關(guān)于人工智能(AI)的報(bào)導(dǎo)一直不絕于耳。過(guò)去幾年來(lái)，幾乎每個(gè)月(有時(shí)甚至是每周)都會(huì)有一款現(xiàn)有或新創(chuàng)公司的全新AI處理器推出市場(chǎng)。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芯片的設(shè)計(jì)是為了解決哪些問題？更重要的是，當(dāng)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(dāng)?shù)卣f(shuō)，“AI帶來(lái)了一種新典范，并改變了整個(gè)計(jì)算機(jī)系統(tǒng)。”現(xiàn)有企業(yè)和新創(chuàng)公司都在爭(zhēng)奪仍處于混亂中的“AI就緒”(AI-ready)計(jì)算領(lǐng)域。

以色列Hailo是一家為“邊緣設(shè)備深度學(xué)習(xí)”打造專用芯片的新創(chuàng)公司，今年6月宣布完成1,250萬(wàn)美元的A輪融資。Hailo的目標(biāo)在于“為任何產(chǎn)品帶來(lái)智能”(to bring intelligence to any product)。因此，Hailo首席執(zhí)行官Orr Danon最近呼吁“徹底重新設(shè)計(jì)計(jì)算機(jī)架構(gòu)的支柱——內(nèi)存、控制和計(jì)算以及其間的關(guān)系。”

這是一個(gè)值得稱道的目標(biāo)。然而，Hailo既不打算透露其架構(gòu)細(xì)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(huì)正式推出。Danon認(rèn)為，目前還沒有一家自動(dòng)駕駛車(AV)供應(yīng)商能在無(wú)數(shù)的新一代AI處理器中找到適用于其自動(dòng)駕駛車的芯片。

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(biāo)市場(chǎng)。Danon指出，當(dāng)今的測(cè)試自動(dòng)駕駛車實(shí)際上都在公共道路上行駛，車后行李箱中還配置了一個(gè)數(shù)據(jù)中心。他說(shuō)，為了填補(bǔ)這些測(cè)試車和自動(dòng)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(xué)習(xí)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(xué)習(xí)TMACS。該公司與《EE Times》的讀者分享的重點(diǎn)在于深入探討：自動(dòng)駕駛車產(chǎn)業(yè)在多大程度上仍無(wú)法獲得推動(dòng)高度自動(dòng)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(duì)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(rèn)為，目前基于馮·諾依曼(von Neumann)架構(gòu)的CPU處理器無(wú)法有效因應(yīng)當(dāng)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(shuō)，每一次的計(jì)算都必須擷取并譯碼指令，以及收集并儲(chǔ)存數(shù)據(jù)于緩存器檔案中。 “為了提高每瓦計(jì)算效能，你必須執(zhí)行更多的計(jì)算和更少的擷取任務(wù)。”

Krewell同意這一看法。他說(shuō)：“Von Neumann架構(gòu)極其適于控制和循序計(jì)算：‘If-Then-Else’操作。相形之下，神經(jīng)網(wǎng)絡(luò)就像圖形一樣，是高度平行的，而且依賴于內(nèi)存帶寬的處理。試圖用CPU擴(kuò)展神經(jīng)網(wǎng)絡(luò)是相當(dāng)昂貴的(包括功耗和成本)。”

典型的馮·諾依曼(von Neumann)計(jì)算機(jī)架構(gòu)（來(lái)源：Hailo）

Danon說(shuō)：“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)絡(luò)和其他操作，例如，為未來(lái)的許多周期預(yù)先確定行為。在這種情況下，他指出，設(shè)計(jì)系統(tǒng)的更有效方法是“避免以讀取指令來(lái)指導(dǎo)每個(gè)周期的系統(tǒng)行為。保持每個(gè)周期改變?cè)匦袨榈撵`活度非常重要。”

在Danon看來(lái)，“神經(jīng)網(wǎng)絡(luò)將這一概念推向了極致。‘結(jié)構(gòu)’——決定操作數(shù)素之間連接性——確定整個(gè)會(huì)話的行為(又稱‘計(jì)算圖形’)。”簡(jiǎn)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)絡(luò)結(jié)構(gòu)的特定處理器”。

重新關(guān)注數(shù)據(jù)流架構(gòu)

由于CPU和GPU的深度學(xué)習(xí)性能無(wú)法滿足需求，引發(fā)業(yè)界積極尋找基于數(shù)據(jù)流(dataflow)架構(gòu)的新解決方案。但為什么是數(shù)據(jù)流？

根據(jù)Gwenapp的說(shuō)法，業(yè)界希望進(jìn)行更多的計(jì)算和更少的擷取，首先嘗試開發(fā)寬的單指令/多數(shù)據(jù)(SIMD)架構(gòu)。“但是你只能將緩存器檔案做得很寬。”業(yè)界很快地發(fā)現(xiàn)，該解決方案是“直接自動(dòng)地將數(shù)據(jù)從計(jì)算單元移動(dòng)到計(jì)算單元”。他說(shuō)，“這是一種稱為數(shù)據(jù)流的通用方法，可以大幅降低von Neumann的開銷。”

不久前才收購(gòu)MIPS的Wave Computing，是一家利用數(shù)據(jù)流技術(shù)的AI新創(chuàng)公司。根據(jù)該公司首席執(zhí)行官Derek Meyer表示，Wave Computing設(shè)計(jì)了一款新的處理單元，“可以原生支持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“數(shù)據(jù)流系列”。他解釋說(shuō)，數(shù)據(jù)流“通常更適合深度學(xué)習(xí)”，因?yàn)椤坝糜谟?jì)算的大多數(shù)參數(shù)都不需要移動(dòng)。相反地，它們用于描述數(shù)據(jù)流動(dòng)時(shí)的圖形。”

數(shù)據(jù)流解決方案：典型的平行計(jì)算架構(gòu)（來(lái)源：Hailo）

Krewell指出，數(shù)據(jù)流的概念并不是什么新鮮事兒，也已經(jīng)成功地在通用計(jì)算機(jī)硬件實(shí)現(xiàn)商用化了。

但是，隨著AI改變計(jì)算領(lǐng)域，數(shù)據(jù)流正在尋找機(jī)器學(xué)習(xí)的“新機(jī)遇”。Krewell補(bǔ)充說(shuō)：“透過(guò)使用數(shù)據(jù)流和脈動(dòng)數(shù)組架構(gòu)，您可以將神經(jīng)網(wǎng)絡(luò)處理設(shè)計(jì)為從一分層到另一分層，而無(wú)需太多控制邏輯。”

這種新轉(zhuǎn)折可說(shuō)是Wave Computing的天賜良機(jī)。該新創(chuàng)公司自2010年以來(lái)一直在利用其于數(shù)據(jù)流技術(shù)方面的專業(yè)知識(shí)以及建立專利組合，積極地專注于機(jī)器和深度學(xué)習(xí)。

內(nèi)存帶寬面臨瓶頸

AI——特別是卷積神經(jīng)網(wǎng)絡(luò)(CNN)，似乎非常適合數(shù)據(jù)流設(shè)計(jì)。但是，Gwenapp強(qiáng)調(diào)，這并不表示所有的數(shù)據(jù)流設(shè)計(jì)都對(duì)AI有利，“系統(tǒng)中還存在著其他瓶頸，如內(nèi)存帶寬。”

業(yè)界開始看到這樣的暗示：內(nèi)存導(dǎo)向的裝置是客制深度學(xué)習(xí)硬件的未來(lái)。例如，新創(chuàng)公司Mythic瞄準(zhǔn)了將神經(jīng)網(wǎng)絡(luò)映像到NOR內(nèi)存數(shù)組。該公司將“內(nèi)存處理器”(processor-in-memory；PIM)架構(gòu)用于AI，使其芯片得以在閃存中儲(chǔ)存并處理神經(jīng)網(wǎng)絡(luò)權(quán)重，而其結(jié)果(最終和中間)則儲(chǔ)存在SRAM中。因?yàn)檫@樣的內(nèi)存數(shù)組無(wú)需將數(shù)據(jù)移入和移出外部?jī)?nèi)存，所以，Mythic承諾將在其芯片中實(shí)現(xiàn)性能/功耗的巨大進(jìn)展。

內(nèi)存處理器(PIM)（來(lái)源：Mythic）

Mythic的設(shè)計(jì)概念當(dāng)然具有吸引力，特別是當(dāng)大多數(shù)芯片設(shè)計(jì)者試圖提高內(nèi)存帶寬時(shí)，一般都采用可能造成破壞的方法。然而，Danon抱持謹(jǐn)慎看法，他表示還不確定Mythic的內(nèi)存處理器芯片能否正常運(yùn)作，但很可能“將技術(shù)推得太遠(yuǎn)了”。

Danon說(shuō)，目前更實(shí)際和更現(xiàn)實(shí)的方法是“共同定位內(nèi)存和計(jì)算”。“我們需要讓計(jì)算結(jié)構(gòu)能以高利用率存取所需的內(nèi)存，從而產(chǎn)生非常高的帶寬。”他補(bǔ)充說(shuō)，這對(duì)于實(shí)現(xiàn)操作數(shù)素的高利用率至關(guān)重要。

Krewell則解釋，“一些挑戰(zhàn)是在訓(xùn)練期間保持權(quán)重。這就是像GraphCore在芯片上打造大型內(nèi)存的原因。”他并補(bǔ)充說(shuō)：“這也就是為什么GPU和英特爾(Intel)的Nervana使用高帶寬內(nèi)存(HBM)、Wave Computing使用美光(Micron) Hypercube內(nèi)存的原因。”

除了TPU，如何調(diào)整軟件和硬件？

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(jì)高效率的架構(gòu)，并針對(duì)推論任務(wù)進(jìn)行了優(yōu)化。這是個(gè)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(xué)習(xí)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(gè)AI架構(gòu)，但Danon解釋說(shuō)，在此過(guò)程中，即使內(nèi)容不會(huì)在翻譯中完全遺失，計(jì)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(jiǎn)潔方式描述問題的神經(jīng)網(wǎng)絡(luò)“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(dāng)今的AI處理器在軟件和硬件之間缺乏一致性。他說(shuō)，在理想情況下，軟件和硬件二者都使用基于結(jié)構(gòu)的描述方法。Hailo計(jì)劃將本機(jī)描述為“神經(jīng)網(wǎng)絡(luò)分層”，從而使其處理器有別于其他處理器。

Danon解釋說(shuō)，Hailo的目標(biāo)“有點(diǎn)類似于匯編語(yǔ)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(shí)現(xiàn)更高每瓦性能的競(jìng)賽

深度學(xué)習(xí)性能效率是AI處理器競(jìng)爭(zhēng)對(duì)手之間經(jīng)常引爆的一場(chǎng)大辯論。在英偉達(dá)(Nvidia)和英特爾/Mobileye之間，兩家競(jìng)爭(zhēng)對(duì)手的高層還公開爭(zhēng)辯其于Xavier SoC和EyeQ5的主張。

針對(duì)深度學(xué)習(xí)影像進(jìn)行處理的實(shí)際處理器效率比較（來(lái)源：Hailo）

Hailo根據(jù)每家供應(yīng)商發(fā)布的數(shù)據(jù)，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(xì)列出每家供應(yīng)商的深度學(xué)習(xí)tera級(jí)每秒乘積累加(TMAC)計(jì)算和功耗資料。Hailo的目標(biāo)是為每個(gè)AI處理器計(jì)算深度學(xué)習(xí)的每瓦TMACS。Hailo并觀察到當(dāng)前的AI處理器可達(dá)到每瓦低于0.1TMACS的效能，而在使用批處理方法時(shí)可能略高于此。

神經(jīng)網(wǎng)絡(luò)（來(lái)源：Hailo）

Danon以處理高清(HD)視頻為例指出，如果車輛以每秒30格(30f/s)的速度接收全高清(FHD)視訊，并使用ResNet50網(wǎng)絡(luò)進(jìn)行深度學(xué)習(xí)。處理FHD視頻串流通常需要每個(gè)傳感器約5TMACS。根據(jù)自動(dòng)駕駛的等級(jí)，一般汽車預(yù)計(jì)將配備4到12個(gè)攝像頭傳感器。

這意味著部署在自動(dòng)駕駛車的任何現(xiàn)有AI處理器已經(jīng)讓每個(gè)傳感器消耗約幾十瓦功耗，或每輛汽車幾百瓦了。Danon認(rèn)為這已經(jīng)超出太多了。或者，他懷疑，如果OEM無(wú)力應(yīng)付這么多的電力浪費(fèi)，他們別無(wú)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(jì)的CNN加速器應(yīng)該能達(dá)到更高數(shù)十倍的每瓦性能”。但是，Gwenapp說(shuō)：“即便采用這種方法也不足以滿足4/5級(jí)自動(dòng)駕駛車的挑戰(zhàn)性要求。”

換句話說(shuō)，盡管市場(chǎng)上充斥過(guò)多的AI處理器，但沒有一款能夠達(dá)到讓全自動(dòng)駕駛車實(shí)現(xiàn)商用化可行的性能標(biāo)準(zhǔn)。

但Gwennap仍抱持樂觀看法。“幸運(yùn)的是，我們還處于AI競(jìng)賽的早期階段。預(yù)計(jì)在未來(lái)十年內(nèi)將能在硬件和軟件方面看到大幅的進(jìn)展。”