【從無(wú)形視覺(jué)到有形芯片的挑戰(zhàn)】人工智能先驅(qū)阿蘭.圖靈曾設(shè)想過(guò)這樣一個(gè)機(jī)器，它擁有電子的大腦，以攝像頭為眼睛，以輪為腳，可以在鄉(xiāng)間漫步，這其實(shí)是阿蘭.圖靈對(duì)人工智能走入生活的一個(gè)憧憬。而在很長(zhǎng)的時(shí)間之內(nèi)，由于硬件條件的不成熟，智能只能從無(wú)形的算法入手，隨著深度學(xué)習(xí)研究的深入，在很多領(lǐng)域都取得了里程碑式的進(jìn)展。

然而，要想讓人工智能真正融入人們的生活，則亟需解決算法在端側(cè)落地的問(wèn)題，而芯片，作為銜接算法與場(chǎng)景之間的橋梁，無(wú)可避免地成為了一大挑戰(zhàn)。

大規(guī)模地應(yīng)用深度學(xué)習(xí)還需要解決哪些核心的挑戰(zhàn)呢？總結(jié)了三個(gè)主要問(wèn)題。

第一：如果將AI和神經(jīng)網(wǎng)絡(luò)應(yīng)用到一些行業(yè)中去，必須對(duì)行業(yè)和應(yīng)用場(chǎng)景有非常深入的理解，這些行業(yè)和應(yīng)用場(chǎng)景有很多痛點(diǎn)，它們描述問(wèn)題的語(yǔ)言和我們研究AI的語(yǔ)言并不是很兼容的。比如說(shuō)我們講識(shí)別率是99%，大家就會(huì)覺(jué)得這就很準(zhǔn)確了，而我們要表達(dá)的是在多數(shù)情況下我們的識(shí)別率是100%，少數(shù)情況的識(shí)別率是0%，平均下來(lái)才是99%。另一方面，很多行業(yè)如果需要AI的話，并不是應(yīng)用技術(shù)，往往需要應(yīng)用完整的解決方案或者系統(tǒng)，我們需要做進(jìn)一步深入的工作，才能把技術(shù)轉(zhuǎn)化為系統(tǒng)應(yīng)用起來(lái)，也就是讓算法和行業(yè)之間能夠有很好的交流和理解。

第二：目前還沒(méi)有低成本、低功耗，成本很經(jīng)濟(jì)的硬件平臺(tái)。如果有了這樣很好的硬件平臺(tái)，應(yīng)用范圍和難度也會(huì)降低很多。在各種行業(yè)中，包括無(wú)人車(chē)、無(wú)人機(jī)或者其它設(shè)備都具有不同的限制，比如功耗、成本，以及散熱性和可靠性等。因此，缺少低成本、低功耗、高性能的硬件平臺(tái)限制了大規(guī)模應(yīng)用AI和神經(jīng)網(wǎng)絡(luò)的解決方案。

第三：近年來(lái)，算法發(fā)展非常迅速，帶來(lái)的問(wèn)題是人們的期望也不斷提高，算法的發(fā)展是不是能夠一直跟上期望值的增加呢？比如說(shuō)隨便在一個(gè)應(yīng)用場(chǎng)景只要應(yīng)用神經(jīng)網(wǎng)絡(luò)就能夠達(dá)到很好的性能，這是不能保證的。神經(jīng)網(wǎng)絡(luò)存在解釋性的問(wèn)題，它是一個(gè)黑匣子，用對(duì)了當(dāng)然很好，如果性能很差，為什么差呢？這是很難解釋的一個(gè)問(wèn)題。神經(jīng)網(wǎng)絡(luò)是基于統(tǒng)計(jì)的，針對(duì)很少見(jiàn)的情況，比如說(shuō)在自動(dòng)駕駛中出現(xiàn)車(chē)禍的情況，訓(xùn)練集能否覆蓋這種情況呢？在實(shí)際應(yīng)用中很難給應(yīng)用方解釋我們的方法是非?？煽康?。

另外，雖然加大數(shù)據(jù)量可以解決一些問(wèn)題，但是能不能夠把所有數(shù)據(jù)都標(biāo)注呢？這也是值得思考的問(wèn)題。AI或者神經(jīng)網(wǎng)絡(luò)距離大規(guī)模應(yīng)用有這樣三個(gè)問(wèn)題，我們今天想談的是第二個(gè)問(wèn)題，能不能先做好硬件平臺(tái)準(zhǔn)備。

在眾多公司中最近幾年最受益于AI發(fā)展的是NVidia。這也說(shuō)明現(xiàn)階段，有了很好的硬件平臺(tái)才能做應(yīng)用，才能讓各種行業(yè)應(yīng)用AI算法。

為什么神經(jīng)網(wǎng)絡(luò)適合專(zhuān)用芯片或者硬件來(lái)加速呢？神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)這幾年有很大發(fā)展，從計(jì)算角度給大家?guī)?lái)了新的挑戰(zhàn)。首先神經(jīng)網(wǎng)絡(luò)運(yùn)算有大規(guī)模的并行性，所有運(yùn)算都有共同基本單元，就是相乘累加，非常適合硬件實(shí)現(xiàn)的運(yùn)算符方式。神經(jīng)網(wǎng)絡(luò)運(yùn)算中間會(huì)產(chǎn)生很多中間結(jié)果，這些中間結(jié)果并不會(huì)被重用，這與之前的通用計(jì)算方式很不同。在神經(jīng)網(wǎng)絡(luò)計(jì)算中，無(wú)論是網(wǎng)絡(luò)的權(quán)重還是數(shù)據(jù)本身，對(duì)硬件帶寬的需求都很高。

這些新的挑戰(zhàn)使得原來(lái)非常強(qiáng)大的CPU并不能高效計(jì)算神經(jīng)網(wǎng)絡(luò)，CPU計(jì)算方式還是串行的方式，即使有些指令可以處理多個(gè)數(shù)據(jù)。CPU設(shè)計(jì)花了很多精力優(yōu)化多級(jí)的緩存，可以方便獲取數(shù)據(jù)，這對(duì)一般運(yùn)算來(lái)說(shuō)非常好的，但是對(duì)于神經(jīng)網(wǎng)絡(luò)不必要。這些CPU的優(yōu)化，如分支預(yù)測(cè)，讓一般運(yùn)算非常高效，對(duì)神經(jīng)網(wǎng)絡(luò)來(lái)說(shuō)額外開(kāi)銷(xiāo)，因此用CPU來(lái)訓(xùn)練神經(jīng)網(wǎng)絡(luò)效率是相對(duì)比較低的。因此我們發(fā)現(xiàn)近年來(lái)提出來(lái)很多CPU+X，對(duì)神經(jīng)網(wǎng)絡(luò)做專(zhuān)門(mén)的運(yùn)算加速。

AI片基本上等價(jià)于神經(jīng)網(wǎng)絡(luò)加速，我們需要AI芯片的原因是，通過(guò)硬件工藝的提高已經(jīng)很難大幅度提升計(jì)算性能，而需要專(zhuān)用芯片架構(gòu)提高計(jì)算性能。例如，硬件工藝改進(jìn)，隨著三極管數(shù)量增加，頻率更高，功耗不變，這條規(guī)律在2006年的時(shí)候已經(jīng)不成立了；我們所熟知的摩爾定律，在2015、2016年也已經(jīng)終結(jié)，單純通過(guò)硬件改善不太可能繼續(xù)提高計(jì)算性能，所以需要新的專(zhuān)用架構(gòu)設(shè)計(jì)來(lái)幫助提高對(duì)神經(jīng)網(wǎng)絡(luò)計(jì)算性能。

神經(jīng)網(wǎng)絡(luò)芯片能采取的針對(duì)措施有以下幾點(diǎn)：

1.由于有大量數(shù)據(jù)吞吐，可試圖降低數(shù)據(jù)量，讓芯片上保存更多的片上數(shù)據(jù)，存儲(chǔ)計(jì)算中間結(jié)果。

2.由于需平行運(yùn)算很多，盡量用比較簡(jiǎn)單的數(shù)據(jù)類(lèi)型和數(shù)據(jù)大小，實(shí)現(xiàn)大量基本運(yùn)算單元，不需要復(fù)雜的調(diào)度、分支預(yù)測(cè)、配置的管理，盡量減少管理調(diào)度所需芯片面積開(kāi)銷(xiāo)。

3.神經(jīng)網(wǎng)絡(luò)運(yùn)算資源調(diào)度優(yōu)化工作讓軟件去做，而不是用硬件實(shí)現(xiàn)復(fù)雜的調(diào)度。那么這個(gè)軟件是指哪些層面的軟件呢？后面可以會(huì)明確地提到。

下面介紹一下已有的神經(jīng)網(wǎng)絡(luò)加速芯片的類(lèi)型，我們可以看到在過(guò)去幾年中，很多層出不窮的xPU出現(xiàn)。

首先是GPU，具有很強(qiáng)大的并行計(jì)算能力，但能耗比較高，也是目前最成熟的一個(gè)軟件工具平臺(tái)，有很多開(kāi)源社區(qū)軟件的支持；

其次是DSP，利用一些單指令多數(shù)據(jù)的計(jì)算單元，一次性提供超過(guò)100個(gè)字節(jié)的運(yùn)算，優(yōu)點(diǎn)是低功耗，并具有硬件支持的低開(kāi)銷(xiāo)或無(wú)開(kāi)銷(xiāo)循環(huán)及跳轉(zhuǎn)運(yùn)算。問(wèn)題在于DSP的指令集取決于其廠商與型號(hào)，不同型號(hào)的DSP的指令集都是不太一樣的，這樣給學(xué)習(xí)和編程開(kāi)發(fā)造成了較大的困難。

FPGA是一種半定制化的硬件，采用編程方式，對(duì)片內(nèi)門(mén)電路進(jìn)行編程，配置片內(nèi)RAM使用，具有一定的靈活性和可修改性。從編程的角度來(lái)看，F(xiàn)PGA采用硬件描述語(yǔ)言，調(diào)度連接已有的LUT等運(yùn)算單元，開(kāi)發(fā)難度高一些；從功耗和成本來(lái)看，F(xiàn)PGA采用CMOS工藝，功耗低比GPU低，但比DSP之類(lèi)ASIC高。

設(shè)計(jì)AI芯片，主要有哪些挑戰(zhàn)呢？

1.設(shè)定合理恰如其分的目標(biāo)。由于資源的限制，對(duì)行業(yè)理解的限制，設(shè)計(jì)一個(gè)放之四海而皆準(zhǔn)、而全的芯片是很難的，如何去設(shè)定好支持哪些功能，如何設(shè)定好成本、功耗、可靠性的目標(biāo)，這是最難的一個(gè)問(wèn)題。另外，整個(gè)芯片設(shè)計(jì)流程周期長(zhǎng)、成本高，并不能在實(shí)施期間隨意更改目標(biāo)。

2.如何設(shè)計(jì)系統(tǒng)架構(gòu)，包括指令集的設(shè)計(jì)，能夠讓架構(gòu)盡可能滿足更多需求，實(shí)現(xiàn)更多類(lèi)型的神經(jīng)網(wǎng)絡(luò)，這是一件不容易的事情。

3.為了讓神經(jīng)網(wǎng)絡(luò)芯片能廣泛可用，需要提供全面的工具支持，提高編程開(kāi)發(fā)效率。而工具鏈的支持也是相當(dāng)復(fù)雜的，需要訓(xùn)練平臺(tái)，需要編譯器把神經(jīng)網(wǎng)絡(luò)轉(zhuǎn)換成可運(yùn)行模塊下載到芯片中去，需要模擬器在沒(méi)有芯片的時(shí)候可以模擬開(kāi)發(fā)，并且能夠調(diào)試分析性能，能夠設(shè)計(jì)出參考模型。這一系列軟件工具鏈的支持，對(duì)AI芯片能否成功起著關(guān)鍵性的作用。

當(dāng)然由于這是一個(gè)非常復(fù)雜的過(guò)程，而任何人的資源都不是無(wú)限的，總是要做一些非常痛苦的抉擇和權(quán)衡，在成本、開(kāi)發(fā)時(shí)間、各種資源條件限制下做一個(gè)權(quán)衡。

對(duì)于神經(jīng)網(wǎng)絡(luò)加速芯片，又會(huì)有哪些具體難題呢？

1.首先要確定支持的網(wǎng)絡(luò)子集。神經(jīng)網(wǎng)絡(luò)多種多樣，新的算法層出不窮，到底要支持到什么程度，支持哪些網(wǎng)絡(luò)結(jié)構(gòu)激活函數(shù)和操作。

2.支持哪些函數(shù)和數(shù)據(jù)類(lèi)型，同時(shí)要考慮是否支持模型壓縮、量化方法，這些都需要在算法層面上對(duì)神經(jīng)網(wǎng)絡(luò)目標(biāo)做很好的設(shè)定。

3.設(shè)計(jì)芯片結(jié)構(gòu)，比如片上內(nèi)存和片下內(nèi)存，片上內(nèi)存當(dāng)然越多越好，但是成本高，功耗和測(cè)試時(shí)間都會(huì)增加。盡量讓硬件本身簡(jiǎn)易化，只完成神經(jīng)網(wǎng)絡(luò)加速，把任務(wù)調(diào)度、任務(wù)優(yōu)化交給軟件去完成。這些最終都需要對(duì)開(kāi)發(fā)者透明，需要由中間件工具鏈來(lái)做優(yōu)化，這也是工作量非常大的一項(xiàng)工作。

4.最后還要提供很多參考模型和設(shè)計(jì)，完成具體應(yīng)用場(chǎng)景中的功能示例。

這是一個(gè)非常簡(jiǎn)化的開(kāi)發(fā)AI芯片的流程，從需求（MRD）開(kāi)始，首先是算法的研發(fā)，要明確哪些神經(jīng)網(wǎng)絡(luò)模型是最重要的，是需要支持的，是否能夠滿足應(yīng)用場(chǎng)景的要求；之后會(huì)生成很多參考模型，實(shí)現(xiàn)GoldenC，在設(shè)計(jì)的時(shí)候可以參考C的實(shí)現(xiàn)；右邊是芯片設(shè)計(jì)的過(guò)程，實(shí)現(xiàn)架構(gòu)設(shè)計(jì)，實(shí)現(xiàn)核心神經(jīng)網(wǎng)絡(luò)相關(guān)的編程，同時(shí)芯片需要訪問(wèn)內(nèi)存，訪問(wèn)接口，需要IP集成，集成之后需要進(jìn)行驗(yàn)證，并需要實(shí)現(xiàn)FPGA平臺(tái)去做實(shí)際驗(yàn)證；之后是后端設(shè)計(jì)，包括邏輯綜合、布局布線等；然后進(jìn)行流片（Tapeout），這需要之前各種驗(yàn)證都已經(jīng)做得很充分之后，流片之后修改的機(jī)會(huì)就很少了，而且流片經(jīng)濟(jì)成本和時(shí)間非常高。最后需要把硬件芯片放在一個(gè)硬件平臺(tái)上，啟動(dòng)起來(lái)之后能夠開(kāi)發(fā)中間件運(yùn)行軟件。左邊是軟件相關(guān)工作，包括訓(xùn)練平臺(tái)、編譯器、模擬器和調(diào)試器，最終做到應(yīng)用，再測(cè)試?？梢钥闯觯麄€(gè)流程的工程量非常巨大。

第一代芯片在2017年流片，目前已經(jīng)生產(chǎn)出來(lái)了，它支持單路高清視頻進(jìn)行30幀的物體檢測(cè)、跟蹤和識(shí)別。第二代芯片支持6~8路的物體檢測(cè)識(shí)別，包括像素級(jí)的分割和識(shí)別。

這是第二代芯片架構(gòu)，能達(dá)到像素級(jí)別的識(shí)別，這是今年在拉斯維加斯的車(chē)上實(shí)測(cè)的結(jié)果，另外一個(gè)是在三藩市實(shí)時(shí)運(yùn)行的結(jié)果，包括物體分割和檢測(cè)。

總結(jié)一下，在未來(lái)10-20年AI功能將無(wú)處不在，AI芯片將是非常必要的基礎(chǔ)設(shè)施，只有芯片成功才能讓AI算法真正在生活中得到大規(guī)模應(yīng)用。我們相信我們公司會(huì)堅(jiān)定地致力于“算法+芯片”，把算法和芯片兩者結(jié)合，做一些創(chuàng)新的、有趣的工作，把AI算法真正推向大家的生活中去。