移动互联网 人工智能 ppt-智能安防 物联网 概念股

Source：魏少军教授演讲 摩尔精英现场速记

人工智能作为近年来比较热门的一个发展趋势，对于芯片的要求到底是怎么样的呢？2017年7月14日移动互联网 人工智能 ppt，在首届“青城山中国IC生态高峰论坛”魏少军教授发表了题为《人工智能大潮中的芯片发展思路》的主题演讲，详细介绍了在人工智能大潮中国内企业应当如何发展人工智能芯片。

在魏少军教授看来，人工智能主要分为三个层次：第一个层次叫应用，第二个层次是方法，第三个层次是工具。从芯片的角度来说，显然归属于工具。

中国有一句古话，叫做“工欲善其事，必先利其器”。魏少军教授认为，工具不行的话，再好的技术都没有用。所以魏少军教授今天主要强调的是工具的作用。

人工智能是一个老的新话题

我们看到，近年来，在人工智能领域有两件事情，刺激了人们的神经。

首先是在去年，谷歌的alphago和两位世界级围棋选手分别进行了对弈，而alphago都取得了胜利。对于这件事情，很多人都认为这件事情代表了人工智能取得了重大的进步。

但是，魏少军教授对于这件事情并没有抱着过于悲观的态度。他认为，从alphago与人类对弈的初衷目的来说，并没有达到最初目标。最开始谷歌的目标是alphago在没有经过人工干预的情况下获得最终的胜利，从而证明机器做能够自我学习，战胜人类。但是最终的结果显示，这两场比赛，都有人工干预的成分在其中，alphago才取得了最终的胜利。

所以说，在魏少军教授看来，人工智能并没有目前人们想象中的那么好。

第二件事情就是在2011年，IBM举行了一场名叫《危险边缘》的比赛，这场比赛更能够反映人工智能作用。虽然比赛中计算机的体积不大，但是它的人工智能程度远远高于alphago。“与这类机器相比较而言，alphago只能算是专门用于下围棋的机器。”魏少军教授表示。

在此背景之下，随着人工智能的崛起，我们看到了一些很有趣的数据。

根据麦肯锡最新的数据显示，人工智能初创企业的数量在这两年呈现了爆发式的增长。到2016年增长到了389家，一直保持着两位数的增长。

第二个数据是人工智能企业的融资额，到2016年发展到了50亿美元。魏少军教授坦言，集成电路除了在并购方面，要想在初创企业领域达到50亿美元的融资额，还有很大的难度。

第三个是，人工智能企业的并购数量。在2016年达到了85家。

最后一个是人工智能企业的股权融资数量。达到了658家，增长的速度几乎难以想象。

魏少军教授认为，如果风险投资和融资，在某个领域能够达到非常活跃的程度，就表示这个行业处于发展上升期。

但是，尽管如此，魏少军教授认为人工智能依旧是一个老的新话题。

机器学习的后向与前向型

其实人工智能早在上世纪50年代就已经被提出来了。

“所谓人工智能就是制造智能机器的科学工厂。”这是非常经典的一句话，这句话意思就是，人工智能需要通过机器来来模仿人的认知、推理、学习的能力。

但是在之后的三十年当中，人工智能并没有获得非常高速的发展。直到上世纪80年代，才出现了机器学习这一概念。这也是目前人工智能的一个主要的领域。

所谓机器学习就是实现人工智能的一个主要途径。通过学习来对未来进行预测。近年来，这一概念，逐渐成为趋势，其主要原因在于，计算机神经网络等概念的兴起。这可以说这是机器学习的一个分支。

从以上的发展过程，我们可以总结出人工智能发展的三部曲：传统数据挖掘、预测、决策。

传统数据挖掘是比较基础的功能，目前在各个行业被广泛应用。而预测，举一个例子来说，就是用来预测客户在未来最有可能购买哪一个产品，或者做出某一个决定。

而最后一个阶段——决策。就是决定下一步将需要做什么，这一步主要应用于比较领先的数据和互联网公司。所以我们看到的结果，基本就是谷歌百度这些互联网企业在应用这一技术。其他的公司，反而用很少。

传统数据挖掘属于后向型，就是挖掘过去的事情，而预测和决策则是根据数据判断没有发生的事情。在魏少军教授看来，人工智能最主要的应用还是用于预测未来。所以，对于我们来说，目前最主要的就是对于人工智能要有一个更加准确的认识。

智能芯片是人工智能的根本

在今天的技术条件下，不管做什么事情，最重要的就是芯片。没有芯片，我们什么都做不了，我们很难找到第二种实现方法。在这种情况下，我们就需要静下心来研究如何使用芯片来实现更多的目标。魏少军教授表示。

那么人工智能芯片是什么呢？

从目前主要的几个机器学习芯片平台来看。

首先是GPU。目前GPU的计算能力要比CPU高很多倍。从全部图形芯片市场来看。英特尔目前占了71%，英伟达占了16%，AMD占了13%。但是从分立式GPU市场来看，英伟达占了71%，AMD占了29%。所以英伟达在分立式GPU市场产品中占有绝对的优势，其产品广泛应用于数据中心的人工智能训练。

而目前，人工智能使用的主要是分立式GPU。当然了，AMD也提供了相关的异构CPU和GPU产品。

但是，无论是GPU，还是CPU，这两个领域都无法在移动设备上使用，其原因在于功耗过大。所以说目前主要是互联网企业在使用这些设备。不过，互联网企业也不仅仅使用GPU产品，他们也使用其他的一些人工智能芯片。

此外，人工智能芯片的第二个发展方向就是FPGA和TPU。

FPGA所实现的人工智能芯片，能够在相同的情况下，功耗下降到GPU环境的20%。但是这依旧很难在移动设备上使用。

而TPU的问题在于精度不高。所以TPU主要适用于不需要极高精度的机器学习相关计算。与GPU相比，TPU旨在以较低的精度来提高性能，功耗下降到GPU环境的10%左右。

这样的特点，使得最近一段时间以来，TPU比较受到推崇。

此外魏少军教授还提到了，另外两个机器学习平台：NA和IMP。

魏少军教授认为，NA可能就是未来机器学习发展的主要方向，因为基于其特点，可以应用于先进的机器学习，基于刺激的学习机制等等。

另一个比较受到推崇的芯片就是IBM推出的TrueNorth。据了解该芯片，邮票大小、重量只有几克，但却集成了54亿个硅晶体管，内置了4096个内核，100万个“神经元”、2.56亿个“突触”，能力相当于一台超级计算机，功耗却只有65毫瓦。

这种芯片将数字处理器当作神经元，把内存作为突触。与传统的冯·诺依曼结构不一样，它的内存、CPU和通信部件完全集成在一起。因此信息的处理完全在本地进行，而且由于本地处理的数据量并不大，传统计算机内存与CPU之间的瓶颈不复存在。同时，神经元之间可以方便快捷地相互沟通，只要接收到其它神经元发过来的信号，这些神经元就会同时动作。

这种芯片的学习能力极强。但是这是IBM发展人工智能芯片的第一步。IBM 的最终目标是希望建立一台包含 100 亿个神经元和 100 万亿个突触的类

脑计算机。这样的计算机要比人类大脑的功强大 10 倍，功耗约 1000瓦，而且体积不到两升，与我们大脑的大小相当。

构成智能芯片的关键要素

了解构成智能芯片的关键要素，首先我们需要理解智能这一概念。

在魏少军教授看来，这其中包含的几点要素，首先是智慧。智慧是人所特有的一样东西。其次是能力。而智能则是智慧与能力两者的合称。

详细来说，人工智能，实现这一能力主要通过感知、传输、存储、处理、决策、传输、执行等一系列过程来实现。但是人脑作为人体中最神秘的一部分，思考思维的过程中是如何具体运行的，到现在还是一个秘密。所以以上这一过程只是一个大概的概念。

但是，从以上大概的概念我们可以看出，这一过程与我们当前的人工智能的过程，有很高的重合度。

在魏少军教授看来，以上的这一过程，感知和传输能力主要体现在能力方面，传输和执行也主要表现在能力方面，而其中的存储、处理、决策等方面，则表现为智慧。

那么结合人类的大脑，我们就能够更深入的实现人工智能。之前所说的IBM所设计的处理器，就与人的神经元的数量和结构方面有着很相似的地方。

从人工智能芯片的架构来看，前端有很多的传感器，后端则是很多的执行器，而连接着两个部分的，绝不仅仅只是单一的芯片，而需要很多的功能。

在此基础上，我们总结出了，人脑的的相关的工作结构，其中包括：多输入/多输出系统；高度复杂的互连结构；多任务且高度并行化运行系统；多处理器单元系统；并行分布式存储；并行分布式软件；分布式处理与集中控制系统。

综上所述，构成智能芯片的关键要素到底有哪些呢？在魏少军教授看来，主要包含一下部分：

一． 可编程性：适应算法的演进和应用的多样性；

二． 架构的动态可变性：适应不同的算法，实现高效计算；

三． 高效的架构变换能力：< 10 Clock cycle， 降低开销；

四． 高计算效率：避免使用指令这类低效率的架构。

五． 高能量效率：~5TOps/W

某些应用：功耗 < 1mW

某些应用：识别速度 > 25f/s

六． 低成本：能够进入家电和消费类电子；

七． 体积小：能够装载在移动设备上；

八． 应用开发简便：不需要芯片设计方面的知识；

但是，魏少军教授认为，目前的CPU、CPU+GPU、CPU+FPGA、CPU+ASIC的作法均不是理想的架构。

所以说虽然目前国内的人工智能发展比较火热，但是如果我们不能够从架构方面做出改变的话，就很难实现真正的突破。

那么如果如何解决这一问题呢？这其中就涉及到软件定义芯片的问题。

软件是核心，芯片是基础

要实现以上的目标，需要从芯片和软件两个方面，通过结合来实现。

在魏少军教授看来，智能软件就是实现智能的载体，而智能芯片则承载了所需的计算。实现智能的核心是软件，而支撑智能的基础是芯片。

关键是如何更好的将软件和硬件结合在一起。

魏少军表示，实现这一目标的最好的方式就是软件定义芯片。在此基础上为魏少军教授提出了软件定义芯片（SDC）的概念。

但是很多人就说了，FPGA也是可以通过软件来定义的，那么FPGA不可以实现这些目标吗？

魏少军教授表示目前FPGA主要存在着十大缺陷：

1. 细粒度：由于要实现比特级的运算，运算颗粒度必须为细粒度；

2. 配置信息量大：通常为几兆到十几兆字节；

3. 配置时间长：通常需要十几毫秒到几十毫秒；

4. 静态编程：一旦配置完毕，不可更改。如果要改变FPGA的功能，只能下电或在线重新载入配置信息；

5. 逻辑不可复用：所有电路必须全部装入FPGA，复用性为零；

6. 面积效率低：每个LUT只能实现一位运算，面积效率只有5%。一个千万门级的FPGA只能实现几十万门的逻辑电路；

7. 能量效率低：由于逻辑利用率低，引发无效功耗巨大；

8. 需要特种工艺：FPGA往往需要最先进的制造工艺，且需对工艺进行特别调整；

9. 电路设计技术：应用者必须具备电路设计知识和经验；

10. 成本高昂：目前的FPGA价格在几十到几万美元一片。

可重构计算芯片技术与深度学习

但是，对于软件定义芯片来说，也面临的几个问题。

因为对于软件定义芯片来说，软件的规模可以任意大，但是硬件的规模总是有限的，所以首先需要将软件划分成与硬件规模相适应的模块，逐块运行，其次，硬件结构必须动态可变以适配每个软件模块的功能。

为了实现这一目标，这就需要我们解决若干问题，首先是计算硬件架构和功能，必须动态地、实时地跟随软件的变化而变化。

那么我们就可以将软件分为两个部分，计算和控制部分。魏少军教授表示。“根据控制单元的要求，配置计算单元阵列并执行。根据软件的要求，将划分后的任务，逐块送到数据通道执行。”虽然，在架构上与传统的计算机基本相同，但是不一样的地方在于。所需要的编译器与传统的编译器是完全不同的。而这就是我们可以创新的所在。

从几种经典的集成电路的结构的比较，可以看到。

ASIC只有用量足够大时才能够分摊前期投入，获得低成本。FPGA不支持软件。使用者需具备电路设计的知识，先进行电路设计，再将电路映射到芯片上。RCC：可重构计算芯片。支持软件硬件编程，硬件随软件变化而变化。

最后，魏少军教授总结了我们需要关注的几点内容：

1.机器智能是长久以来人类追求的目标，也是近期科学研究的热点：

2. 现阶段，由于人脑的机理尚未被完全揭示，类人脑计算机只好采用、也只能依托现有的芯片和软件技术来模拟。但是其运行机理完全不同于传统的计算机；

3. 机器智能中，芯片是承载计算功能的基础部件，软件是实现智能的核心。智能芯片与传统芯片不同，其最重要的特性是：满足软件不断变化的计算需求；

4. 可重构计算芯片技术允许硬件架构和功能随软件变化而变化，实现了软件定义芯片，具备处理器的灵活性和专用集成电路的高性能和低功耗，被公认为是突破性的下一代集成电路技术，具备了智能芯片的一些特性，未来具有广阔的前景。

总结

从我国人工智能应用的发展情况来看，在应用上与国际差距不大，在方法上落后，在芯片上差半步。但是这差半步并不表示我们能够追赶上国际企业。中国有一句古话叫行百里者半九十。

魏少军教授表示移动互联网 人工智能 ppt，至少从他目前所了解的情况来看，国内虽然在做人工智能方面尽管说得很响。但是无论是技术路线还是方法，都没有跳出国际划定的范畴。所以，我们应当有意识地关注芯片范围内的基础的发展。尤其是在我们与国外在芯片能力方面还有很大的差距的前提下，如果不能够解决这一问题，我们就很难超越国际玩家！

但是，中国也存在这一定的优势。

中国的优势主要是在应用上，至于在方法和基础的工具上的优势并不明显，这可能跟我们现有的工业架构，特别是互联网企业有关系。我们可以看到，人工智能的主要应用是互联网起步得比较快一些，因为中国的互联网仅次于美国，所以互联网的优势给我们带来了人工智能的优势！（文/刘燚）