過去十年間，幾項(xiàng)技術(shù)的進(jìn)步使人工智能 （AI）成為最令人振奮的技術(shù)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(jīng)網(wǎng)絡(luò)算法，該算法使計(jì)算機(jī)視覺領(lǐng)域發(fā)生了革命性變化。然而，機(jī)器學(xué)習(xí)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(shí)現(xiàn)。這些處理器具有相對(duì)較高的內(nèi)存帶寬能力且擅長(zhǎng)矩陣乘法，可將該神經(jīng)網(wǎng)絡(luò)模型的AI訓(xùn)練時(shí)間縮短至大約一周。理論與算法的結(jié)合開啟了新一代技術(shù)進(jìn)步，帶來了與AI相關(guān)的全新可能性。本文概述了人工智能設(shè)計(jì)新時(shí)代及其多樣化處理、內(nèi)存和連接需求。
人工智能剖析
我們將神經(jīng)網(wǎng)絡(luò)定義為深度學(xué)習(xí)，它是機(jī)器學(xué)習(xí)及人工智能的一個(gè)子集，如圖1所示。這是一個(gè)重要的分類，深度學(xué)習(xí)該子集改變了芯片系統(tǒng)架構(gòu)設(shè)計(jì)。
圖1：人工智能采用深度學(xué)習(xí)算法模仿人類行為
深度學(xué)習(xí)不僅改變了芯片架構(gòu)，而且催生了半導(dǎo)體市場(chǎng)的新一輪投資。深度學(xué)習(xí)算法模型是研發(fā)和商業(yè)投資的熱點(diǎn)，例如卷積神經(jīng)網(wǎng)絡(luò) （CNN）。CNN一直是機(jī)器視覺的主要焦點(diǎn)。遞歸神經(jīng)網(wǎng)絡(luò)等模型因其識(shí)別時(shí)間的能力而在自然語言理解中得以應(yīng)用。
人工智能的應(yīng)用
深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)應(yīng)用于許多不同的場(chǎng)景，為使用它們的人提供了強(qiáng)大的新工具。例如，它們可以支持高級(jí)安全威脅分析、預(yù)測(cè)和防止安全漏洞，并通過預(yù)測(cè)潛在買家的購(gòu)物流程來幫助廣告商識(shí)別和精簡(jiǎn)銷售流程。
但AI設(shè)計(jì)并未局限于數(shù)據(jù)中心，諸如用于物件和人臉識(shí)別的視覺系統(tǒng)、用于改進(jìn)人機(jī)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(jī)器理解正在發(fā)生的活動(dòng)。這些深度學(xué)習(xí)能力已融入到不同場(chǎng)景所需的芯片設(shè)計(jì)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(jié)合到大量應(yīng)用中
手機(jī)利用神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)上述多種AI功能。手機(jī)可運(yùn)行人臉識(shí)別應(yīng)用、物件識(shí)別應(yīng)用、自然語言理解應(yīng)用。此外，它在內(nèi)部使用神經(jīng)網(wǎng)絡(luò)進(jìn)行5G自組織，因?yàn)闊o線信號(hào)在其他介質(zhì)、不同的光譜上會(huì)變得更密集，并且所傳輸?shù)臄?shù)據(jù)有不同的優(yōu)先級(jí)。
人類大腦
最近，深度學(xué)習(xí)通過數(shù)學(xué)和半導(dǎo)體硬件的進(jìn)步變得可行。業(yè)界已開展多項(xiàng)舉措，在下一代數(shù)學(xué)模型和半導(dǎo)體架構(gòu)中更好地復(fù)制人腦，這通常被稱為神經(jīng)形態(tài)計(jì)算。人類的大腦可以達(dá)到難以置信的高效率，但技術(shù)在復(fù)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(chǔ)空間，相當(dāng)于大約540萬億個(gè)晶體管，且功率小于12瓦。從這點(diǎn)來說，復(fù)制大腦是一個(gè)長(zhǎng)遠(yuǎn)的目標(biāo)。然而，ImageNet挑戰(zhàn)賽已從2012年的第一個(gè)反向傳播CNN算法發(fā)展到2015年更高級(jí)的AI模型ResNet 152，市場(chǎng)正在快速發(fā)展，新的算法層出不窮。
AI設(shè)計(jì)挑戰(zhàn)
融合深度學(xué)習(xí)能力的芯片架構(gòu)促使了多項(xiàng)關(guān)鍵技術(shù)的進(jìn)步，從而達(dá)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(nèi)存架構(gòu)和實(shí)時(shí)數(shù)據(jù)連接。
專用處理需求
融合神經(jīng)網(wǎng)絡(luò)能力的芯片必須同時(shí)適應(yīng)異構(gòu)和大規(guī)模并行矩陣乘法運(yùn)算。異構(gòu)組件需要標(biāo)量、矢量DSP和神經(jīng)網(wǎng)絡(luò)算法能力。例如，機(jī)器視覺需要獨(dú)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(jīng)網(wǎng)絡(luò)能力需要獨(dú)特的處理
預(yù)處理需要更簡(jiǎn)單的數(shù)據(jù)級(jí)并行性。對(duì)所選區(qū)域的精確處理需要更復(fù)雜的數(shù)據(jù)級(jí)并行性，可以通過具有良好矩陣乘法運(yùn)算能力的專用CNN加速器有效地處理。決策階段通常可以通過標(biāo)量處理的方式來處理。每個(gè)應(yīng)用都是獨(dú)一無二的，但很明顯的是，包括神經(jīng)網(wǎng)絡(luò)算法加速的異構(gòu)處理解決方案需要有效地處理AI模型。
創(chuàng)新內(nèi)存架構(gòu)
AI模型使用大量?jī)?nèi)存，這增加了芯片的成本。訓(xùn)練神經(jīng)網(wǎng)絡(luò)要求達(dá)到幾GB甚至10GB的數(shù)據(jù)，這就需要使用DDR最新技術(shù)，以滿足容量要求，例如，作為圖像神經(jīng)網(wǎng)絡(luò)的VGG－16在訓(xùn)練時(shí)需要大約9GB的內(nèi)存；更精確的模型VGG－512需要89GB的數(shù)據(jù)才能進(jìn)行訓(xùn)練。為了提高AI模型的準(zhǔn)確性，數(shù)據(jù)科學(xué)家使用了更大的數(shù)據(jù)集。同樣，這會(huì)增加訓(xùn)練模型所需的時(shí)間或增加解決方案的內(nèi)存需求。由于需要大規(guī)模并行矩陣乘法運(yùn)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(chǔ)器及新的半導(dǎo)體接口IP，如高帶寬存儲(chǔ)器 （HBM2）和衍生產(chǎn)品 （HBM2e）。先進(jìn)的FinFET技術(shù)支持更大的芯片SRAM陣列和獨(dú)特的配置，具有定制的存儲(chǔ)器到處理器和存儲(chǔ)器到存儲(chǔ)器接口，這些技術(shù)正在開發(fā)中，為了更好地復(fù)制人腦并消除存儲(chǔ)器的約束。
AI模型可以壓縮，確保模型在位于手機(jī)、汽車和物聯(lián)網(wǎng)應(yīng)用邊緣的芯片中受限的存儲(chǔ)器架構(gòu)上運(yùn)行所必需的。壓縮采用剪枝和量化技術(shù)進(jìn)行且不能降低結(jié)果的準(zhǔn)確性，這就要求傳統(tǒng)芯片架構(gòu)（具有LPDDR或在某些情況下沒有外部存儲(chǔ)器）支持神經(jīng)網(wǎng)絡(luò)。隨著這些模型的壓縮，不規(guī)則的存儲(chǔ)器存取和計(jì)算強(qiáng)度增加，延長(zhǎng)了系統(tǒng)的執(zhí)行時(shí)間。因此，系統(tǒng)設(shè)計(jì)人員正在開發(fā)創(chuàng)新的異構(gòu)存儲(chǔ)器架構(gòu)。
實(shí)時(shí)數(shù)據(jù)連接
一旦AI模型經(jīng)過訓(xùn)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(shí)時(shí)數(shù)據(jù)。例如，視覺應(yīng)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(dá)可通過多種技術(shù)支持，包括PCI Express和MIPI。麥克風(fēng)通過USB、脈沖密度調(diào)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(nèi)容，而這些內(nèi)容可通過神經(jīng)網(wǎng)絡(luò)傳輸后得到改善，實(shí)現(xiàn)超高圖像分辨率，從而以更少的數(shù)據(jù)生成更高質(zhì)量的圖像。目前，大多數(shù)電視制造商正在考慮部署這項(xiàng)技術(shù)。
混合AI系統(tǒng)是另一個(gè)預(yù)計(jì)會(huì)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(shí)別異常，通過將信息發(fā)送到云端，對(duì)異常進(jìn)行更準(zhǔn)確的深入AI神經(jīng)網(wǎng)絡(luò)分析，并加以提示。這類技術(shù)已經(jīng)成功地應(yīng)用于電網(wǎng)負(fù)載的平衡，特別是在電線中斷或出現(xiàn)意外重負(fù)荷的情況下。為了支持快速、可靠的網(wǎng)絡(luò)與云端連接，上述示例中的聚合器需要以太網(wǎng)連接。
消除瓶頸
盡管復(fù)制人類大腦還有很長(zhǎng)的路要走，但人類大腦已被用作構(gòu)建人工智能系統(tǒng)的有效模型，并繼續(xù)由全球領(lǐng)先的研究機(jī)構(gòu)來建模。最新的神經(jīng)網(wǎng)絡(luò)試圖復(fù)制效率和計(jì)算能力，芯片架構(gòu)也開始通過緊密耦合處理器和內(nèi)存來復(fù)制人類大腦。ARC子系統(tǒng)包括AI及其APEX擴(kuò)展和普遍存在的RISC架構(gòu)所需的處理能力。子系統(tǒng)將外設(shè)和存儲(chǔ)器緊密耦合到處理器，以消除關(guān)鍵的存儲(chǔ)器瓶頸問題。
用于AI的DesignWare IP
AI是最令人振奮的技術(shù)之一，特別是深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)，通過結(jié)合神經(jīng)網(wǎng)絡(luò)算法的創(chuàng)新以及高帶寬、高性能半導(dǎo)體設(shè)計(jì)的創(chuàng)新而飛速發(fā)展。
新思科技正在與世界各地細(xì)分市場(chǎng)中領(lǐng)先的AI 芯片供應(yīng)商合作，提供采用經(jīng)過驗(yàn)證的可靠IP解決方案，幫助他們降低芯片設(shè)計(jì)風(fēng)險(xiǎn)，加快產(chǎn)品上市速度，并為AI設(shè)計(jì)人員帶來關(guān)鍵的差異化優(yōu)勢(shì)。
專用處理需求、創(chuàng)新內(nèi)存架構(gòu)和實(shí)時(shí)數(shù)據(jù)連接構(gòu)成了人工智能芯片的DNA，面對(duì)AI設(shè)計(jì)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(chǔ)器瓶頸，包括存儲(chǔ)器接口IP、帶有TCAM和多端口存儲(chǔ)器的芯片SRAM編譯器等，同時(shí)提供了全面的實(shí)時(shí)數(shù)據(jù)連接選項(xiàng)。這些IP解決方案是下一代AI設(shè)計(jì)的關(guān)鍵組件。
