關(guān)于人工智能(AI)的報導一直不絕于耳。過去幾年來，幾乎每個月(有時甚至是每周)都會有一款現(xiàn)有或新創(chuàng)公司的全新AI處理器推出市場。然而，懸而未決的問題是：為什么有這么多的AI處理器？每一款A(yù)I晶片的設(shè)計是為了解決哪些問題？更重要的是，當今的AI版圖中還缺少哪些部份？

Tirias Research首席分析師Kevin Krewell直截了當?shù)卣f，「AI帶來了一種新典范，并改變了整個電腦系統(tǒng)。」現(xiàn)有企業(yè)和新創(chuàng)公司都在爭奪仍處于混亂中的「AI就緒」(AI-ready )運算領(lǐng)域。以色列Hailo是一家為「邊緣裝置深度學習」打造專用晶片的新創(chuàng)公司，今年6月宣布完成1,250萬美元的A輪融資。Hailo的目標在于「為任何產(chǎn)品帶來智慧」(to bring intelligence to any product)。因此，Hailo執(zhí)行長Orr Danon最近呼吁「徹底重新設(shè)計電腦架構(gòu)的支柱——存儲器、控制和運算以及其間的關(guān)系。」

這是一個值得稱道的目標。然而，Hailo既不打算透露其架構(gòu)細節(jié)——Danon僅表示「可能就在今年底」，其首款A(yù)I處理器最快也要到2019年上半年后才會正式推出。

Danon認為，目前還沒有一家自動駕駛車(AV)供應(yīng)商能在無數(shù)的新一代AI處理器中找到適用于其AV的晶片。汽車領(lǐng)域正是Hailo看好其新款A(yù)I處理器得以發(fā)揮的直接目標市場。Danon指出，當今的測試AV實際上都在公共道路上行駛，車后行李箱中還配置了一個資料中心。他說，為了填補這些測試車和自動駕駛車(必須為大量部署而打造)之間的巨大鴻溝，一線(tier one)和汽車OEM需要一種全新的AI處理器，協(xié)助其更有效率地執(zhí)行相同的深度學習任務(wù)。

Hailo為此整理了目前每一款A(yù)I處理器的每瓦(W)深度學習TMACS。該公司與《EE Times》的讀者分享的重點在于深入探討：AV產(chǎn)業(yè)在多大程度上仍無法獲得推動高度自動駕駛車所需的高效能AI處理器。

業(yè)界分析師和其他AI新創(chuàng)公司高層也針對目前在AI發(fā)展道路上的重大障礙發(fā)表看法。

現(xiàn)代CPU架構(gòu)并不適用于AI

大多數(shù)業(yè)界觀察家一致認為，目前基于馮·諾依曼(von Neumann)架構(gòu)的CPU處理器無法有效因應(yīng)當今的AI處理任務(wù)。The Linley Group首席分析師Linley Gwennap指出，「Von Neumann不適用于AI。」他解釋說，每一次的運算都必須擷取并解碼指令，以及收集并儲存資料于暫存器檔案中。「為了提高每瓦運算效能，你必須執(zhí)行更多的運算和更少的擷取任務(wù)。」

Krewell同意這一看法。他說：「Von Neumann架構(gòu)極其適于控制和循序計算：'If-Then-Else'操作。相形之下，神經(jīng)網(wǎng)路就像圖形一樣，是高度平行的，而且依賴于存儲器頻寬的處理。試圖用CPU擴展神經(jīng)網(wǎng)路是相當昂貴的(包括功耗和成本)。」

典型的馮·諾依曼(von Neumann)電腦架構(gòu)（來源：Hailo）

Danon說：「盡管Von Neumann架構(gòu)和現(xiàn)代CPU一般都非常靈活，但在很多情況下，這種靈活性并不是必要的。」它適用于神經(jīng)網(wǎng)路和其他操作，例如，為未來的許多周期預(yù)先確定行為。在這種情況下，他指出，設(shè)計系統(tǒng)的更有效方法是「避免以讀取指令來指導每個周期的系統(tǒng)行為。保持每個周期改變元素行為的靈活度非常重要。」

在Danon看來，「神經(jīng)網(wǎng)路將這一概念推向了極致。『結(jié)構(gòu)』——決定運算元素之間連接性——確定整個會話的行為(又稱『運算圖形』)。」簡言之，AI社群需要的不是基于Von Neumann架構(gòu)的處理器，而是「善于描述神經(jīng)網(wǎng)路結(jié)構(gòu)的特定處理器」。

重新關(guān)注資料流架構(gòu)

由于CPU和GPU的深度學習性能無法滿足需求，引發(fā)業(yè)界積極尋找基于資料流(dataflow)架構(gòu)的新解決方案。但為什么是資料流？

根據(jù)Gwenapp的說法，業(yè)界希望進行更多的運算和更少的擷取，首先嘗試開發(fā)寬的單指令/多資料(SIMD)架構(gòu)。「但是你只能將暫存器檔案做得很寬。」業(yè)界很快地發(fā)現(xiàn)，該解決方案是「直接自動地將資料從運算單元移動到運算單元」。他說，「這是一種稱為資料流的通用方法，可以大幅降低von Neumann的開銷。」

不久前才收購MIPS的Wave Computing，是一家利用資料流技術(shù)的AI新創(chuàng)公司。根據(jù)該公司執(zhí)行長Derek Meyer表示，Wave Computing設(shè)計了一款新的處理單元，「可以原生支援Google TensorFlow和微軟(Microsoft)的CNTK」。

Danon坦承Hailo的新款A(yù)I處理器也屬于架構(gòu)的「資料流系列」。他解釋說，資料流「通常更適合深度學習」，因為「用于計算的大多數(shù)參數(shù)都不需要移動。相反地，它們用于描述資料流動時的圖形。」

資料流解決方案：典型的平行運算架構(gòu)（來源：Hailo）

Krewell指出，資料流的概念并不是什么新鮮事兒，也已經(jīng)成功地在通用電腦硬體實現(xiàn)商用化了。

但是，隨著AI改變運算領(lǐng)域，資料流正在尋找機器學習的「新機遇」。Krewell補充說：「透過使用資料流和脈動陣列架構(gòu)，您可以將神經(jīng)網(wǎng)路處理設(shè)計為從一分層到另一分層，而無需太多控制邏輯。」

這種新轉(zhuǎn)折可說是Wave Computing的天賜良機。該新創(chuàng)公司自2010年以來一直在利用其于資料流技術(shù)方面的專業(yè)知識以及建立專利組合，積極地專注于機器和深度學習。

存儲器頻寬面臨瓶頸

AI——特別是卷積神經(jīng)網(wǎng)路(CNN)，似乎非常適合資料流設(shè)計。但是，Gwenapp強調(diào)，這并不表示所有的資料流設(shè)計都對AI有利，「系統(tǒng)中還存在著其他瓶頸，如存儲器頻寬。」

業(yè)界開始看到這樣的暗示：存儲器導向的裝置是客制深度學習硬體的未來。例如，新創(chuàng)公司Mythic瞄準了將神經(jīng)網(wǎng)路映射到NOR存儲器陣列。該公司將「存儲器處理器」(processor-in-memory；PIM)架構(gòu)用于AI，使其晶片得以在快閃存儲器中儲存并處理神經(jīng)網(wǎng)路權(quán)重，而其結(jié)果(最終和中間)則儲存在SRAM中。因為這樣的記憶體陣列無需將資料移入和移出外部存儲器，所以，Mythic承諾將在其晶片中實現(xiàn)性能/功耗的巨大進展。

存儲器處理器(PIM)（來源：Mythic）

Mythic的設(shè)計概念當然具有吸引力，特別是當大多數(shù)晶片設(shè)計者試圖提高存儲器頻寬時，一般都采用可能造成破壞的方法。然而，Danon抱持謹慎看法，他表示還不確定Mythic的存儲器處理器晶片能否正常運作，但很可能「將技術(shù)推得太遠了」。

Danon說，目前更實際和更現(xiàn)實的方法是「共同定位存儲器和運算」。「我們需要讓運算結(jié)構(gòu)能以高利用率存取所需的存儲器，從而產(chǎn)生非常高的頻寬。」他補充說，這對于實現(xiàn)運算元素的高利用率至關(guān)重要。

Krewell則解釋，「一些挑戰(zhàn)是在訓練期間保持權(quán)重。這就是像GraphCore在晶片上打造大型存儲器的原因。」他并補充說：「這也就是為什么GPU和英特爾(Intel)的Nervana使用高頻寬存儲器(HBM)、Wave Computing使用美光(Micron) Hypercube存儲器的原因。」

除了TPU，如何調(diào)整軟體和硬體？

Danon表示，Google經(jīng)由其Tensor處理器，「展示了一種樣板」，用于從頭開始設(shè)計高效率的架構(gòu)，并針對推論任務(wù)進行了最佳化。這是個大好消息。然而，壞消息是，如果客戶想要使用除了TensorFlow之外的深度學習架構(gòu)呢？

在這種情況下，他們就需要翻譯。雖然許多新興工具，包括ONNX，都用于翻譯幾個AI架構(gòu)，但Danon解釋說，在此過程中，即使內(nèi)容不會在翻譯中完全遺失，計算也可能變得「非常低效」。他指出，產(chǎn)生這種困境的原因在于，以簡潔方式描述問題的神經(jīng)網(wǎng)路「結(jié)構(gòu)」必須轉(zhuǎn)換為von Neumann架構(gòu)的通用處理器所使用的一系列規(guī)則操作。

Danon指出，當今的AI處理器在軟體和硬體之間缺乏一致性。他說，在理想情況下，軟體和硬體二者都使用基于結(jié)構(gòu)的描述方法。Hailo計劃將本機描述為「神經(jīng)網(wǎng)路分層」，從而使其處理器有別于其他處理器。

Danon解釋說，Hailo的目標「有點類似于組合語言本身能夠在基于規(guī)則的系統(tǒng)中描述規(guī)則一樣——條件敘述和分支的形式。」

實現(xiàn)更高每瓦性能的競賽

深度學習性能效率是AI處理器競爭對手之間經(jīng)常引爆的一場大辯論。在輝達(Nvidia)和英特爾/Mobileye之間，兩家競爭對手的高層還公開爭辯其于Xavier SoC和EyeQ5的主張。

針對深度學習影像進行處理的實際處理器效率比較（來源：Hailo）

Hailo根據(jù)每家供應(yīng)商發(fā)布的資料，編制了一份AI處理器比較表——從Nvidia的Volta V100、Pascal P4和Google TPU，到GraphCore IPU和Wave Computing DPU，詳細列出每家供應(yīng)商的深度學習tera級每秒乘積累加(TMAC)運算和功耗資料。Hailo的目標是為每個AI處理器計算深度學習的每瓦TMACS。Hailo并觀察到當前的AI處理器可達到每瓦低于0.1TMACS的效能，而在使用批次處理方法時可能略高于此。

神經(jīng)網(wǎng)路（來源：Hailo）

Danon以處理高解析(HD)視訊為例指出，如果車輛以每秒30格(30f/s)的速度接收全高解析(FHD)視訊，并使用ResNet50網(wǎng)路進行深度學習。處理FHD視訊串流通常需要每個感測器約5TMACS。根據(jù)自動駕駛的等級，一般汽車預(yù)計將配備4到12個攝影機感測器。

這意味著部署在自動駕駛車的任何現(xiàn)有AI處理器已經(jīng)讓每個感測器消耗約幾十瓦功耗，或每輛汽車幾百瓦了。Danon認為這已經(jīng)超出太多了。或者，他懷疑，如果OEM無力應(yīng)付這么多的電力浪費，他們別無選擇，最終將只能在性能上大幅妥協(xié)。

理論上，「相較于傳統(tǒng)的von Neumann處理器，精心設(shè)計的CNN加速器應(yīng)該能達到更高數(shù)十倍的每瓦性能」。但是，Gwenapp說：「即便采用這種方法也不足以滿足4/5級自動駕駛車的挑戰(zhàn)性要求。」

換句話說，盡管市場上充斥過多的AI處理器，但沒有一款能夠達到讓全自動駕駛車實現(xiàn)商用化可行的性能標準。

但Gwennap仍抱持樂觀看法。「幸運的是，我們還處于AI競賽的早期階段。預(yù)計在未來十年內(nèi)將能在硬體和軟體方面看到大幅的進展。」