尹首一，郭珩，魏少軍.人工智能芯片發(fā)展的現(xiàn)狀及趨勢(shì)[J].科技導(dǎo)報(bào)，2018，36（17）：45-51.

[4]施羽暇.人工智能芯片技術(shù)研究[J].電信網(wǎng)技術(shù)，2016（12）：11-13.

[5]張蔚敏，蔣阿芳，紀(jì)學(xué)毅.人工智能芯片產(chǎn)業(yè)現(xiàn)狀[J].電信網(wǎng)技術(shù)，2018（2）.