产生的孤立的结构,过去的计算时代将不足以燃料AI。
欢迎来到我们的博客系列的第二个检查计算机行业如何工作的新方法,使人工智能时代。
在我们的第一个博客,我的同事艾莉Yieh描述行业面临的巨大的机遇和挑战,当我们进入一个新的十年,她提供了一个路径加速创新材料体系在“新剧本”驾驶改进芯片PPAC(性能、功率和成本)。她也谈到了新剧本需要一定程度的产业合作,工程师来自计算机行业超越我们的主要学科的维护和加速创新的步伐在这样一个世界,可以不再依赖与经典摩尔定律扩展相关进展。特别地,我想充实“合作设计”的想法,谷歌的悬崖年轻谈论人工智能设计论坛在7月。
首先我将解释什么是驾驶合作设计的必要性。直到最近,串行的孤立的部分行业之间的相互作用(见下图)是足够的,因为摩尔定律扩展开指数的计算能力的改善可预测的,两年的节奏。可用的晶体管数量翻倍PPAC推动改善,使更复杂的微体系结构和算法和更强大的硬件和软件系统。然而,共识越来越孤立的结构,产生的计算时代past-mainframe /小型机,PC /互联网,移动/社交媒体将不足以推动物联网/大数据/人工智能时代。Cliff Young说,合作设计需要从材料系统,使人工智能时代。
一个主要考虑是少谈论:即使指数与摩尔定律继续进展,它将远远低于人工智能的旺盛需求。自2012年以来,大型人工智能训练模型的计算需求每3.5个月翻一番!这意味着今年通过人工智能的需求增长约800万times-versus预期摩尔定律得到的只有6 x。
跟上这些需求,在建筑行业取得了一些重要的变化,以更好地适应艾未未的大规模数据集和独特的算法。除了使用cpu,我们也接受和适应了gpu,移动定制与fpga和asic的方向。
真正的合作设计人工智能涉及行业关注的独特特点和需要AI和愿意脱离以前的计算时代的建筑构件。如果我们开始我们的芯片设计用干净的纸,我们可以设计出分支预测引擎和高精度浮点数学单位,在过去是有道理的,但在人工智能中浪费空间和能量。我们会优先考虑数据带宽,避免power-sapping inter-chip数据传输速度和优化能源。鉴于并行性和低功率的优势在精度和串行速度,我们甚至可能会看到neuro-inspired,模拟计算。
这些大飞跃在建筑的机会让我们重新考虑我们对材料的基本假设和交换机用于计算和存储权重。我们可以探索新的自由度和潜在的彻底改善关键AI指标如上衣/瓦特,帧/焦耳和模型预测精度。这就是我们所说的合作设计,从材料系统。
事实上,共同设计开始扎根,和行业动态作为领导人开始改变在云计算和边缘计算竞相开发新架构和芯片设计优化的人工智能。公司包括亚马逊、苹果、Facebook、谷歌和微软现在有内部芯片设计团队。他们活跃在塑造新的和新兴标准无线网络、高带宽内存和服务器连接,不再满足于在货架上。他们参与半事件更多地了解发生了什么在材料和制造,和半连接武器与EDA组织加强生产和设计之间的关系。
在2018年和2019年,应用材料承载一个事件,“人工智能设计论坛”计算从材料系统的未来。”,我们使用下面的图形来代表一个新剧本的机会,强调合作设计创新在筒仓和并行和串行创新。在人工智能的主题保持一致,我们称之为“神经形态的方法。”
当工程团队成员遇到设计新的东西,他们面临着权衡。他们可以优先考虑某些things-high性能或低功耗,比如牺牲别人。
合作设计的概念扩展可以互动解决问题的学科,从材料工程师到数据中心架构师。合作设计增加了机会,可以带到熊,它鼓励更多创造性的结果。
今天的人工智能和机器学习,合作设计是解决所有相关问题的唯一途径,将定义这个新时代的长期成功。半导体的学科需要超越的不懈追求PPAC也考虑:
一个专题进行多学科合作设计实际是“概念验证。“创新在芯片材料和结构是远离的抽象世界系统和芯片架构,设计和建模。加速的实际应用前景的新材料或芯片上的逻辑或内存元素需要开发物理模型和仿真模型并行(见下图)。这些模型提供校准点在整个创新周期,促进桥梁跨学科的缺口。
这个建模也有助于在评估新思想的商业承诺为特定应用程序和市场(如汽车)在第一个原型存在于硬件,和之前第一个原型是驾驶之前在测试工厂大批量生产。
仿真和制造技术是两个不同的路径,针对相同的结果。模拟概念证明是更昂贵的比物理概念证明,但在某些情况下,飞行员制造需要暴露意想不到的特点需要精制准备光滑和有利可图的商业产品的大批量生产。鉴于现代芯片制造的高成本,几乎没有能力可以在物理概念验证工作的行业协同创新。使人工智能时代,这个行业需要一种新型的设备来自不同学科的工程师可以并肩工作,加快创新。
|
|
|
|
|
|
|
|
留下一个回复