人工智能（AI）和機(jī)器學(xué)習(xí)（ML）在不同領(lǐng)域的應(yīng)用改變了傳統(tǒng)的方法，以適應(yīng)不同的應(yīng)用。雖然術(shù)語(yǔ)AI和ML可以互換使用，但前者的目標(biāo)是任務(wù)的成功，而后者則確保任務(wù)的準(zhǔn)確性。

從市場(chǎng)營(yíng)銷(xiāo)、零售到醫(yī)療保健和金融，人工智能（AI）和機(jī)器學(xué)習(xí)（ML）在這些領(lǐng)域的應(yīng)用正在徹底改變傳統(tǒng)的方法，以適應(yīng)不同的應(yīng)用。人工智能使系統(tǒng)能夠感知、理解、行動(dòng)和學(xué)習(xí)，以執(zhí)行復(fù)雜的任務(wù)，例如早期需要人類(lèi)智能的決策。與常規(guī)編程不同，在常規(guī)編程中，需要為每種情況定義動(dòng)作，AI與ML算法結(jié)合可以處理大數(shù)據(jù)集，訓(xùn)練如何響應(yīng)，并從遇到的每一個(gè)問(wèn)題中學(xué)習(xí)以產(chǎn)生更準(zhǔn)確的結(jié)果。

這不僅影響了我們使用數(shù)據(jù)的方式，也影響了我們?cè)O(shè)計(jì)和制造用于下一代設(shè)備的硬件芯片或集成電路（IC）的方法，從而打開(kāi)了新的機(jī)遇。人工智能的發(fā)展將創(chuàng)新的核心從軟件轉(zhuǎn)向硬件。例如，為了獲得更好的性能，與傳統(tǒng)的處理和傳輸大數(shù)據(jù)集的要求相比，人工智能需要更多的內(nèi)存。以家庭中越來(lái)越多地使用虛擬助理為例，如果沒(méi)有可靠的硬件來(lái)實(shí)現(xiàn)與內(nèi)存和邏輯相關(guān)的功能，這些功能就無(wú)法正常工作。

根據(jù)埃森哲實(shí)驗(yàn)室和埃森哲研究所的年度報(bào)告，與擴(kuò)展現(xiàn)實(shí)、分布式賬本和量子計(jì)算等技術(shù)相比，半導(dǎo)體行業(yè)對(duì)未來(lái)幾年人工智能在其工作中的潛力高度樂(lè)觀。四分之三（77%）的受訪半導(dǎo)體高管表示，他們要么已經(jīng)在自己的業(yè)務(wù)范圍內(nèi)采用人工智能，要么正在試點(diǎn)這項(xiàng)技術(shù)。

AI和ML的概念

雖然術(shù)語(yǔ)AI和ML可以互換使用，但前者的目標(biāo)是任務(wù)的成功，而后者則確保任務(wù)的準(zhǔn)確性。因此，解決一個(gè)復(fù)雜的問(wèn)題是通過(guò)人工智能訓(xùn)練來(lái)完成的，但是通過(guò)從數(shù)據(jù)和已經(jīng)執(zhí)行的任務(wù)中學(xué)習(xí)來(lái)最大限度地提高效率是ML的概念。ML依賴于大數(shù)據(jù)集來(lái)找到共同的模式，并基于概率進(jìn)行預(yù)測(cè)。

應(yīng)用人工智能在為金融市場(chǎng)預(yù)測(cè)和自主車(chē)輛控制而設(shè)計(jì)的系統(tǒng)中更為常見(jiàn)。在所謂的監(jiān)督學(xué)習(xí)ML算法中，建立輸入數(shù)據(jù)與目標(biāo)輸出之間的關(guān)系模型來(lái)進(jìn)行預(yù)測(cè)，而無(wú)監(jiān)督學(xué)習(xí)不需要對(duì)數(shù)據(jù)進(jìn)行分類(lèi)訓(xùn)練。在復(fù)雜的計(jì)算機(jī)游戲中，需要不斷從環(huán)境中獲取信息的情況下，可以實(shí)現(xiàn)強(qiáng)化學(xué)習(xí)。

類(lèi)ML神經(jīng)網(wǎng)絡(luò)的分支已經(jīng)應(yīng)用于語(yǔ)音識(shí)別、社會(huì)網(wǎng)絡(luò)過(guò)濾、計(jì)算機(jī)視覺(jué)、自然語(yǔ)言處理等領(lǐng)域。這些技術(shù)獲取和檢查成千上萬(wàn)用戶的數(shù)據(jù)，以實(shí)現(xiàn)精確和精確的應(yīng)用，如人臉識(shí)別。這有助于現(xiàn)在被認(rèn)為不可思議的創(chuàng)新的快速發(fā)展，但隨著硬件的進(jìn)步，在未來(lái)幾十年里，它的位置可能會(huì)被更先進(jìn)的創(chuàng)新所取代。

AI和ML能夠發(fā)展到目前的程度，這不僅是由于算法的進(jìn)步，而且是由于存儲(chǔ)能力、計(jì)算能力、網(wǎng)絡(luò)等方面的進(jìn)步，使得以經(jīng)濟(jì)的成本使先進(jìn)的設(shè)備能夠?yàn)榇蟊娝谩鹘y(tǒng)上，邏輯在電子系統(tǒng)的設(shè)計(jì)中通常是硬連線的。但是，鑒于目前制造成本的高企和芯片開(kāi)發(fā)的復(fù)雜性，人工智能驅(qū)動(dòng)的處理器架構(gòu)正在重新定義傳統(tǒng)的處理器架構(gòu)，以適應(yīng)新的需求。

計(jì)算主要在中央處理器（CPU）上進(jìn)行，即計(jì)算機(jī)的大腦。隨著應(yīng)用AI和ML算法的計(jì)算要求越來(lái)越高的應(yīng)用程序的出現(xiàn)，通過(guò)圖形處理單元（GPU）、微處理器（MPU）、微控制器（MCU）、現(xiàn)場(chǎng)可編程門(mén)陣列（FPGA）和數(shù)字信號(hào)處理器（DSP）的組合，額外的處理選擇正在出現(xiàn)，以滿足最佳特性要求。這些被視為不同類(lèi)別的選項(xiàng)正逐漸成為異構(gòu)處理解決方案，如片上系統(tǒng)（soc）和定制設(shè)計(jì)的專(zhuān)用集成電路（asic）。

與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型不同的是，它不僅需要高帶寬的數(shù)據(jù)存儲(chǔ)，而且還需要存儲(chǔ)大量的數(shù)據(jù)。為了正常工作而增加的易失性內(nèi)存量會(huì)導(dǎo)致功耗水平的過(guò)度上升。這就需要不斷發(fā)展的內(nèi)存接口，以確保任務(wù)以高速執(zhí)行。雖然新的處理器架構(gòu)有助于減少負(fù)載，但其他機(jī)制，如新的內(nèi)存接口和內(nèi)存處理本身也在研究和實(shí)現(xiàn)。

英國(guó)初創(chuàng)公司Graphcore的IPU是一款新型處理器，具有高片上存儲(chǔ)容量，專(zhuān)門(mén)為處理機(jī)器智能模型中的復(fù)雜數(shù)據(jù)結(jié)構(gòu)而設(shè)計(jì)。外部?jī)?nèi)存源比片上內(nèi)存源返回結(jié)果所需的時(shí)間要長(zhǎng)得多。根據(jù)IHS Markit的一份報(bào)告，全球人工智能應(yīng)用中的存儲(chǔ)設(shè)備收入將從2019年的206億美元增加到2025年的604億美元，而處理器部分將從2019年的222億美元增長(zhǎng)到2025年的685億美元。

因此，半導(dǎo)體提供了所有人工智能應(yīng)用所需的處理和存儲(chǔ)能力。提高網(wǎng)絡(luò)速度對(duì)于同時(shí)處理多個(gè)服務(wù)器和開(kāi)發(fā)精確的人工智能模型也很重要。高速互連和路由交換機(jī)等措施正在進(jìn)行負(fù)載平衡檢查。

人工智能的答案在于應(yīng)用技術(shù)的改進(jìn)。AI和ML正在被用來(lái)提高性能，隨著設(shè)計(jì)團(tuán)隊(duì)在這一領(lǐng)域的經(jīng)驗(yàn)越來(lái)越豐富，他們將提高芯片的開(kāi)發(fā)、制造和調(diào)整以進(jìn)行更新。

在現(xiàn)有的EDA工具中使用基于ML的預(yù)測(cè)模型，美國(guó)Synopsys公司宣稱(chēng)，在HSPICE中，黃金時(shí)段的功率恢復(fù)速度提高了5倍，高西格瑪模擬速度提高了100倍。所有這些都需要專(zhuān)注于研發(fā)和精確的端到端解決方案，為半導(dǎo)體公司不同細(xì)分市場(chǎng)創(chuàng)造價(jià)值的可能全新的市場(chǎng)創(chuàng)造機(jī)會(huì)。

克服挑戰(zhàn)

主要關(guān)注的是數(shù)據(jù)及其使用。這不僅僅需要一個(gè)新的處理器架構(gòu)。對(duì)于不同的目的和應(yīng)用，人工智能的結(jié)構(gòu)和價(jià)值可能會(huì)因?yàn)椴煌哪康亩兊脽o(wú)用。

人工智能使處理數(shù)據(jù)成為可能，而不是單個(gè)的位，并且在以矩陣的形式執(zhí)行存儲(chǔ)器操作時(shí)工作得最好，從而增加了被處理和存儲(chǔ)的數(shù)據(jù)量，從而提高了軟件的效率。例如，當(dāng)數(shù)據(jù)以尖峰形式輸入時(shí)，尖峰神經(jīng)網(wǎng)絡(luò)可以減少數(shù)據(jù)流。而且，即使有大量的數(shù)據(jù)，訓(xùn)練預(yù)測(cè)模型所需的有用數(shù)據(jù)量也可以減少。但問(wèn)題仍然存在。就像在芯片設(shè)計(jì)中一樣，ML模型的訓(xùn)練在不同的環(huán)境中獨(dú)立地在不同的層次上進(jìn)行。

人工智能的應(yīng)用需要一個(gè)標(biāo)準(zhǔn)化的方法。為了有效地利用人工智能，需要考慮為人工智能設(shè)計(jì)的芯片，以及為適應(yīng)人工智能要求而修改的芯片。如果系統(tǒng)中存在問(wèn)題，則需要工具和方法來(lái)快速解決問(wèn)題。盡管設(shè)計(jì)自動(dòng)化工具的應(yīng)用越來(lái)越多，但設(shè)計(jì)過(guò)程仍然是高度人工的。調(diào)整輸入是一個(gè)耗時(shí)但效率極低的過(guò)程。即使是設(shè)計(jì)實(shí)現(xiàn)中的一小步，本身也可能是一個(gè)全新的問(wèn)題。

有許多公司聲稱(chēng)使用人工智能和機(jī)器語(yǔ)言來(lái)獲得這一趨勢(shì)的優(yōu)勢(shì)并增加銷(xiāo)售額和收入，這一現(xiàn)象已經(jīng)被廣泛濫用。雖然壓縮和解壓縮的成本不是很高，但片上存儲(chǔ)器的成本卻不那么便宜。人工智能芯片也往往非常大。

為了建立這樣的存儲(chǔ)和處理數(shù)據(jù)的系統(tǒng)，需要不同團(tuán)隊(duì)的專(zhuān)家協(xié)作。主要芯片制造商、IP供應(yīng)商和其他電子公司將采用某種形式的人工智能來(lái)提高其運(yùn)營(yíng)效率。以更低的計(jì)算成本提供云計(jì)算服務(wù)有助于推動(dòng)進(jìn)進(jìn)步。技術(shù)進(jìn)步將迫使半導(dǎo)體公司增強(qiáng)其勞動(dòng)力的能力并重新進(jìn)行技能培訓(xùn)，從而使市場(chǎng)上的下一代設(shè)備成為可能。
責(zé)任編輯:tzh