1
| 本文作者： 伍文靚 | 2019-09-23 19:27 |
隨著人們越來越多地使用 AI 來解決各個領域的問題，一場“ AI 軍備競賽”就此打響，即創造出能夠以更高速度和更低功耗運行深度學習模型的專用硬件，以實現翻譯應用程序、數字助手、面部識別系統、內容推薦系統等方面的功能，甚至在醫療保健和自動駕駛等領域取得更大的進步。包括新的芯片架構在內，這場競賽中已經有了眾多新突破；而這些突破正在以前所未有的全新方式來執行任務。
針對這一現象，軟件工程師兼科技博客 TechTalks 創始人 Ben Dickson 表示，通過對這些新突破的洞察，我們或許可以對未來幾年里的 AI 硬件架構的發展窺見一二。
以下是 Ben Dickson 的觀點，雷鋒網在不改變原意的基礎上作了編譯和補充。
神經網絡是深度學習的關鍵，它由成千上萬個人工神經元組成。無論是簡單的計算，還是例如圖像識別和語音識別等復雜的任務，都離不開（人工）神經網絡。然而，目前，人們對傳統計算機的升級并不基于對神經網絡的優化，而是基于一個或多個更加強大的中央處理器（CPU）。
神經形態計算機則與傳統計算機不同，因為它使用一種獨特的芯片架構來模擬神經網絡，即神經形態芯片。該芯片由許多物理形態的人工神經元組成，在訓練和運行神經網絡時十分快速高效。
實際上，神經形態計算的概念早在 20 世紀 80 年代就已經出現，但由于當時神經網絡的效率太低，這個概念并沒有引起太多關注。近年來，隨著人們對深度學習和神經網絡的興趣重燃，神經形態芯片的研究也受到了新的關注。
今年 8 月，頂級學術期刊《自然》（Nature）刊登了清華大學施路平教授團隊的一項研究，該研究還登上了該期的封面。（參見雷鋒網此前報道）
雜志中名為《面向人工通用智能的異構天機芯片架構》（Towards artificial general intelligence with hybrid Tianjic chip architecture）的論文介紹道，清華大學施路平教授的團隊研究出了一款叫作“天機”（Tianjic）的新型人工智能芯片，也就是本文說到的神經形態芯片；它結合了類腦計算和基于計算機科學的人工智能。
為了驗證這款全球首款異構融合的 AI 芯片，研究團隊設計了無人智能自行車系統。據悉，該系統包括了激光測速、陀螺儀、攝像頭等傳感器，剎車電機、轉向電機、驅動電機等致動器，以及控制平臺、計算平臺、天機板級系統等處理平臺。
論文的第一作者，加州大學圣塔芭芭拉分校博士后鄧磊認為：
比起自動駕駛飛機，智能自行車看起來很小，但實際上它是一個“五臟俱全”的小型類腦技術平臺......無人自行車系統的語音識別、自主決策、視覺追蹤功能運用了模擬大腦的模型，而目標探測、運動控制和躲避障礙功能運用了機器學習算法模型。
雖然沒有直接證據表明神經形態芯片是創造通用人工智能的正確道路，但它們的研發肯定會幫助更高效的人工智能硬件誕生。而且，神經形態計算已經引起了大型科技公司的注意——今年 7 月，英特爾推出了 Pohoiki Beach，這是一臺裝有 64 塊英特爾 Loihi 神經形態芯片的電腦，能夠模擬總共 800 萬個人工神經元；Loihi 處理信息的速度比傳統處理器快 1000 倍，效率比傳統處理器高 10000 倍。
不過，這款神經形態芯片并不適合替代傳統的 CPU 架構，它的潛力在于加速諸如約束滿足問題、圖形搜索和稀疏編碼等專門應用。英特爾還承諾在今年晚些時候將 Pohoiki Beach 擴大到 1 億個神經元。
眾所周知，神經網絡和深度學習計算需要大量的計算資源和電力，而人工智能的碳足跡已然成為一個環境問題。在今年 6 月份，研究人員估算表示，訓練一個 AI 所產生的碳足跡相當于 284 噸二氧化碳當量，這是普通汽車使用壽命內排放量的五倍。與此同時，神經網絡的能源消耗也限制了它們在電力有限的環境中的應用。
隨著摩爾定律繼續放緩，傳統的電子芯片的發展想要滿足人工智能行業的需求變得越來越吃力。目前，已經有幾家公司和實驗室將目光轉向了光學計算，以尋求解決方案——光學計算用光子代替電子，用光學信號代替數字信號，從而進行計算。由于光學計算設備不像銅電纜那樣產生熱量，這大大降低了它們的能源消耗；光學計算也特別適用于快速矩陣乘法，這是神經網絡中的關鍵運算之一。
在過去的幾個月里，已經出現了幾款光學 AI 芯片的原型機。總部位于波士頓的 Lightelligence 公司就開發了一種光學人工智能加速器，該加速器與當前的電子硬件兼容，通過優化一些繁重的神經網絡計算，可以將人工智能模型的性能提高一到兩個數量級。Lightelligence 的工程師表示，光學計算的進步也將降低人工智能芯片的制造成本。
最近，香港科技大學的研究人員開發了一種全光神經網絡。為了確認這種新方法的能力和可行性，他們構建了一個概念驗證模型，即一個具有 16 個輸入和 2 個輸出的完全連接的雙層神經網絡，然后使用全光學網絡對 Ising 模型的有序和無序階段進行分類。結果表明，全光學神經網絡與訓練有素的基于計算機的神經網絡一樣準確。
研究小組成員劉俊偉說：
我們的全光學方案可以使神經網絡以光速執行光學并行計算，而消耗的能量卻很少。大規模的全光學神經網絡可以用于從圖像識別到科學研究的各種應用。
雷鋒網注：上圖為 Cerebras 公司的大型芯片
有時，擴大規模確實是解決問題的好方法。今年 8 月，硅谷初創企業 Cerebras Systems 推出了一款包含 1.2 萬億晶體管的大型人工智能芯片，這也是有史以來最大的半導體芯片；除此之外，它在 42225 平方毫米的面積上擁有 40 萬個內核，比 Nvidia 最大規模的圖形處理器還要大 56.7 倍，后者的尺寸為 815 平方毫米。
這種大型芯片加快了數據處理速度，能夠以更快的速度訓練人工智能模型——據悉，Google、Facebook、OpenAI、騰訊，百度以及其他許多公司都認為，當今 AI 的基本局限性在于訓練模型花費的時間太長。因此，減少 AI 訓練時間可以消除了整個行業進步的主要瓶頸。與傳統的 GPU 和 CPU 相比，這種超大型芯片的獨特架構還減少了能耗。
Linley Group 首席分析師 Linley Gwennap 在一份聲明中說：
Cerebras 的晶片級技術取得了巨大的飛躍，在單個硅片上實現了遠遠超出任何人想象的處理性能。為完成這一壯舉，該公司甚至解決了一系列困擾工程行業數十年的惡性工程挑戰。
Cerebras 最近還與美國能源部簽訂了一份合同，美國能源部將利用該芯片加速科學、工程和健康領域的深度學習研究。
不過，制造出超大規模的芯片并不意味著萬事大吉。因為芯片的尺寸將會受到使用空間的限制；而且，芯片制造商通常也不會制造這么大規模的芯片，因為在制造過程中很有可能出現雜質，從而導致芯片故障。
由于目前各行各業都在為深度學習尋找應用場景，單一芯片架構主導市場的可能性很小。但可以肯定的是，未來的人工智能芯片很可能與過去數十年里的經典 CPU 不盡相同。
雷鋒網注：本文編譯自 VentureBeat
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
