AI是下一個(gè)科技爆點(diǎn)？AI處理器層出不窮

　　據Semiconductor Engineering報導，研究機構Tractica的數據顯示，全球AI市場(chǎng)規模將在2025年成長(cháng)至368億美元，只不過(guò)目前對于AI的定義或是需要分析的數據類(lèi)型都還沒(méi)有共識，OneSpin Solutions總裁暨執行長(cháng)Raik Brinkmann指出，眼下有三個(gè)問(wèn)題需要解決，第一是大量待處理的數據，其次是并行處理和互連技術(shù)，第三則是移動(dòng)大量數據導致的耗能問(wèn)題。

　　目前市場(chǎng)首批AI芯片幾乎都是以現成的CPU、GPU、FPGA和DSP加以組合而成，盡管英特爾(Intel)、Google、NVIDIA、高通(Qualcomm)和IBM等公司正研發(fā)新的設計，最后誰(shuí)能勝出仍不明朗。無(wú)論如何，這些系統仍需有至少一個(gè)CPU負責控制，但可能需要不同類(lèi)型的協(xié)同處理器。

　　AI處理多牽涉到矩陣乘法和加法，使用并行運作的GPU成本較低，但缺點(diǎn)是耗能較高。內建DSP區塊和本地存儲器的FPGA可獲得較佳的能源效率，但價(jià)格比較昂貴。Mentor Graphics董事長(cháng)暨執行長(cháng)Wally Rhines表示，有些人使用標準GPU執行深度學(xué)習，同時(shí)也有許多人采用CPU，為了達到使類(lèi)神經(jīng)網(wǎng)路行為更像人腦的目標，刺激了新的一波設計浪潮。

　　視覺(jué)處理是目前最受關(guān)注的AI區塊，目前大部分的AI研究與自動(dòng)駕駛使用的視覺(jué)處理有關(guān)，這項技術(shù)在無(wú)人機和機器人方面的應用也與日俱增。Achronix公司總裁暨執行長(cháng)Robert Blake指出，影像處理的運算復雜度很高，市場(chǎng)需要5～10年時(shí)間沉淀，不過(guò)因為變數精度(variable precision arithmetic)運算需要，可程式邏輯元件的角色會(huì )更吃重。

　　FPGA非常適合矩陣乘法，可程式化特性增加了設計上的彈性，用來(lái)做決策的數據部分會(huì )在本地處理，部分則由數據中心進(jìn)行，但兩者的比例會(huì )因應用的不同而改變，并影響AI芯片和軟件設計。

　　目前汽車(chē)使用的AI技術(shù)主要是偵測和避免物體，這和真正的人工智能還有段差距。真正的AI應該具有一定程度的推理，例如判斷如何閃避正在穿越馬路的人群。前者的推論為根據傳感器輸入的大量數據處理和預編程行為得來(lái)，后者則能夠作出價(jià)值判斷，思考各種可能后果以找出最佳選擇。

　　這樣的系統需要極高的頻寬并內建安全機制，此外還必須能保護數據安全，許多根據現成零件開(kāi)發(fā)的設計很難兼顧運算和編程效率。Google試圖以專(zhuān)為機器學(xué)習開(kāi)發(fā)的TPU特殊應用芯片改變這樣的方程式，并開(kāi)放TensorFlow平臺以加快AI發(fā)展速度。

　　第一代AI芯片將重點(diǎn)放在運算能力和異質(zhì)性，但這就像早期的IoT裝置，在不確定市場(chǎng)如何演變的情況下，業(yè)者只好把所有東西都加進(jìn)去，之后再找出瓶頸，針對特定功能設計，取得功率和性能上的平衡。

　　隨著(zhù)自駕車(chē)使用案例的增加，AI應用范圍也會(huì )逐漸擴大，這也是為何英特爾在2016年8月收購Nervana的原因。Nervana開(kāi)發(fā)的2.5D深度學(xué)習芯片利用高性能處理器核心將數據從載板移到高頻寬存儲器，希望比GPU解決方案縮短100倍的深度學(xué)習模型訓練時(shí)間。

　　量子運算則是AI系統的另一個(gè)選擇。IBM研究部門(mén)副總裁Dario Gil解釋?zhuān)绻?張卡片中有3張藍卡1張紅卡，使用傳統運算猜中紅卡的機率為4分之1，使用量子電腦及疊加量子位元的糾纏(entanglement)，系統每次都可以提供正確答案。

　　AI并沒(méi)有所謂最適合的單一系統，也沒(méi)有一種應用可以吃遍各種市場(chǎng)，這些進(jìn)一步的細分市場(chǎng)都需要再精致化、再擴大尋找可用工具，并需要生態(tài)系統來(lái)支持，但低功率、高吞吐量及低延遲則是AI系統的通用需求。半導體產(chǎn)業(yè)經(jīng)過(guò)多年仰賴(lài)制程微縮元件以改善功率，性能和成本，如今則需要重新思考進(jìn)入新市場(chǎng)的方法。