认知计算对芯片设计意味着什么

认知计算。人工智能。机器学习。所有这些概念都旨在使人类类型的问题变得可计算，无论是自动驾驶汽车，医疗保健机器人，还是用于家庭或办公室的会走路会说话的助理机器人。世界各地的研发团队都在努力创造一个机器比人类更聪明的全新世界。

设计像人脑一样复杂的系统——这在很大程度上仍然是一个谜——不是一项简单的任务。例如，考虑到复杂性、集成度、相互依赖性、安全性、便利性和舒适性等诸多方面的要求，未来的尖端汽车将成为高效系统级设计的极致。

“它从根本上改变了范式，甚至改变了我们对处理器的期望。节奏知识产权组研究员兼首席技术官。“但就生物计算而言，遥远的模型可能需要我们30年才能实现，量子计算或者其他方法。”

他指出，最大的好处将体现在能源效率方面。这是使未来认知系统成为现实的一个关键方面，因为所有极其复杂的处理都需要能量。由于这些系统中有许多可能是不受束缚的，因此必须谨慎地分配能量。

除了处理效率，软件也必须高效。

Rowen说:“我们能想到的很多事情都将改变软件的构建方式，以及在普通计算机系统中花费时间和精力的地方。”“想想过去50年我们在计算机领域都做了些什么。这并不是说我们把旧的应用程序运行得快8个数量级。我们所做的是提出新的应用程序，这些应用程序实际上是新的抽象层次。我们构建操作系统、库、中间件、应用程序环境、客户端-服务器模型和云设备模型，我们在我们想要实现的功能和硬件上实际运行的功能之间放置越来越多的软件层。”

这代表了计算和计算架构的巨大变化。

“在大约50年前，如果你想把两个数字相加，你实际上需要做一些计算，主要是把这两个数字加载进去，然后做加法，有一个加法指令消耗了大量的能量。现在，当你想把两个数相加时，你该怎么做?你打开你的手机，发现你没有计算器应用，你打开应用商店，下载一个图形计算器，输入这些数字，然后做加法。整个过程中有多少精力花在加法上?基本上都不是。你可能花费了10个数量级的精力来计算简单的2+2而不是实际的2+2。所以我们所做的就是利用50年来计算能力的进步，让我们能够方便地拥有这些可爱的抽象层次和用户界面。”

但是有更节能的方法可以做到这一点。他说:“想想如何用一种工具取代这些级别的库和客户端/服务器云设备对话框，这种工具本质上是在运行中重新编译代码，并提出有效的方法，你可能能够节省数量级的计算能力，以完成人们实际花费时间完成的任务，比如使用手机上的一个小计算器。”

在设计层面，这意味着基本硬件不会有太大变化。这主要是一种软件体验。但考虑到当今运行的系统的巨大复杂性，芯片制造商和系统公司需要开始测量在计算中消耗的能量。更多的监视和测量将影响硬件。它还可以让软件开发人员更好地了解时间到底花在了哪里。反过来，这可以反馈到软件开发过程中。

认知系统也需要复杂的模型。这些还在研究阶段。

“将数字行为和软件与物理动力学相结合的网络物理系统，如飞机或自动驾驶汽车——我们是树林里的宝贝，”爱德华·李教授说加州大学伯克利分校．“我们不知道我们在做什么，很大一部分问题是我们没有好的模型，我们不知道如何构建忠于这些模型的物理实现。”

在这个领域，学习需要时间。

“如果你看看今天汽车上的微控制器数量，以及它主要是如何通过汽车热电联产设计的，以及主要是单核微控制器，你会发现今天任何标准车辆上超过一半的微控制器仍然是8位和16位微控制器，其中一半是32位微控制器，还有一小部分是64位微控制器，”Andy Macleod说导师图形．业界仍在学习双核和四核技术，特别是在引擎管理方面。然后你看看定制的认知学习处理器，它有四五千内核。你把它放在ASIL-D环境的上下文中，它看起来是一个指数级的复杂性。认知计算看起来很棒，它在汽车行业绝对有效。我们预计，将会对汽车的设计方式进行某种重新定义，以便将所有这些功能都带入汽车。”

这也可能比你想象的要快。虽然汽车行业曾经是一个笨拙的巨头，但增加新功能的竞争压力已经导致整个汽车生态系统发生了变化。

麦克劳德说:“如果你看看20年前，汽车制造商和大型一级供应商有很多研发工作，比如用于简单网络控制的传感器车身控制器。”“现在这些都被外包到了供应链的底层。今天，比如说，我们有一种汽车，它的电气和电子架构以及软件平台现在被认为是没有区别的活动，但非常复杂。我们看到，电气和电子架构以及软件平台的发展方向与15或20年前的身体控制器相同。因此，大型原始设备制造商和一级供应商正在将资源转移到认知计算和大数据等领域，然后外包平台开发。可能在10年的时间里，机器视觉和其他类似的先进技术也将被外包到供应链的底层，所以这种复杂性的指数级增长正在重新定义谁在供应链中做什么。越来越多的复杂性被外包给了系统工程公司，专注于功能软件，这就是区别所在，因为为认知计算这样的东西组合一个操作系统是非常复杂的，不一定有区别。但在此基础上的功能性软件绝对是最重要的，这也是汽车原始设备制造商想要发挥的作用。”

的首席技术官超音速喜欢认知计算这个术语，因为它很容易涵盖来自生物系统的各种架构卷积神经网络(CNN)之类的——以及一些基于传统硬件(GPU/DSP/FPGA)的架构，只是以新的方式使用。

他认为，真正为模仿生物系统而优化的架构(如cnn)最大的不同在于，它向高度分布式架构的转变，而不再使用存储程序的传统概念，也不再依赖共享内存进行通信。

“这些系统对分布式通信施加了更高的压力，而不是外部共享DRAM的巨大压力，后者在冯·诺依曼衍生的计算架构中主导了现有的统一内存。在认知计算中，为‘学习’阶段(描述不同组件之间关系强度的系数被确定为最大限度地匹配所需模式的可能性)和‘执行’阶段(根据确定的系数匹配新的输入)选择的架构之间经常存在分离，”Wingard解释道。

他指出，在学习阶段，沟通模式是基于优化过程确定的。高连通性和灵活性至关重要。然后，对于执行阶段，映射过程可以使用系数来驱动将高度连接的组件聚集在一起的优化过程。“这可以减少所需的通信带宽(节省能源)，并实现更高的并行性。这两个因素都允许执行架构以更低的能量达到更高的匹配吞吐量。”

“对于SoC设计师来说，这两个阶段导致SoC看起来非常不同。它们往往更加同质，但由不同的构建块构建而成。它们往往具有高度连接的互连网络架构——想想超立方体。因此，与传统的soc相比，它们既更简单(由于它们的步骤和重复性质)，又更复杂(晶体管总数，担心协议级死锁)。最令人兴奋的是，这里没有明显的架构选择集。这仍然是一个绿色领域，在可预见的未来，这将使SoC开发人员及其生态系统忙碌不已。”

有关的故事
实现自动驾驶汽车
传感器启用ADAS
家家都有机器人