資源描述：
《人工智能芯片的爭奪 誰將勝出？.doc》由會員上傳分享，免費在線閱讀，更多相關內容在學術論文-天天文庫。
1、人工智能芯片的爭奪誰將勝出？ 現(xiàn)在的深度學習系統(tǒng)依賴于軟件定義網絡和大數(shù)據(jù)學習產生的超大型運算能力，并靠此來實現(xiàn)目標。但很遺憾的是，這類型的運算配置是很難嵌入到那些運算能力、存儲大小、和帶寬都有限制的系統(tǒng)中（例如汽車、無人機和物聯(lián)網設備）?！ ∵@就給業(yè)界提出了一個新的挑戰(zhàn)，如何通過創(chuàng)新，把深度神經網絡的運算能力嵌入到終端設備中去。 Movidius公司的CEORemiEl－Ouazzane在幾個月前說過，將人工智能擺在網絡的邊緣將會是一個大趨勢?！ emiEl－Ouazzane 在問到為什么人工智能會被“趕”到網絡邊緣的時候，CEAArchitectur
2、eFellowMarcDuranton給出了三個原因：分別是安全、隱私和經濟。他認為這三點是驅動業(yè)界在終端處理數(shù)據(jù)的重要因素。他指出，未來將會衍生更多“將數(shù)據(jù)轉化為信息”的需求。并且這些數(shù)據(jù)越早處理越好，他補充說?！ EAArchitectureFellowMarcDuranton 攝像一下，假如你的無人駕駛汽車是安全的，那么這些無人駕駛功能就不需要長時間依賴于聯(lián)盟處理；假設老人在家里跌倒了，那么這種情況當場就應該檢測到并判斷出來?？紤]到隱私原因，這些是非常重要的，Duranton強調?！ 〉@并不意味著收集家里十個攝像頭的所有圖片，并傳送給我，就稱作一個號
3、的提醒。這也并不能降低“能耗、成本和數(shù)據(jù)大小”，Duranton補充說?！ 「傎愓介_啟 從現(xiàn)在的情景看來，芯片供應商已經意識到推理機的增長需求。包括Movidus（Myriad2），Mobileye（EyeQ4＆5）和Nvidia（DrivePX）在內的眾多半導體公司正在角逐低功耗、高性能的硬件加速器。幫助開發(fā)者更好的在嵌入式系統(tǒng)中執(zhí)行“學習”。 從這些廠商的動作和SoC的發(fā)展方向看來，在后智能手機時代，推理機已經逐漸成為半導體廠商追逐的下一個目標市場?！ ≡诮衲暝缧r候，Google的TPU橫空出世，昭示著業(yè)界意圖在機器學習芯片中推動創(chuàng)新的的意圖。在發(fā)布這個
4、芯片的時候，搜索巨人表示，TPU每瓦性能較之傳統(tǒng)的FPGA和GPU將會高一個數(shù)量級。Google還表示，這個加速器還被應用到了今年年初風靡全球的AlphaGo系統(tǒng)里面?！ 〉菑陌l(fā)布到現(xiàn)在，Google也從未披露過TPU的具體細節(jié)，更別說把這個產品對外出售?！ 『芏郤oC從業(yè)者從谷歌的TPU中得出了一個結論，他們認為，機器學習需要定制化的架構。但在他們針對機器學習做芯片設計的時候，他們又會對芯片的架構感到懷疑和好奇。同時他們想知道業(yè)界是否已經有了一種衡量不同形態(tài)下深度神經網絡（DNN）性能的工具?！ 」ぞ咭呀浀絹怼 EA聲稱，他們已經為幫推理機探索不同的硬件架
5、構做好了準備，他們已經開發(fā)出了一個叫做N2D2，的軟件架構。他們夠幫助設計者探索和聲稱DNN架構?！拔覀冮_發(fā)這個工具的目的是為了幫助DNN選擇適合的硬件”，Duranton說。到2017年第一季度，這個N2D2會開源。Duranton承諾?！ 2D2的特點在于不僅僅是在識別精度的基礎上對比硬件，它還能從處理時間、硬件成本和能源損耗的多個方面執(zhí)行對比。因為針對不同的深度學習應用，其所需求的硬件配置參數(shù)都是不一樣的，所以說以上幾點才是最重要的，Duranton表示?！ 2D2的工作原理 N2D2為現(xiàn)存的CPU、GPU和FPGA提供了一個參考標準?！ ∵吘売嬎愕?/p>
6、障礙 作為一個資深的研究組織，CEA已經在如何把DNN完美的推廣到邊緣計算領域進行了長時間的深入研究。在問到執(zhí)行這種推進的障礙時，Duranton指出，由于功耗、尺寸和延遲的限制，這些“浮點”服務器方案不能應用。這就是最大的障礙。而其他的障礙包括了“大量的Mac、帶寬和芯片上存儲的尺寸”，Duranton補充說。 那就是說如何整合這種“浮點”方式，是最先應該被解決的問題?！ uranton認為，一些新的架構是在所難免的，隨之而來的一些類似“spikecode”的新coding也是必然的?！ 〗涍^CEA的研究指出，甚至二進制編碼都不是必須的。他們認為類似spik
7、ecoding這類的時間編碼在邊緣能夠迸發(fā)出更強大的能量?！ pikecoding之所以受歡迎，是因為它能明確展示神經系統(tǒng)內的數(shù)據(jù)解碼。往深里講，就是說這些基于事件的的編碼能夠兼容專用的傳感器和預處理?！ ∵@種和神經系統(tǒng)極度相似的編碼方式使得混合模擬和數(shù)字信號更容易實現(xiàn)，這也能夠幫助研究者打造低功耗的硬件加速器?！ EA也正在思考把神經網絡架構調整到邊緣計算的潛在可能。Duranton指出，現(xiàn)在人們正在推動使用‘SqueezeNet取替AlexNet。據(jù)報道，為達到同等精度，使用前者比后者少花50倍的參數(shù)。這類的簡單配置對于邊緣計算、拓撲學和降低Mac的數(shù)量
