楊澤申

摘 要：芯片是20世紀最偉大的工程產(chǎn)品之一，隨著科技的不斷發(fā)展，人類對芯片的要求也越來越高。進入21世紀以來，人工智能飛速發(fā)展，“人工智能芯片”也引起了越來越多的人的興趣。本文比較系統(tǒng)地介紹了人工智能芯片，并向筆者簡要介紹了人工智能的原理。

關鍵詞：人工智能;芯片;神經(jīng)網(wǎng)絡

中圖分類號：TP18 文獻標識碼：A 文章編號：1671-2064（2019）02-0019-02

芯片，又稱集成電路，是現(xiàn)代計算機、嵌入式設備的核心。隨著人工智能浪潮的興起，“人工智能芯片”這一概念一經(jīng)提出就吸引了無數(shù)人的注目。那么人工智能到底是什么，其與芯片的結合點又在哪里，本文將對其作詳細介紹。人工智能包括學習任何知識的能力、推理能力，語言能力和形成自己的觀點的能力。計算機如今已具備了在有限范圍內解決問題的能力了。用人工智能解決問題執(zhí)行困難，但原理卻實則一般。

1 人工智能原理

人工智能的發(fā)展在不同的歷史階段有過不同的指導思想和發(fā)展方向，而今天主流的人工智能發(fā)展道路被公認為是神經(jīng)網(wǎng)絡為主，而實際上，從當前的應用角度而言，神經(jīng)網(wǎng)絡也是應用最廣、預測準確率最好的機器學習方式。

眾所周知，現(xiàn)代計算機技術的發(fā)展是以芯片為依托的。在計算機剛剛被發(fā)明的時候，其體積巨大、運算效率低下，完全不具備進行大量計算的性能。而隨著集成電路等技術的進步，以晶體管為基礎的芯片技術也日漸成熟，也正因此，依托于海量運算的神經(jīng)網(wǎng)絡技術也得到了飛速發(fā)展。接下來，筆者將簡要介紹神經(jīng)網(wǎng)絡的基本原理與其在芯片上的應用。

1.1 神經(jīng)網(wǎng)絡——“智能”的由來

從簡化的角度上講，神經(jīng)網(wǎng)路的核心功能在于分類[1]：將大量數(shù)據(jù)進行相關處理、提取特征并投影到特征空間，并通過激活函數(shù)引入非線性，進而對特征空間進行切割，將“目標特征”提取出來，進行分類。由于邏輯問題往往可以建模為若干個分類問題的疊加，因此神經(jīng)網(wǎng)絡在解決邏輯性較強的問題時往往有著出色表現(xiàn)。

具體而言，神經(jīng)網(wǎng)絡引入“目標函數(shù)”這一優(yōu)化概念，通過反向傳播算法使得目標函數(shù)不斷下降，同時在隱藏層中使用激活函數(shù)以賦予目標函數(shù)“非線性”（例如，我們可以將sigmoid函數(shù)看作是一種階梯函數(shù)或者分段函數(shù)，其作用是對數(shù)據(jù)空間進行分割），在一個具體的隱藏層中，不同的平面對空間進行了不同的分割，但這些分割之間是沒有邏輯關系的，我們可以在下一個隱藏層中對這些分割進行邏輯運算以實現(xiàn)更加復雜的分割。因此，只要不斷增加隱藏節(jié)點和隱藏層數(shù)，理論上而言就可以實現(xiàn)對空間上任意區(qū)域的分割或特征提取。

具體到某一次訓練上，當數(shù)據(jù)流入神經(jīng)網(wǎng)絡，乘以相關權重并通過激活函數(shù)，得到相應的預測值/分類結果，我們將計算結果與實際進行比較，將差值反饋給網(wǎng)絡，使其根據(jù)反饋繼續(xù)進行梯度下降（梯度可以理解為多元函數(shù)的導數(shù)，沿該方向函數(shù)的上升速度最快，因而沿反方向下降速度最快），使得我們的目標函數(shù)值也得以不斷減小，最終達到我們希望的精度。

通過以上的過程，我們就構建出了一種分類器，該分類器既可以是多元的、也可以是簡單的二分類問題。因此，只要我們能夠對顯示過程中的具體場景進行建模（例如發(fā)言預測），理論上而言就可以實現(xiàn)預測功能，也就是所謂的“人工智能”。

1.2 芯片技術——怎樣的芯片才能叫做人工智能芯片

正如前文所說，當前人工智能的主要發(fā)展方向為以深度學習為代表的機器學習，而神經(jīng)網(wǎng)絡也依靠著其在數(shù)據(jù)挖掘、分類問題上表現(xiàn)出來的優(yōu)異性能成為了最為熱門的“工具”。因此，就目前甚至未來十年的市場而言，所謂的人工智能芯片與神經(jīng)網(wǎng)絡是不可割離的。因此，在當前這個階段，人工智能芯片可以概括為構建神經(jīng)網(wǎng)絡服務或者搭載神經(jīng)網(wǎng)絡及其相關功能的芯片[2-3]。

更加具體而言，人工智能芯片的功能主要有兩個：訓練（training）和推斷（inference）。

訓練：如前文所說，要想構建一個比較精確的神經(jīng)網(wǎng)絡，我們需要大量的樣本數(shù)據(jù)并不斷地梯度下降，這就要求我們的處理設備有著強大的計算能力。如果我們想要對一個100*100的圖片進行人臉識別，比如1代表有人臉，0代表沒有人臉（實際情況遠遠比筆者描述的要復雜的多，例如在當今社會你很難找到一個大小僅有100*100像素的圖片），即便只有一個隱藏層，我們也需要完成對100*100*n（n代表隱藏層節(jié)點數(shù)）個權重的訓練。對于常規(guī)的中央處理器（CPU）而言，這種計算量過于“恐怖”，需要大量的時間來完成。因此，就需要我們制造出更加適合計算甚至是適合神經(jīng)網(wǎng)絡計算的芯片作為新的“CPU”。

推斷：神經(jīng)網(wǎng)絡歸根結底是一種工具，其目的在于幫助人類進行預測（例如人臉識別、語音識別、輔助決策），在網(wǎng)絡完成訓練后，我們只需要將數(shù)據(jù)正向地流過網(wǎng)絡一遍就可以得到分類結果（與訓練過程相比較而言，預測過程所需要的計算量要小得多，但實現(xiàn)該過程所需要的矩陣運算仍是CPU所不擅長的），考慮到絕大多數(shù)神經(jīng)網(wǎng)絡都有著相似的結構（例如都有著神經(jīng)元、隱藏層等基本單元），因此如果能夠開發(fā)出適合神經(jīng)網(wǎng)絡正向傳遞計算的芯片的話，將有助于提升神經(jīng)網(wǎng)絡的推斷速度，這也是許多人工智能芯片被稱之為“神經(jīng)網(wǎng)絡加速器”的原因。

2 人工智能芯片分類及發(fā)展現(xiàn)狀

從結構和功能綜合而言，我們可以將人工智能芯片分為三大類，分別是：圖形處理單元（Graphic Processing Unit，GPU）、現(xiàn)場可編輯門陣列（Field Programmable Gate Array，F(xiàn)PGA）、應用導向集成電路（Application Specific Integrated Circuit，ASIC）[4]。

為了更好地解釋這三種芯片，我們首先簡要介紹傳統(tǒng)CPU的結構。

傳統(tǒng)CPU遵循的是馮諾依曼計算機架構：存儲程序、順序執(zhí)行。一般來說，CPU由邏輯計算單元（ALU）、控制單元（CU）、存儲單元（包括高速緩存器和寄存器）組成。在具體的計算中，控制單元指揮電腦從具體的硬盤地址中取出我們需要的指令和數(shù)據(jù)輸送到CPU的存儲單元中，并交由邏輯計算單元進行運算。由于CPU的應用場景廣泛，任務類型多樣，CPU的控制單元和存儲單元更加“發(fā)達”，相比較而言邏輯計算單元比較“弱小”，這也是為什么CPU的計算能力在神經(jīng)網(wǎng)絡面前顯得“勢單力薄”的根本原因。

2.1 GPU

如前文所言，CPU在面對重復計算的挑戰(zhàn)面前表現(xiàn)往往不佳，而圖像處理恰恰需要這種能力，在這種背景下GPU誕生了。從結構上而言，GPU具有更多的ALU和更少的高速緩存器。這是因為GPU是專門面向大量數(shù)據(jù)運算而準備的，不需要具備過于復雜的邏輯功能，因此GPU分配更多的芯片面積給ALU。同時值得注意的是，GPU不僅僅是依靠ALU的數(shù)量，更加重要的是其并行運算的能力。我們可以這樣理解：傳統(tǒng)的CPU就像一個老教授，其能力很強，但做事一板一眼，在完成一道絕對難度不大但計算量很大的數(shù)學題時，該教授只能一個數(shù)一個數(shù)的運算;GPU就像一群小學生，雖然其無法完成思維難度較大的任務（也就是邏輯、指令更加復雜的任務），但可以在同一時刻分別進行一組數(shù)據(jù)的運算，這樣從絕對的時間上來看，這群小學生完成運算的時間可能遠遠小于教授完成的時間。

具體到神經(jīng)網(wǎng)絡上，在前文中我們介紹過神經(jīng)網(wǎng)絡不管是前向傳播還是反向傳播都是一種矩陣運算，或者說一種并行運算，在這種情況下使用CPU效率低、時間長，而使用GPU我們就可以同時把大量數(shù)據(jù)輸入，分別運算并求和。因此，GPU比起CPU而言更加適合神經(jīng)網(wǎng)絡的相關運算。

2.2 FPGA

眾所周知，芯片，或者叫集成電路，其基本組成單元是晶體管，而在實際應用中實現(xiàn)功能的基本單元則是“與門”、“或門”這樣的基本邏輯計算單元。因此，設計集成電路的過程也就是配置邏輯陣列的過程，通過對不同邏輯基本單元的連線，我們可以實現(xiàn)不同的邏輯電路，完成不同的計算任務。

不管是CPU還是GPU，由于其基本運算單元的一致性，它們在底層結構上是相通的。我們可以想象這些底層單元就像是一塊塊積木，我們通過拼接它們實現(xiàn)了不同的結構，以應對不同的任務。而FPGA就像是裝載著這些積木的玩具箱，我們可以臨時取出一部分玩具來進行組裝，任務完成后再拆解并放回箱中。

上文中我們提到，神經(jīng)網(wǎng)絡的基本結構是相似的，但相似不代表相同，顯然如果我們在每次計算前都能夠修改邏輯陣列，使得運算模塊更加符合某一個具體任務，這樣就能夠更加快速、靈活地面對神經(jīng)網(wǎng)絡的相關問題。

FPGA是一種集成大量基本門電路及存儲器的芯片，可以通過FPGA配置文件來定義這些門電路及存儲器間的連線，進而實現(xiàn)特定功能。而其內容是可配置的，通過配置特定的文件可以將FPGA轉變?yōu)椴煌幚砥?，F(xiàn)PGA可靈活的支持各類深度學習的計算任務。

2.3 ASIC

如果說FPGA是樂高積木，可以組合為各種各樣的功能電路來應對不同任務，那么ASIC就是從源頭上就開始面向具體的任務的專用芯片。ASIC完全不考慮多用途，它就是為了某個具體的任務而被設計出來的。眾所周知，芯片功能一旦經(jīng)過流片就無法更改，因此ASIC作為不可配置的高度定制專用芯片，自然需要大量的研發(fā)投入。同時，若其出貨量不能保證，其單顆成本就難以下降。因此若市場上深度學習的方向一經(jīng)改變，ASIC在前期的投入將無法回收。因此，ASIC具有較大的市場風險。

但ASIC的優(yōu)勢也是顯而易見的，由于它是專門設計的，因此他在某一個具體任務上的性能（例如訓練某一種網(wǎng)絡）一定是三者中最好的;盡管它的研發(fā)成本比較高，但如果能夠大量出貨，其單顆成本將遠紙低于FPGA。其典型代表就是財大氣粗的谷歌所研制的專門用于神經(jīng)網(wǎng)絡訓練的“TPU”[4]。

3 結語

縱貫人工智能的發(fā)展歷史，我們不難發(fā)現(xiàn)，掣肘該技術發(fā)展的一大因素就是硬件的計算能力。在很長的一段時間內，芯片產(chǎn)業(yè)的發(fā)展將長久影響著人工智能技術的進步。如何提升硬件性能，不僅是中國所面臨的問題，也是整個世界所面臨的問題。在面對該問題時，不同公司也給出了不同的解決方法，從中國的“寒武紀”到谷歌的TPU，這些凝聚著工程師智慧的工業(yè)產(chǎn)品讓我們看到了不同的發(fā)展思路。也許在不遠的未來，不僅僅是芯片，傳統(tǒng)的馮諾依曼結構也會被更新的系統(tǒng)所代替。

參考文獻

[1] 盛仲飆.BP神經(jīng)網(wǎng)絡原理及MATLAB仿真[J].渭南師范學院學報，2008，23（05）：65-67.

[2] 施羽暇.人工智能芯片技術研究[J].電信網(wǎng)技術，2016（12）：11-13.

[3] 張蔚敏，蔣阿芳，紀學毅.人工智能芯片產(chǎn)業(yè)現(xiàn)狀[J].電信網(wǎng)技術，2018（02）.

[4] 人工智能騰訊科技宇行.人工智能芯片軍備競賽開啟，谷歌等硅谷巨頭加入[J].信息與電腦（理論版），2017（08）：17-18.