人工智能芯片:过去、现在和未来

人工智能(AI)这几天的新闻。人工智能是医疗诊断,合成新化学物质,识别罪犯的面孔在一个巨大的人群,驾驶汽车,甚至创造新的艺术作品。有时好像没有什么,AI不能做,我们不久之后将会从我们的工作,看AIs为我们做一切。

了解人工智能技术的起源,这个博客记录我们将怎样到达那里。它还探讨了人工智能芯片的状态,他们需要真正的影响我们的日常生活,让高级驾驶员辅助系统(ADAS)和自主的汽车。让我们从头开始艾未未的历史。随着人工智能的发展,这导致了更专业的技术,称为机器学习,依靠经验的学习,而不是编程来做决定。反过来,机器学习奠定了基础,成为深度学习,其中包括分层算法,以更好地理解数据。

图1所示。人工智能机器学习,成为深刻的学习。(来源:Nvidia)

人工智能的技术根
“人工智能”一词是由科学家John McCarthy,克劳德·香农和马文•明斯基达特茅斯会议在1956年。最后的十年,亚瑟创造了这个词“机器学习”,一个程序,可以从自己的错误中学习,甚至学习演奏的跳棋游戏比写程序的人。乐观的环境,这个时候,飞速发展的计算机技术使研究人员相信,AI将会在短期内“解决”。科学家调查是否计算基于人脑的功能可以解决现实生活问题,创建“神经网络的概念。“1970年,马文•明斯基告诉《生活》杂志说,在“三到八年我们将有一个机器平均人的一般智力。”

到了1980年代,人工智能研究实验室和商业化的搬出去,创建一个投资热潮。当人工智能科技泡沫最终破裂的最后十年,AI回到研究的世界中,科学家们继续发展自己的潜力。行业观察人士称人工智能技术时代的领导者,或者明天…永远的技术。一个长时间的沉默,被称为“人工智能的冬天”,随后在商业开发再次拉开序幕。

图2。AI时间表(来源:https://i2.wp.com/sitn.hms.harvard.edu/wp - content/uploads/2017/08/anyoha sitn图- 2 - AI -时间- 2. jpg)

1986年,杰弗里•辛顿和他的同事发表了一篇里程碑论文描述了一种算法称为“反向传播”可以极大地改善性能的多层或“深”的神经网络。1989年,贝尔实验室和其他研究人员演示了雅安·勒存重大新技术通过创建一个实际的应用程序可以训练神经网络识别手写的邮政编码。它只花了三天的火车深度学习卷积神经网络(CNN)。快进到2009年,顾磊杰(Rajat Raina Anand Madhavan和斯坦福大学的Andrew Ng发表了一篇论文关于现代gpu远远超过了深度学习的多核cpu的计算能力。AI党准备从头再来。

追求真正的人工智能芯片
为什么我们听到很多关于人工智能?收敛的关键因素设置表这一技术的巨大进步,许多人认为可以解决越来越多的重大现实问题。当今互联网提供的基础设施,世界范围内的研究人员访问计算能力,大规模数据和高速通信需要创建新的算法和解决方案。例如,汽车产业已经显示出自己愿意花AI技术的研发资金,因为机器学习有潜力能够处理高度复杂的任务就像自动驾驶。

在人工智能芯片设计的一个关键挑战是把它们放在一起。我们在这里谈论非常大的定制systems-on-chip (soc)在实现深度学习使用许多类型的硬件加速器。设计人工智能芯片可以是非常困难的事情,特别是考虑到严格的汽车行业的安全性和可靠性要求,但人工智能芯片仍只是芯片,可能有一些新的解决方案的处理、内存、I / O和互连技术。像谷歌这样的公司和特斯拉,这是集成电路设计,以及人工智能芯片新贵如AIMotive和地平线机器人带来的深入了解深度学习的计算复杂性,但他们可能面临严重挑战开发这些最先进的出类拔萃。可配置的IP互连可以发挥关键作用在确保所有这些新玩家在业界能够尽快功能性硅。

图3。解剖学的人工智能芯片所示谷歌的张量处理单元(TPU)。

例如,人工智能芯片与深度学习加速器正在针对汽车摄像机面前,路边对象分析视觉图像检测和分类。每个人工智能芯片都有一个独特的内存访问配置文件,以确保最大带宽。片上互连的数据流时,必须确保宽的带宽路径优化需要满足性能目标,但分配狭窄的小路可以优化领域,成本和功耗。每个连接也必须与高级人工智能优化算法。为了让它更有趣,每天正在开发新的人工智能算法。在某些方面,今天的深度学习芯片像香蕉,没人想要腐烂的香蕉或旧算法在人工智能芯片。上市时间是更重要的是这些前沿的产品比其他许多半导体。

人工智能的未来
而深度学习和神经网络快速推进AI技术的国家,许多研究人员他们认为仍有需要从根本上新的和不同的方式如果AI的最了不起的目标得到满足。大多数人工智能芯片设计实现不断完善勒存发布的版本相同的想法和辛顿和其他十多年过去,但没有理由期望甚至指数进步沿着这条路径会导致AI可以像人类一样思考。AI正如今天我们所知道的那样不能应用深度学习的一个任务,它获得如此巨大的努力,一个新的、不同的任务。同时,神经网络没有结合先验知识的好方法,或规则像“向上和向下”或“孩子们的父母。“最后,人工智能基于神经网络需要大量的例子来学习,虽然一个人可以学习不要触摸热炉给只有一个非常难忘的经历。目前尚不清楚如何应用人工智能技术的问题,不要有巨大的标签数据集。

而人工智能芯片并不特别聪明的人类标准现在,他们绝对是聪明的,很有可能在不久的将来他们会变得更加聪明。这些芯片将继续利用半导体加工技术的进步,计算机体系结构,SoC设计来提高处理能力,以使新一代的人工智能算法。同时,新的人工智能芯片将继续需要先进的内存系统和片上互连架构以满足新的专有硬件加速器的不断深入学习所需的数据。