過去十年間，幾項技術(shù)的進步使人工智能 （AI）成為最令人振奮的技術(shù)之一。2012年，Geoffrey Everest Hinton在Imagenet挑戰(zhàn)賽中展示了他的廣義反向傳播神經(jīng)網(wǎng)絡(luò)算法，該算法使計算機視覺領(lǐng)域發(fā)生了革命性變化。然而，機器學習理論早在2012年之前就有人提出，并且Nvidia GTX 580圖形處理器單元等微處理器使這一理論得以實現(xiàn)。這些處理器具有相對較高的內(nèi)存帶寬能力且擅長矩陣乘法，可將該神經(jīng)網(wǎng)絡(luò)模型的AI訓練時間縮短至大約一周。理論與算法的結(jié)合開啟了新一代技術(shù)進步，帶來了與AI相關(guān)的全新可能性。本文概述了人工智能設(shè)計新時代及其多樣化處理、內(nèi)存和連接需求。

　　人工智能剖析

　　我們將神經(jīng)網(wǎng)絡(luò)定義為深度學習，它是機器學習及人工智能的一個子集，如圖1所示。這是一個重要的分類，深度學習該子集改變了芯片系統(tǒng)架構(gòu)設(shè)計。

　　圖1：人工智能采用深度學習算法模仿人類行為

　　深度學習不僅改變了芯片架構(gòu)，而且催生了半導體市場的新一輪投資。深度學習算法模型是研發(fā)和商業(yè)投資的熱點，例如卷積神經(jīng)網(wǎng)絡(luò) （CNN）。CNN一直是機器視覺的主要焦點。遞歸神經(jīng)網(wǎng)絡(luò)等模型因其識別時間的能力而在自然語言理解中得以應用。

　　人工智能的應用

　　深度學習神經(jīng)網(wǎng)絡(luò)應用于許多不同的場景，為使用它們的人提供了強大的新工具。例如，它們可以支持高級安全威脅分析、預測和防止安全漏洞，并通過預測潛在買家的購物流程來幫助廣告商識別和精簡銷售流程。

　　但AI設(shè)計并未局限于數(shù)據(jù)中心，諸如用于物件和人臉識別的視覺系統(tǒng)、用于改進人機接口的自然語言理解以及周圍環(huán)境感知等許多新功能可基于傳感器輸入的組合而使機器理解正在發(fā)生的活動。這些深度學習能力已融入到不同場景所需的芯片設(shè)計中，包括智能汽車、數(shù)字家庭、數(shù)據(jù)中心和物聯(lián)網(wǎng) （IoT），如圖2所示。

　　圖2：AI處理能力已結(jié)合到大量應用中

　　手機利用神經(jīng)網(wǎng)絡(luò)實現(xiàn)上述多種AI功能。手機可運行人臉識別應用、物件識別應用、自然語言理解應用。此外，它在內(nèi)部使用神經(jīng)網(wǎng)絡(luò)進行5G自組織，因為無線信號在其他介質(zhì)、不同的光譜上會變得更密集，并且所傳輸?shù)臄?shù)據(jù)有不同的優(yōu)先級。

　　人類大腦

　　最近，深度學習通過數(shù)學和半導體硬件的進步變得可行。業(yè)界已開展多項舉措，在下一代數(shù)學模型和半導體架構(gòu)中更好地復制人腦，這通常被稱為神經(jīng)形態(tài)計算。人類的大腦可以達到難以置信的高效率，但技術(shù)在復制人類大腦等方面才剛開始觸及皮毛。人類大腦包含超過1 PB （Petabyte=1024TB）的存儲空間，相當于大約540萬億個晶體管，且功率小于12瓦。從這點來說，復制大腦是一個長遠的目標。然而，ImageNet挑戰(zhàn)賽已從2012年的第一個反向傳播CNN算法發(fā)展到2015年更高級的AI模型ResNet 152，市場正在快速發(fā)展，新的算法層出不窮。

　　AI設(shè)計挑戰(zhàn)

　　融合深度學習能力的芯片架構(gòu)促使了多項關(guān)鍵技術(shù)的進步，從而達到高度集成的解決方案和更通用的AI 芯片，包含專用處理需求、創(chuàng)新內(nèi)存架構(gòu)和實時數(shù)據(jù)連接。

　　?專用處理需求

　　融合神經(jīng)網(wǎng)絡(luò)能力的芯片必須同時適應異構(gòu)和大規(guī)模并行矩陣乘法運算。異構(gòu)組件需要標量、矢量DSP和神經(jīng)網(wǎng)絡(luò)算法能力。例如，機器視覺需要獨立的步驟，每一步都需要執(zhí)行不同類型的處理，如圖3所示。

　　圖3：神經(jīng)網(wǎng)絡(luò)能力需要獨特的處理

　　預處理需要更簡單的數(shù)據(jù)級并行性。對所選區(qū)域的精確處理需要更復雜的數(shù)據(jù)級并行性，可以通過具有良好矩陣乘法運算能力的專用CNN加速器有效地處理。決策階段通常可以通過標量處理的方式來處理。每個應用都是獨一無二的，但很明顯的是，包括神經(jīng)網(wǎng)絡(luò)算法加速的異構(gòu)處理解決方案需要有效地處理AI模型。

　　?創(chuàng)新內(nèi)存架構(gòu)

　　AI模型使用大量內(nèi)存，這增加了芯片的成本。訓練神經(jīng)網(wǎng)絡(luò)要求達到幾GB甚至10GB的數(shù)據(jù)，這就需要使用DDR最新技術(shù)，以滿足容量要求，例如，作為圖像神經(jīng)網(wǎng)絡(luò)的VGG-16在訓練時需要大約9GB的內(nèi)存；更精確的模型VGG-512需要89GB的數(shù)據(jù)才能進行訓練。為了提高AI模型的準確性，數(shù)據(jù)科學家使用了更大的數(shù)據(jù)集。同樣，這會增加訓練模型所需的時間或增加解決方案的內(nèi)存需求。由于需要大規(guī)模并行矩陣乘法運算以及模型的大小和所需系數(shù)的數(shù)量，這就要求配備具有高帶寬存取能力的外部存儲器及新的半導體接口IP，如高帶寬存儲器 （HBM2）和衍生產(chǎn)品 （HBM2e）。先進的FinFET技術(shù)支持更大的芯片SRAM陣列和獨特的配置，具有定制的存儲器到處理器和存儲器到存儲器接口，這些技術(shù)正在開發(fā)中，為了更好地復制人腦并消除存儲器的約束。

　　AI模型可以壓縮，確保模型在位于手機、汽車和物聯(lián)網(wǎng)應用邊緣的芯片中受限的存儲器架構(gòu)上運行所必需的。壓縮采用剪枝和量化技術(shù)進行且不能降低結(jié)果的準確性，這就要求傳統(tǒng)芯片架構(gòu)（具有LPDDR或在某些情況下沒有外部存儲器）支持神經(jīng)網(wǎng)絡(luò)。隨著這些模型的壓縮，不規(guī)則的存儲器存取和計算強度增加，延長了系統(tǒng)的執(zhí)行時間。因此，系統(tǒng)設(shè)計人員正在開發(fā)創(chuàng)新的異構(gòu)存儲器架構(gòu)。

　　?實時數(shù)據(jù)連接

　　一旦AI模型經(jīng)過訓練并可能被壓縮，就可以通過許多不同的接口IP解決方案執(zhí)行實時數(shù)據(jù)。例如，視覺應用由CMOS圖像傳感器支持，并通過MIPI攝像頭串行接口 （CSI-2）和MIPI D-PHY IP連接。LiDAR和雷達可通過多種技術(shù)支持，包括PCI Express和MIPI。麥克風通過USB、脈沖密度調(diào)制 （PDM） 和I2S等連接傳輸語音數(shù)據(jù)。數(shù)字電視支持HDMI和DisplayPort連接，以傳輸視頻內(nèi)容，而這些內(nèi)容可通過神經(jīng)網(wǎng)絡(luò)傳輸后得到改善，實現(xiàn)超高圖像分辨率，從而以更少的數(shù)據(jù)生成更高質(zhì)量的圖像。目前，大多數(shù)電視制造商正在考慮部署這項技術(shù)。

　　混合AI系統(tǒng)是另一個預計會大量采用的概念。例如，心率算法通過健身帶上的AI系統(tǒng)可以識別異常，通過將信息發(fā)送到云端，對異常進行更準確的深入AI神經(jīng)網(wǎng)絡(luò)分析，并加以提示。這類技術(shù)已經(jīng)成功地應用于電網(wǎng)負載的平衡，特別是在電線中斷或出現(xiàn)意外重負荷的情況下。為了支持快速、可靠的網(wǎng)絡(luò)與云端連接，上述示例中的聚合器需要以太網(wǎng)連接。

　　消除瓶頸

　　盡管復制人類大腦還有很長的路要走，但人類大腦已被用作構(gòu)建人工智能系統(tǒng)的有效模型，并繼續(xù)由全球領(lǐng)先的研究機構(gòu)來建模。最新的神經(jīng)網(wǎng)絡(luò)試圖復制效率和計算能力，芯片架構(gòu)也開始通過緊密耦合處理器和內(nèi)存來復制人類大腦。ARC子系統(tǒng)包括AI及其APEX擴展和普遍存在的RISC架構(gòu)所需的處理能力。子系統(tǒng)將外設(shè)和存儲器緊密耦合到處理器，以消除關(guān)鍵的存儲器瓶頸問題。

　　用于AI的DesignWare IP

　　AI是最令人振奮的技術(shù)之一，特別是深度學習神經(jīng)網(wǎng)絡(luò)，通過結(jié)合神經(jīng)網(wǎng)絡(luò)算法的創(chuàng)新以及高帶寬、高性能半導體設(shè)計的創(chuàng)新而飛速發(fā)展。

　　新思科技正在與世界各地細分市場中領(lǐng)先的AI 芯片供應商合作，提供采用經(jīng)過驗證的可靠IP解決方案，幫助他們降低芯片設(shè)計風險，加快產(chǎn)品上市速度，并為AI設(shè)計人員帶來關(guān)鍵的差異化優(yōu)勢。

　　專用處理需求、創(chuàng)新內(nèi)存架構(gòu)和實時數(shù)據(jù)連接構(gòu)成了人工智能芯片的DNA，面對AI設(shè)計挑戰(zhàn)，新思科技提供了許多專業(yè)處理解決方案來消除存儲器瓶頸，包括存儲器接口IP、帶有TCAM和多端口存儲器的芯片SRAM編譯器等，同時提供了全面的實時數(shù)據(jù)連接選項。這些IP解決方案是下一代AI設(shè)計的關(guān)鍵組件。

　　關(guān)于新思?

　　新思科技（Synopsys, Inc.，納斯達克股票市場代碼： SNPS）致力于創(chuàng)新改變世界，在芯片到軟件的眾多領(lǐng)域，新思科技始終引領(lǐng)技術(shù)趨勢，與全球科技公司緊密合作，共同開發(fā)人們所依賴的電子產(chǎn)品和軟件應用。新思科技是全球排名第一的芯片自動化設(shè)計解決方案提供商，全球排名第一的芯片接口IP供應商，同時也是信息安全和軟件質(zhì)量的全球領(lǐng)導者。作為半導體、人工智能、汽車電子及軟件安全等產(chǎn)業(yè)的核心技術(shù)驅(qū)動者，新思科技的技術(shù)一直深刻影響著當前全球五大新興科技創(chuàng)新應用：智能汽車、物聯(lián)網(wǎng)、人工智能、云計算和信息安全。

　　新思科技成立于1986年，總部位于美國硅谷，目前擁有13000多名員工，分布在全球100多個分支機構(gòu)。2018財年預計營業(yè)額31億美元，擁有3000多項已批準專利，為美國標普500指數(shù)成分股龍頭企業(yè)。

　　自1995年在中國成立新思科技以來，新思科技已在北京、上海、深圳、廈門、武漢、西安、南京、香港、澳門九大城市設(shè)立機構(gòu)，員工人數(shù)超過1100人，建立了完善的技術(shù)研發(fā)和支持服務體系，秉持“加速創(chuàng)新、推動產(chǎn)業(yè)、成就客戶”的理念，與產(chǎn)業(yè)共同發(fā)展，成為中國半導體產(chǎn)業(yè)快速發(fā)展的優(yōu)秀伙伴和堅實支撐。新思科技攜手合作伙伴共創(chuàng)未來，讓明天更有新思！