人工智能芯片一览：过去，现在和未来
声望
如今，人工智能（AI）总是在各个新闻中占据重要位置。人工智能正在进行医疗诊断、合成新化学品、识别巨大人群中的罪犯面孔、驾驶汽车，甚至创造新的艺术品。有时似乎AI没有什么不能做的，感觉我们很快就会失去工作，看着AI为我们做了一切。
为了解AI技术的起源，这篇文章记录了它的前世今生。还考察了人工智能芯片的状态，以及它们需要什么来通过支持先进的驾驶员辅助系统(ADAS)和自动驾驶汽车，对我们的日常生活产生真正的影响。让我们先从AI的历史开始吧，随着人工智能的发展，它把更多的专业技术带入大众的眼中，称为机器学习，它依靠经验学习而不是编程来做出决策。反过来，机器学习为深度学习奠定了基础，深度学习涉及分层算法，以便更好地理解数据。
图1. AI导致机器学习，它成为深度学习。
AI的技术根源
“人工智能”一词是1956年达特茅斯会议上，科学家约翰麦卡锡，克劳德香农和马文明斯基创造出来的。在那十年之后，亚瑟塞缪尔创造了一个术语“机器学习”，这个项目可以从错误中吸取教训甚至学会比编写程序的人更好地玩跳棋游戏。这个计算机技术快速发展的乐观环境使研究人员相信人工智能将在短期内得到“解决”。科学家们研究了基于人类大脑功能的计算是否可以解决现实生活中的问题，又创造了“神经网络”的概念。1970年，Marvin Minsky表示，“三到八年的时间，我们将拥有一台具有普通人智力的机器。”
到了20世纪80年代，人工智能从研究实验室搬出并进入商业化，引发了投资热潮。当AI技术泡沫最终在本世纪末爆发时，AI又回到了研究领域，科学家们继续发挥其潜力。行业观察家称AI是一种超前的技术，或者说是未来的技术......在经历了一段“人工智能的冬天”的长时间的停顿之后，商业开发再次启动。
图2. AI时间线
1986年，Geoffrey Hinton及其同事发表了一篇里程碑式的论文，描述了一种称为“反向传播”的算法如何用于显著提高多层或“深层”神经网络的性能。 1989年，Yann LeCun和贝尔实验室的其他研究人员通过创建一个可以训练识别手写邮政编码的神经网络，展示了新技术的重要实际应用。他们花了三天时间训练深度学习卷积神经网络（CNN）。快进到2009年，斯坦福大学的Rajat Raina、Anand Madhavan和Andrew Ng发表了一篇关于现代GPU如何远远超过多核CPU的计算能力进行深度学习的论文。 AI派对已准备好重新开始。
寻求真正的AI芯片
为什么我们这些天听到这么多人工智能？关键因素的融合为这项技术的巨大进步奠定了基础，许多人认为这将能够解决越来越重要的现实问题。利用当今互联网提供的基础设施，全球研究人员可以获得创建新算法和解决方案所需的计算能力、大规模数据和高速通信。例如，汽车行业已表明愿意将研发资金用于人工智能技术，因为机器学习有可能可以处理自动驾驶等高度复杂的任务。
AI芯片设计的主要挑战之一就是将它们整合在一起。我们在这里谈论非常大的定制片上系统（SoC），其中会使用许多类型的硬件加速器实现深度学习。设计AI芯片可能是非常困难的事情，特别是考虑到汽车行业严格的安全性和可靠性要求，但AI芯片仍然只是芯片，可能在处理、内存、I / O和互连技术方面有一些新的解决方案。谷歌和特斯拉等公司都是IC设计的新手，以及AIMotive和Horizon Robotics等AI芯片新贵，他们深入了解深度学习的计算复杂性，但他们可能面临严峻的挑战。可配置互连IP可以在确保业界所有这些新参与者能够尽快获得功能性芯片从而发挥关键作用。
图3. Google张量处理单元（TPU）中显示的AI芯片剖析图
例如，采用具有深度学习加速器的AI芯片，这些加速器针对汽车前置摄像头，分析用于路边物体检测和分类的视觉图像。每个AI芯片都有唯一的内存访问配置文件，以确保最大带宽。必须优化片内互连中的数据流，以确保在满足性能目标时需要宽带宽路径，但在可能的情况下分配窄路径以优化面积、成本和功耗。每个连接也必须考虑更高级别的AI算法进行优化。为了使它更有趣，每天都在开发新的AI算法。在某些方面，今天的深度学习芯片就像香蕉，没有人想在他们的AI芯片中使用腐烂的香蕉或旧算法。对于这些前沿产品而言，上市时间比许多其他半导体更为重要。
人工智能的未来
虽然深度学习和神经网络正在迅速推进人工智能技术的发展，但仍有许多研究人员认为，如果要实现人工智能最神奇的目标，仍然需要从根本上采用新的和不同的方法。大多数人工智能芯片的设计都是为了实现LeCun和Hinton以及其他人在十多年前发布的相同想法的不断改进的版本，但是没有理由期望在这条道路上的指数进展也会导致人工智能可以像一个人。
正如我们今天所知道的，人工智能无法将深入学习一项任务所获得的，应用到一个新的、不同的任务。此外，神经网络没有很好的方法来整合先前的知识，或者像“向上VS向下”或“孩子有父母”这样的规则。最后，基于神经网络的AI需要大量的例子才能学习，而人类则需要有一次难忘的经历，我们就可以学会不去触摸热炉子。目前尚不清楚如何将当前的AI技术应用于没有大标签数据集的问题。
虽然人工智能芯片目前并不是特别聪明，但它们绝对很聪明，很可能在不久的将来它们会变得更加聪明。这些芯片将继续利用半导体处理技术，计算机架构和SoC设计方面的进步来提高处理能力，以实现下一代AI算法。与此同时，新的AI芯片将继续需要先进的存储系统和片上互连架构，以便为新的专有硬件加速器提供深度学习所需的恒定数据流。
