3月21日，清華大學《人工智能前沿與產業趨勢》系列講座二講，由寒武紀副總裁錢誠博士為大家介紹了目前芯片行業的發展狀況、遭遇的瓶頸、打破瓶頸的思路以及急需解決的三個科學問題。最后由清華大學電子工程系教授汪玉以及貝塔斯曼副總裁侯曉林分別站在學術和投資者的角度，分享了有價值的觀點。

首先由清華大學海峽研究院大數據AI中心專家委員、百度七劍客之一、酷我音樂創始人雷鳴老師做開場，簡單回顧了一下上一講的內容。

接下來，寒武紀科技副總裁、上海市腦科學與類腦研究中心研究員、錢誠博士，為大家講解《人工智能前沿與產業趨勢》。

集成電路不缺人才，千億級別的市場規模

錢誠提到這幾年國內已經培養起來非常專業的團隊，現在具備二三十年設計經驗的行業人才很多。芯片設計已經不再困難。

錢誠認為智能芯片對整個社會的重要性，好比工業時代的發動機，是一個門檻非常高的核心部件。一旦掌握，你就構建起了一座堅深的護城河，甩開別人幾年的技術差距。

智能芯片是一個千億級別以上的市場行業，現在很多的資本對未來智能芯片生態已經提前做布局，一個典型的例子就是由于被看好物聯網終端芯片生態ARM被以上千億人民幣的價值收購。

芯片是人機物三元融合智能計算系統的基石

錢誠提到隨著計算能力的發展，未來終端能力越來越強，會逐漸走向多元具象。比如未來可以用汽車去點外賣、智能眼鏡去開這種視頻會議；而當你切換到家里的場景，家里面的主控電腦會取代眼鏡和汽車完成對視頻會議場景的無縫切換。

而要實現多元具象，就需要一個人機物三元融合智能計算系統，中間需要非常多的智能芯片做相應的計算處理。

智能流：自動提取信息中最有價值的部分

如果傳感器的信息在整個計算系統之間進行流動，那么這些做智能處理的硬件設備會自動把最有價值的一部分提煉出來，這種處理方式被稱為智能流。

未來十年大家希望是把智能芯片的速度和性能功耗比至少提升1萬倍以上，才能把現在相當于人腦規模的計算能力濃縮到類似手機大小的終端設備里。

智能芯片目前的瓶頸

第一個瓶頸是摩爾定律等規律漸達極限,芯片性能不會再像摩爾定律那樣快的提升。目前即使晶體管數量提上去了，但同一時刻很多晶體管無法同時供上電，芯片能力的提升被各種問題如散熱等束縛。

第二個瓶頸是架構。指令集并行和多核并行逐漸走向極限。大型計算系統的并行效率目前大約50%上下，浪費非常明顯。而我們希望新型的智能芯片既能通用，性能功耗比又能達到每瓦每秒1萬億次以上，這一點是目前已有的芯片很難滿足。

第三個瓶頸是應用場景的變化。原先的桌面平臺能幫處理很多應用場景?，F在應用場景發生了變化，集中在端和云，端和云的需求不一樣，對芯片的定義也完全不一樣。

打破芯片瓶頸的思路

如何解決這些瓶頸，目前的主流觀點是做領域專用計算架構，即針對某一種領域中的一大類的應用，把性能功耗比提升上去。另一方面還可以考慮利用整個計算系統里的規律性，例如對數據進行分發，根據內容做壓縮算法。

做智能芯片目前有三種主要的路線，第一種希望能夠通過在半導體介質里實現真正的智能，比如說采用高密度CMOS工藝，把人類的智能用電路給模擬出來，像IBM的"真北"芯片，做了一個簡化的神經脈沖模型。但因為我們現在對人類智能產生的真正的原理不是很清楚，所以往往這些模型的識別效果一般，比如上面提到的IBM模型的圖象識別精度不到90%。

第二種是GPU，目前在業界占統治地位。GPU是一個并行結構，有非常多的流處理核心，并行計算能力非常強。但是GPU也面臨著兩個問題，第一個是功耗。目前最強大的深度學習GPU普遍功耗是在300到400瓦，未來很難進一步降低。第二個是性能提升曲線不再陡峭?，F在深度學習處理器計算性每年能有2到4倍以上的提升，而GPU則越來越難以達到這樣的提升。

第三種，也是目前絕大多數做智能芯片的公司在做的，叫做"深度學習處理器"，應用領域集中在深度學習處理的范圍內。寒武紀就是在做這類芯片，包括谷歌的TPU、地平線、深鑒科技等，基本都是做這類芯片。

計算智能遠不如人類智能那么"智能"

錢誠認為，目前的智能算法，深度學習和機器學習，本質上是計算智能，從原理上和真正的人類智能不一樣，只是最終輸出的結果類似。它可以被針對性的欺騙，比如把一幅貓的圖像改一個像素點，機器可能就識別成一艘游艇；計算智能同時也會在復雜的人工智能應用邊界條件下失效，比如目前真正上路的全自動駕駛算法都已經出現過致命的事故。

那么這種情況下就要求智能芯片必須能對多種傳感器來源的數據都做到智能處理，最后進行智能融合，從而有可能做到一秒鐘完成百次以上的智能控制判斷的循環，這樣才能最大限度避免人工智能應用出現問題。

像電影頭號玩家里面描述的場景那樣的VR技術實現起來不難，難的是應用/游戲內容跟人產生很好的互動，比如通過無人機對整個城市做3D建模，然后移植到虛擬環境中，再通過人工智能和人進行互動。

急需解決的三個科學問題

第一個問題：如何用有限規模的硬件支持現在規模越來越大的神經網絡類型的算法。因為就算500平方毫米的芯片，也就一百多億個晶體管，但是現在神經網絡的算法規模卻越來越大。

第二個問題：如何用一個結構固定的芯片，去支持千變萬化的算法。

第三個問題：如何在降低芯片功耗的前提下盡可能提高算法的精準度。

錢誠講到，寒武紀主要通過三個方面來解決上述3個問題。首先是對硬件神經元的虛擬化，把算法拆成最基本的深度學習加速計算算子（約200多種），然后將算法在芯片上能夠分塊分批進行計算，最后完成對整個算法的加速計算，以此來突破硬件規模的限制。

其次定義指令集。指令集只是電路定義的外顯形式，其對應的底層電路能夠拼接成不同種類的神經網絡算法。通過指令來靈活的支持不同類型的算法就解決了第二個問題。

最后，要使用深度學習領域的專用技術，比如說支持稀疏化的神經網絡算法。所謂的稀疏神經網絡是一種算法，經過稀疏化處理之后，計算量極大的減少，但識別精度不會顯著降低，支持類似的領域專用技術能夠實現降低功耗的同時又不損傷算法最終的識別精度。

創業公司迎來一個重新洗牌的機會

錢誠提到，從汽車所用到的智能芯片，到汽車電子，到電路板，再到智能控制的整個傳動的系統，都可以用國內目前已有供應鏈體系的公司產品來滿足。新興智能汽車公司的快速發展，對于傳統的固化產業體系，可以起到一個顛覆的作用。

工業互聯網也好，智能醫療也好，智能云計算平臺提供基礎的人工智能計算賦能，幫助這些行業完成洗牌。

當然這其中很多就是在座各位同學以后的機會了，創業成功往往就來自行業重新洗牌的機會。

最后是一個對話環節。由雷鳴做主持人，錢誠、清華大學電子工程系教授汪玉以及貝塔斯曼副總裁侯曉林分別站在創業者、學術和投資者的角度，分享了有價值的觀點。

侯曉林：投資者更看重商業落地的價值

如果能夠解決某一個垂直領域的問題或者一個實際的場景，這是我們投資項目的時候會考慮一個大的原則。風險投資無非就是衡量兩件事兒，第一件事就是你的市場規模，如果天花板足夠高，風頭愿意在非常早期進入。其次是一定要把大的趨勢去看清楚，找到可能產生新的市場變革的機會。

汪玉：市場足夠大，才值得去做硬件

汪玉提到，從07年開始就發現各種各樣的算法加速，但是他都沒有心動。直到深度學習算法的出現，產生了足夠大的想象空間，才值得去做這樣的硬件，包括專用硬件也是一樣。

錢誠：創業要注重實戰經驗，不能閉門造車

錢誠結合自己在寒武紀的創業經驗，認為創業一定要注重實戰經驗。所謂讀萬卷書不如行萬里路。因為很多的實踐經驗是很難閉門造車想出來的。

那么怎么去得到實戰經驗呢？對于清華同學來說，有很多的機會。比如說加入重點實驗室、知名老師的團隊得到全流程的設計經驗。或者畢業之后加入國內外的知名公司，和優秀的成員一起設計主流產品。如果有投資機構的校友、集成電路行業的校友，平時可以多交流，多聽取行業前輩的經驗。