對運算產業(yè)來說，在過去的2016年應該沒有一個概念比人工智能（AI）更熱門；跨入2017年，專家們表示，人工智能生態(tài)圈的需求成長會更加迅猛。主要集中在為深度神經網絡找尋性能和效率更適合的“推理（inference）引擎”。

　　現(xiàn)在的深度學習系統(tǒng)仰賴軟件定義網絡和巨量數(shù)據(jù)學習產生的超大型運算能力，并靠此來實現(xiàn)目標；遺憾的是，這類型的運算配置是很難嵌入到那些運算能力、內存容量大小和帶寬都有限制的系統(tǒng)中（例如汽車、無人機和物聯(lián)網設備）。

　　這為業(yè)界帶來了一個新的挑戰(zhàn)──如何透過創(chuàng)新將深度神經網絡運算能力嵌入到終端設備中。如（已經被Intel收購的）計算機視覺處理器設計業(yè)者Movidius執(zhí)行長Remi El－Ouazzane在幾個月前就說過，將人工智能布署在網絡邊緣將會是一個大趨勢。

　　在問到為什么人工智能會被“趕”到網絡邊緣的時候，法國原子能委員會（CEA）架構、IC設計與嵌入式軟件（Architecture， IC Design and Embedded Software）部門院士Marc Duranton提出三個原因：安全性（safety）、隱私（privacy）和經濟（economy）；他認為這三點是驅動業(yè)界在終端處理數(shù)據(jù)的重要因素，而未來將會衍生更多「盡早將數(shù)據(jù)轉化為信息」的需求。

　　Duranton指出，試想自動駕駛車輛，如果其目標是安全性，那些自動駕駛功能就不應該只仰賴永不中斷的網絡聯(lián)機；還有例如老人在家里跌倒了，這種情況應該由本地監(jiān)測裝置在當場就判斷出來，考慮到隱私因素，這是非常重要的。而他補充指出，不必收集家里10臺攝影機的所有影像并傳輸以觸發(fā)警報，這也能降低功耗、成本與數(shù)據(jù)容量。

　　AI競賽正式展開

　　從各方面看來，芯片供貨商已經意識到推理引擎的成長需求；包括Movidus （Myriad 2）， Mobileye （EyeQ 4 ＆ 5） 和Nvidia （Drive PX）在內的眾多半導體公司正競相開發(fā)低功耗、高性能的硬件加速器，好讓機器學習功能在嵌入式系統(tǒng)中被更妥善執(zhí)行。

　　從這些廠商的動作和SoC的發(fā)展方向看來，在后智能型手機時代，推理引擎已經逐漸成為半導體廠商追逐的下一個目標市場。

　　在今年稍早，Google推出了張量處理單元（TPU），可說是產業(yè)界積極推動機器學習芯片創(chuàng)新的一個轉折點；Google在發(fā)表芯片時表示，TPU每瓦性能較之傳統(tǒng)的FPGA和GPU將會高一個等級，此外并指出這個加速器還被已被應用于今年年初風靡全球的AlphaGo系統(tǒng)。但是迄今Google并未披露TPU的規(guī)格細節(jié)，也不打算讓該組件在商業(yè)市場上銷售。

　　很多SoC從業(yè)者從Google的TPU中得出了一個結論──機器學習需要客制化的架構；但在他們針對機器學習進行芯片設計的時候，他們又會對芯片的架構感到疑惑，同時想知道業(yè)界是否已經有了一種評估不同形態(tài)下深度神經網絡（DNN）性能的工具。

　　性能評估工具即將問世

　　CEA表示，該機構已經準備好為推理引擎探索不同的硬件架構，他們已經開發(fā)出一種名為N2D2的軟件架構，能夠幫助設計工程師探索和生成DNN架構；Duranton指出：「我們開發(fā)這個工具之目的，是為DNN選擇適合的硬件目標?！笴EA將會在2017年第一季釋出N2D2的開放源碼。

　　N2D2的特色在于不僅是以識別精確度為基礎來比較硬件，它還能從處理時間、硬件成本和功耗等多個方面執(zhí)行比較；Duranton表示，因為針對不同應用的深度學習，需求之硬件配置參數(shù)也會有所不同，因此以上幾個比較非常重要。N2D2能為現(xiàn)有CPU、GPU和FPGA等硬件（包括多核心與眾多核心）提供一個性能參考標準。

　　N2D2運作原理

　　邊緣運算的障礙

　　CEA已經針對如何把DNN完美地推展到邊緣運算（edge computing）進行了深入研究；Duranton指出，其中最大的障礙在于因為功耗、內存容量尺寸和延遲等限制，“浮點”式服務器方案不適用；而其他障礙還包括：「需要大量的MAC、帶寬和芯片上內存容量?！?/p>

　　所以說，采用整數(shù)（Integer）而非浮點運算是最需要優(yōu)先考慮的問題…還有別的嗎？Duranton認為，這種專屬架構也需要采用新的編碼方式，例如「棘波編碼（spike coding）」；CEA的研究人員研究了神經網絡的特性，發(fā)現(xiàn)這種網絡能容忍運算誤差，使其適用于「近似運算（approximate computation）」。

　　如此一來，甚至于不需要采用二進制編碼；而Duranton解釋，其好處在于諸如棘波編碼的時間編碼（temporal coding），能在邊緣運算提供更具能源效益的結果。棘波編碼之所以具吸引力，是因為棘波編碼──或是以事件為基礎（event－based）的──系統(tǒng)能展現(xiàn)實際神經系統(tǒng)內的數(shù)據(jù)如何被譯碼。

　　此外，以事件為基礎的編碼能兼容專用的傳感器和預處理（pre－processing）。這種和神經系統(tǒng)極度相似的編碼方式，使得模擬和數(shù)字混合訊號更容易實現(xiàn)，也能夠幫助研究者打造低功耗的小型硬件加速器。

　　還有其他能加速將DNN推展到邊緣運算的因素；例如CEA正在考慮把神經網絡架構本身調整為邊緣運算的潛在可能。Duranton指出，現(xiàn)在人們已經開始討論采用「SqueezeNet」架構而非「AlexNet」架構的神經網絡，據(jù)了解，前者達到與后者相同精確度所需的參數(shù)規(guī)格是五十分之一；這類簡單配置對于邊緣運算、拓撲和降低MAC數(shù)量都十分關鍵。

　　而Duranton認為，最終目標是將經典DNN轉換成「嵌入式」網絡。

　　CEA的雄心是開發(fā)神經形態(tài)（neuromorphic）電路；該研究機構認為，這類芯片在深度學習應用中，是從接近傳感器的數(shù)據(jù)（data）提取信息（information）的有效補充。

　　在實現(xiàn)以上目標之前，CEA考慮了數(shù)個權宜之計；例如D2N2這樣的開發(fā)工具，對于芯片設計業(yè)者開發(fā)高水平每瓦TOPS （tera operations per second per Watt）性能的客制化DNN解決方案非常重要。

　　對于那些想在邊緣運算利用DNN的人來說，也有實際的硬件可以進行試驗──也就是CEA提供的超低功耗可程序加速器P－Neuro；目前的P－Neuro神經網絡處理單元是以FPGA為基礎，不過Duranton表示，CEA正要把該FPGA轉為ASIC。

　　Duranton在CEA的實驗室利用了以FPGA為基礎的P－Neuro展示了搭建了用于臉部是別的卷積神經網絡（CNN），并將P－Neuro與嵌入式CPU （在Raspberry Pi上的四核心ARM處理器，以及采用Samsung Exynos處理器的Android平臺）進行比較，都執(zhí)行相同的嵌入式CNN應用，任務是在內含1萬8，000張影像的數(shù)據(jù)庫進行“人臉特征提取”。

　　P－Neuro與嵌入式CPU／GPU執(zhí)行相同人臉識別任務的性能比較

　　如上表之比較結果，P－Neuro的速度是每秒6，942張圖片，能效則是每瓦2，776張圖片；與嵌入式GPU相較（Tegra K1），運作頻率為1000MHz的P－Neuro速度更快、能效更高。P－Neuro是以叢集式SIMD架構打造，該架構支持優(yōu)化內存分層和內部鏈接。

　　P－Neuro功能區(qū)塊

　　不過對于CEA研究人員來說，P－Neuro只是一個短期方案；目前的P－Neuro是以全CMOS組件打造、采用二進制編碼；該團隊也正在打造采用棘波編碼（spike coding）的全CMOS組件。為充分利用先進制程優(yōu)勢，并且在密度和功率上有所突破，該團隊設定了更高的目標。

　　如CEA－Leti的奈米電子技術營銷暨策略總監(jiān)Carlo Reita在接受采訪時表示，利用先進芯片與內存技術來進行專用零組件的實體設計非常重要；其中一個方案是采用CEA－Leti的CoolCube常規(guī)monolithic 3D整合技術，另一種方案是采用電阻式內存（Resistive RAM）做為突觸（synaptic）組件。此外，如FD－SOI與奈米線等先進技術也將發(fā)揮作用。

　　神經形態(tài)處理器

　　在此同時，歐盟在「EU Horizon 2020」計劃之下，試圖打造神經形態(tài)架構芯片，能支持最先進的機器學習，以及基于棘波的學習機制；該研究項目名為NeuRAM3，目標是以超低功耗、可擴展與高度可配置的神經架構，打造在特定應用上功耗較傳統(tǒng)數(shù)字方案低50倍的組件。

　　神經形態(tài)處理器架構

　　神經形態(tài)處理器基本規(guī)格

　　Reita表示，CEA也參與了NeuRAM3項目，該機構的研究目標與該項目的使命緊密相關，包括開發(fā)采用FD－SOI制程的單體（monolithically）整合式3D技術，以及整合電阻式內存突觸組件的應用；她并指出，NeuRAM3項目開發(fā)的新一代混合訊號多核心神經形態(tài)組件，與IBM的TrueNorth腦啟發(fā)（brain－inspired）操作數(shù)件相較，能顯著降低功耗。

　　NeuRAM3神經形態(tài)組件與IBM TrueNorth的比較

　　NeuRAM3項目的參與者包括IMEC、IBM Zurich研究中心、意法半導體（ST Microelectronics），意大利研究機構 CNR （The National Research Council in Italy）、西班牙研究機構IMSE （El Instituto de Microelectronica de Sevilla in Spain）、瑞士蘇黎世大學（The University of Zurich）和德國的雅各布大學（Jacobs University）。