過去十年間，幾項技術的進步使人工智能 （AI）成為最令人振奮的技術之一。2012年，Geoffrey Everest Hinton在Imagenet挑戰(zhàn)賽中展示了他的廣義反向傳播神經網(wǎng)絡算法，該算法使計算機視覺領域發(fā)生了革命性變化。然而，機器學習理論早在2012年之前就有人提出，并且Nvidia GTX 580圖形處理器單元等微處理器使這一理論得以實現(xiàn)。這些處理器具有相對較高的內存帶寬能力且擅長矩陣乘法，可將該神經網(wǎng)絡模型的AI訓練時間縮短至大約一周。理論與算法的結合開啟了新一代技術進步，帶來了與AI相關的全新可能性。本文概述了人工智能設計新時代及其多樣化處理、內存和連接需求。

 

 

我們將神經網(wǎng)絡定義為深度學習，它是機器學習及人工智能的一個子集，如圖1所示。這是一個重要的分類，深度學習該子集改變了芯片系統(tǒng)架構設計。

 

圖1：人工智能采用深度學習算法模仿人類行為

 

深度學習不僅改變了芯片架構，而且催生了半導體市場的新一輪投資。深度學習算法模型是研發(fā)和商業(yè)投資的熱點，例如卷積神經網(wǎng)絡 （CNN）。CNN一直是機器視覺的主要焦點。遞歸神經網(wǎng)絡等模型因其識別時間的能力而在自然語言理解中得以應用。

 

 

深度學習神經網(wǎng)絡應用于許多不同的場景，為使用它們的人提供了強大的新工具。例如，它們可以支持高級安全威脅分析、預測和防止安全漏洞，并通過預測潛在買家的購物流程來幫助廣告商識別和精簡銷售流程。

 

但AI設計并未局限于數(shù)據(jù)中心，諸如用于物件和人臉識別的視覺系統(tǒng)、用于改進人機接口的自然語言理解以及周圍環(huán)境感知等許多新功能可基于傳感器輸入的組合而使機器理解正在發(fā)生的活動。這些深度學習能力已融入到不同場景所需的芯片設計中，包括智能汽車、數(shù)字家庭、數(shù)據(jù)中心和物聯(lián)網(wǎng) （IoT），如圖2所示。

 

圖2：AI處理能力已結合到大量應用中

 

手機利用神經網(wǎng)絡實現(xiàn)上述多種AI功能。手機可運行人臉識別應用、物件識別應用、自然語言理解應用。此外，它在內部使用神經網(wǎng)絡進行5G自組織，因為無線信號在其他介質、不同的光譜上會變得更密集，并且所傳輸?shù)臄?shù)據(jù)有不同的優(yōu)先級。

 

 

最近，深度學習通過數(shù)學和半導體硬件的進步變得可行。業(yè)界已開展多項舉措，在下一代數(shù)學模型和半導體架構中更好地復制人腦，這通常被稱為神經形態(tài)計算。人類的大腦可以達到難以置信的高效率，但技術在復制人類大腦等方面才剛開始觸及皮毛。人類大腦包含超過1 PB （Petabyte=1024TB）的存儲空間，相當于大約540萬億個晶體管，且功率小于12瓦。從這點來說，復制大腦是一個長遠的目標。然而，ImageNet挑戰(zhàn)賽已從2012年的第一個反向傳播CNN算法發(fā)展到2015年更高級的AI模型ResNet 152，市場正在快速發(fā)展，新的算法層出不窮。

 

 

融合深度學習能力的芯片架構促使了多項關鍵技術的進步，從而達到高度集成的解決方案和更通用的AI 芯片，包含專用處理需求、創(chuàng)新內存架構和實時數(shù)據(jù)連接。

 

 

融合神經網(wǎng)絡能力的芯片必須同時適應異構和大規(guī)模并行矩陣乘法運算。異構組件需要標量、矢量DSP和神經網(wǎng)絡算法能力。例如，機器視覺需要獨立的步驟，每一步都需要執(zhí)行不同類型的處理，如圖3所示。

 

 

圖3：神經網(wǎng)絡能力需要獨特的處理

 

預處理需要更簡單的數(shù)據(jù)級并行性。對所選區(qū)域的精確處理需要更復雜的數(shù)據(jù)級并行性，可以通過具有良好矩陣乘法運算能力的專用CNN加速器有效地處理。決策階段通?？梢酝ㄟ^標量處理的方式來處理。每個應用都是獨一無二的，但很明顯的是，包括神經網(wǎng)絡算法加速的異構處理解決方案需要有效地處理AI模型。

 

 

AI模型使用大量內存，這增加了芯片的成本。訓練神經網(wǎng)絡要求達到幾GB甚至10GB的數(shù)據(jù)，這就需要使用DDR最新技術，以滿足容量要求，例如，作為圖像神經網(wǎng)絡的VGG-16在訓練時需要大約9GB的內存；更精確的模型VGG-512需要89GB的數(shù)據(jù)才能進行訓練。為了提高AI模型的準確性，數(shù)據(jù)科學家使用了更大的數(shù)據(jù)集。同樣，這會增加訓練模型所需的時間或增加解決方案的內存需求。由于需要大規(guī)模并行矩陣乘法運算以及模型的大小和所需系數(shù)的數(shù)量，這就要求配備具有高帶寬存取能力的外部存儲器及新的半導體接口IP，如高帶寬存儲器 （HBM2）和衍生產品 （HBM2e）。先進的FinFET技術支持更大的芯片SRAM陣列和獨特的配置，具有定制的存儲器到處理器和存儲器到存儲器接口，這些技術正在開發(fā)中，為了更好地復制人腦并消除存儲器的約束。

 

AI模型可以壓縮，確保模型在位于手機、汽車和物聯(lián)網(wǎng)應用邊緣的芯片中受限的存儲器架構上運行所必需的。壓縮采用剪枝和量化技術進行且不能降低結果的準確性，這就要求傳統(tǒng)芯片架構（具有LPDDR或在某些情況下沒有外部存儲器）支持神經網(wǎng)絡。隨著這些模型的壓縮，不規(guī)則的存儲器存取和計算強度增加，延長了系統(tǒng)的執(zhí)行時間。因此，系統(tǒng)設計人員正在開發(fā)創(chuàng)新的異構存儲器架構。

 

 

一旦AI模型經過訓練并可能被壓縮，就可以通過許多不同的接口IP解決方案執(zhí)行實時數(shù)據(jù)。例如，視覺應用由CMOS圖像傳感器支持，并通過MIPI攝像頭串行接口 （CSI-2）和MIPI D-PHY IP連接。LiDAR和雷達可通過多種技術支持，包括PCI Express和MIPI。麥克風通過USB、脈沖密度調制 （PDM） 和I2S等連接傳輸語音數(shù)據(jù)。數(shù)字電視支持HDMI和DisplayPort連接，以傳輸視頻內容，而這些內容可通過神經網(wǎng)絡傳輸后得到改善，實現(xiàn)超高圖像分辨率，從而以更少的數(shù)據(jù)生成更高質量的圖像。目前，大多數(shù)電視制造商正在考慮部署這項技術。

 

混合AI系統(tǒng)是另一個預計會大量采用的概念。例如，心率算法通過健身帶上的AI系統(tǒng)可以識別異常，通過將信息發(fā)送到云端，對異常進行更準確的深入AI神經網(wǎng)絡分析，并加以提示。這類技術已經成功地應用于電網(wǎng)負載的平衡，特別是在電線中斷或出現(xiàn)意外重負荷的情況下。為了支持快速、可靠的網(wǎng)絡與云端連接，上述示例中的聚合器需要以太網(wǎng)連接。

 

 

盡管復制人類大腦還有很長的路要走，但人類大腦已被用作構建人工智能系統(tǒng)的有效模型，并繼續(xù)由全球領先的研究機構來建模。最新的神經網(wǎng)絡試圖復制效率和計算能力，芯片架構也開始通過緊密耦合處理器和內存來復制人類大腦。ARC子系統(tǒng)包括AI及其APEX擴展和普遍存在的RISC架構所需的處理能力。子系統(tǒng)將外設和存儲器緊密耦合到處理器，以消除關鍵的存儲器瓶頸問題。

 

 

AI是最令人振奮的技術之一，特別是深度學習神經網(wǎng)絡，通過結合神經網(wǎng)絡算法的創(chuàng)新以及高帶寬、高性能半導體設計的創(chuàng)新而飛速發(fā)展。

 

新思科技正在與世界各地細分市場中領先的AI 芯片供應商合作，提供采用經過驗證的可靠IP解決方案，幫助他們降低芯片設計風險，加快產品上市速度，并為AI設計人員帶來關鍵的差異化優(yōu)勢。

 

專用處理需求、創(chuàng)新內存架構和實時數(shù)據(jù)連接構成了人工智能芯片的DNA，面對AI設計挑戰(zhàn)，新思科技提供了許多專業(yè)處理解決方案來消除存儲器瓶頸，包括存儲器接口IP、帶有TCAM和多端口存儲器的芯片SRAM編譯器等，同時提供了全面的實時數(shù)據(jù)連接選項。這些IP解決方案是下一代AI設計的關鍵組件。