論這兩年啥最火?人工智慧算一個!去年，百度出了無人駕駛汽車，今年，阿里出了酒店服務機器人。誰知道，明年會出來什麼?

　　總之，人工智慧的新變化，總是日新月異。那麼，作為人工智慧中必不可少的晶片，它的前世今生和未來，究竟如何呢?

　　人工智慧的今天來之不易，將來也有很長的路要走。

　　最近人工智慧(AI)的話題非常火爆。AI在醫療診斷、新化合物合成、罪犯識別等方面得到了廣泛應用，還能駕駛汽車，甚至能創造出藝術品。

　　有時似乎感覺沒有什麼AI做不到的，似乎每個人都要失業，只要看著AI替我們做好一切就行了。

　　為了理解AI技術的起源，這篇文章將會帶你瀏覽AI的歷史。它還會介紹AI晶片的現狀，以及為了讓AI能真正影響到人類生活，創造出高階駕駛輔助系統(ADAS)和自動駕駛汽車等，我們還需要做些什麼。

　　我們先來從AI的歷史開始。隨著AI的發展，它越來越偏向特定的技術，即機器學習，這項技術依賴於經驗學習來做決策，而不是靠程式做決策。

　　而機器學習為深度學習打下了基礎，後者的演算法需要對資料的進一步理解。

　　AI的技術之源

　　“人工智慧”這個詞由科學家John McCarthy、Claude Shannon和Marvin Minsky與1956年在Dartmouth會議上創造。五十年代末，Arthur Samuel將“機器學習”這個詞定義為能夠從錯誤中學習的程式，這種程式甚至能在下棋方面比它的創造者更優秀。

　　這是計算機技術發展的黃金時期，許多研究人員都認為AI能很快“解決”。科學家們對基於人類大腦功能的計算做了很多研究，看它們是否能解決真實世界中的問題，從而創造了“神經網路”的概念。

　　1970年，Marvin Minsky告訴《Life》雜誌，“只需三到八年的時間，我們就能創造出擁有普通人類智慧的機器”。

　　到了二十世紀八十年代，AI走出實驗室進入商業領域，創造了一段投資的神話。當AI技術的泡沫在八十世紀末破碎時，AI回到了學術界，科學家們繼續研究它的潛力。

　　商業圈的觀察人士稱AI為“過早到來的技術”，或者“未來的技術”，等等不一而足。這段相當長的時期被稱為“AI的寒冬”，但隨後AI在商業圈又得到了迅猛發展。

　　1986年，Geoffrey HInton和他的同事們發表了里程碑式的論文，描述了名為“反向傳播”的演算法，這個演算法可以用於大幅度改善多層“深度”神經網路的效能。

　　1989年，貝爾實驗室的Yann LeCun和其他研究人員演示了一項新技術在真實世界中的應用，即訓練神經網路來識別手寫的郵政編碼。他們只花了三天時間就訓練了一個深度卷積神經網路(CNN)。

　　快進至2009年，斯坦福大學的Rajat Raina、Anand Madhavan和Andrew Ng發表了一篇論文，討論了利用計算效能遠超現代多核CPU的GPU提高深度學習速度的方法。AI的盛宴就此開始了。

　　真正的AI晶片的任務

　　為什麼今天AI的話題無處不在?一系列的關鍵因素最終都聚集在一點上：人們相信科技的巨大進步能夠解決越來越重要的真實世界問題。

　　有了今天網際網路提供的基礎設施，全世界的研究人員都能夠使用強大的計算能力、海量的資料和高速的通訊，從而創造出新的演算法和解決方案。

　　例如，汽車工業已經表示願意在AI科技方面投入巨大的研發資源，因為機器學習可能解決諸如自動駕駛等高度複雜的任務。

　　AI晶片設計的一個主要問題就是整合。這裡討論的是超大規模的定製系統晶片(SoC)，其中的深度學習由多種硬體加速器實現。設計AI晶片是非常困難的，特別是在汽車工業苛刻的安全和可靠性的要求下。

　　但是，AI晶片依然只是晶片，或許再加上一些處理器、記憶體、I/O和互聯技術方面的新技術而已。

　　像Google和Tesla等晶片設計方面的新手，以及AIMotive、Horizon Robotics等AI晶片創業公司，都擁有豐富的深度學習的計算複雜度方面的知識，但他們可能會面臨尖端系統晶片設計等方面的巨大挑戰。

　　可配置的、互聯的智慧財產權的作用非常重要，它能讓這些晶片界的新手迅速製造出可以使用的晶片。

　　以帶有深度學習加速器的AI晶片為例，這種晶片的使用場景如汽車前置攝像頭，可以進行影象分析，對路邊的物體進行檢測和分類。每個AI晶片都有獨特的記憶體訪問方式，以保證最大的頻寬。

　　晶片內的資料流必須經過優化，以保證最大的頻寬，才能在必要的時候滿足效能需求，但又要儘可能在芯片面積、成本和能量消耗方面進行優化。每個連線必須為高層的AI演算法進行優化。

　　更麻煩的是，新的AI演算法每天都在湧現。從某些方面來說，現在的深度學習就像香蕉一樣，沒人想要爛香蕉，也沒人想要AI晶片中的舊演算法。對於這些尖端科技產品來說，上市時間比許多其他半導體產品更為重要。

　　AI的未來

　　儘管深度學習和神經網路快速地推動了人工智慧技術的發展，許多研究人員依然相信，要達到最終的AI目標，我們依然需要更多的不同方法。

　　大多數AI晶片的設計思路依然是LeCun和Hinton等人在十幾年前發表的思想的改進版本，但沒有任何理由相信，這條路上的指數級增長能夠讓AI像人類那樣思考。

　　我們今天所知的AI並不能把一個任務上獲得的深度學習經驗推廣到其他新的、不同的任務上。

　　而且，神經網路並不能很好地吸收以前的知識，或吸收“上下”或者“孩子有父母”這種簡單的規則。

　　最後，基於神經網路的AI需要大量的資料進行學習，而人類只需一次觸控火爐的經驗就能學會不再碰火爐。現在依然不清楚怎樣才能將現在的AI技術應用到沒有大量資料的問題上。

　　儘管按照目前人類的標準來看，AI晶片並沒有只能，但它們依然很聰明，而且很可能在不遠的未來它們會變得更聰明。

　　這些晶片會繼續引領半導體技術、計算機體系結構和SoC設計的發展，從而促進更強大的處理能力，促使下一代AI演算法的出現。

　　同時，新的AI晶片也會進一步需要更多的記憶體系統和晶片內互聯架構，以確保新的硬體加速裝置能夠為深度學習提供穩定的資料流。

　　原文：https://semiengineering.com/artificial-intelligence-chips-past-present-and-future/

　　作者：TY Garibay，ArterisIP的CTO，55th DAC IP Track的董事會成員。

　　譯者：彎月，責編：胡巍巍

　　大連人流醫院哪家好 http://yyk.39.net/hospital/f9a8f_doctors.html

　　大連引產醫院哪家好 http://yyk.39.net/hospital/f9a8f_guides.html