目前AI芯片的發(fā)展依然受到制約：第一個是深度學習需要海量數(shù)據(jù)進行計算，內(nèi)存帶寬的制約，已經(jīng)成為整個系統(tǒng)的性能瓶頸。第二個就是海量內(nèi)存和計算單元，訪問頻繁切換，導致整體功耗很難降下去。最后便是隨著AI產(chǎn)業(yè)的快速變化，硬件如何適配算法是個難題。

這里預測一下AI芯片的4****展趨勢。未來10年是加速計算架構(gòu)變革的新十年。在計算存儲一體化方面，也就是把計算單元和存儲單元放在一起，使得AI系統(tǒng)的計算和數(shù)據(jù)吞吐量增大，還能顯著地降低功耗。會不會出現(xiàn)一種新型非易失性存儲器件，就是在存儲陣列里面加上AI計算功能，從而節(jié)省數(shù)據(jù)搬移操作呢？現(xiàn)在硬件計算能力大于數(shù)據(jù)讀取和訪問性能，當計算單元不在是瓶頸，如何減少存儲器的訪問延時，將會成為下一個研究方向。通常，離計算越近的存儲器速度越快，每字節(jié)的成本也越高，同時容量也越受限，因此新型的存儲結(jié)構(gòu)也將應(yīng)運而生。第二個趨勢就是，稀疏化計算。隨著千億、到萬億網(wǎng)絡(luò)模型提出，模型越來越大，但實際不是每個神經(jīng)元，都能有效激活，這個時候稀疏計算，可以高效減少無用能效。特別是在推薦場景和圖神經(jīng)網(wǎng)絡(luò)的應(yīng)用，稀疏已經(jīng)成為常態(tài)。例如，哈佛大學提出了優(yōu)化的五級流水線結(jié)構(gòu)， 在最后一級輸出了觸發(fā)信號。在Activation層后對下一次計算的必要性進行預先判斷，如果發(fā)現(xiàn)這是一個稀疏節(jié)點，則觸發(fā) SKIP信號，避免乘法運算的功耗，以達到減少無用功耗的目的。第三個趨勢是支持更加復雜的AI算子。在標準的SIMD基礎(chǔ)上，CNN的特殊結(jié)構(gòu)復用，可以減少總線的數(shù)據(jù)通訊，Transformer結(jié)構(gòu)對大數(shù)據(jù)在計算和存儲之間切換，或者是在NLP和語音領(lǐng)域經(jīng)常需要支持的動態(tài)shape，合理地分解、映射這些不同復雜結(jié)構(gòu)的算子，到有效的硬件上成為了一個值得研究的方向。最后一個是更快的推理時延和存儲位寬。隨著蘋果、高通、華為都在手機芯片SoC上面推出AI推理硬件IP，近年來在手機SoC上，又引入可學習功能。未來如何在手機SoC上執(zhí)行更快是業(yè)界很關(guān)注的一個點，包括經(jīng)?？匆曨l的抖音、bilibili，都需要對視頻進行AI編解碼，基于ISP進行AI影像處理。另外在理論計算領(lǐng)域，神經(jīng)網(wǎng)絡(luò)計算的位寬從32bit到16bit，出現(xiàn)了混合精度到目前8bit，甚至更低的比特數(shù)，都開始慢慢進入實踐領(lǐng)域。來源：芯生代

*博客內(nèi)容為網(wǎng)友個人發(fā)布，僅代表博主個人觀點，如有侵權(quán)請聯(lián)系工作人員刪除。