前日，一年一度的Imagination Inspire在上海拉開序幕，同期第十代 PowerVR 圖形處理器架構 IMG A 系列新品推出。會議邀請了業內人士探討 AI 芯片發展趨勢和方向。清華大學、北京大學雙聘教授魏少軍出席會議并發表題為“深度學習與智慧芯片 - 路徑與架構”的演講。

架構創新推動智能化

“將 AI 芯片的計算能力與人類的計算能力比較，是走了一條錯誤的路線。與 AI 芯片相比，人腦的計算能力著實有限。”魏少軍表示，在計算能力方面，機器的計算能力遠超人類，可比性很小，多樣性的適應能力才是最大的差距。人類大腦具備適應多種不同神經網絡的功能，這是 AI 芯片最難完成的功能之一。此外，功耗也讓兩者產生巨大差距。“人食三餐，就可以適應多樣化的神經網絡。但是一臺裝上 AI 芯片的設備，很可能需要一臺發電機為其專有供電，功耗可達 2400W。”魏少軍說。

“所以，目前的 AI 芯片并不是真正的 AI。”他認為，真正的 AI 芯片要從架構方面進行突破。目前市場廠商流行的架構包括 CPU+SW、CPU+GPU、CPU+FPGA 等方式，“但這些都不是 AI 的理想架構。”魏少軍表示，宏觀上看，計算、軟件、優化、演進、訓練是 AI 芯片的幾個重要的架構模塊，而在完成這些重要模塊的同時，是否可以設計出類似通用 CPU 獨立存在的“通用 AI 處理器”?如果存在的話，他的架構應該是怎樣的?

可重構的神經網絡計算架構或許可以給出答案，這是魏少軍認為最有可能迎接未來復雜人工智能市場的 AI 架構。該架構的可重構性和可配置性為 AI 芯片適應多重神經網絡架構提供可能，實現最佳能源效應。通過應用來決定神經網絡的選擇，實現“定制化 AI 芯片”，打造可重構的神經網絡計算架構“高效能、低功耗”的訓練引擎。

“架構創新讓 AI 芯片變得更智慧，讓機器模仿人的行為，教機器學會人能做的事情。”魏少軍說。

AI 芯片發展新增三要素

架構創新帶來了 AI 芯片基本要素發生微妙的變化。

傳統上，為了更好的適應算法的演進和應用的多樣性，AI 芯片首先應該具備一定的可編程性。其次，AI 芯片需要適應不同的算法，實現高效計算。因此，架構需要具備一定的動態可變性。“低開銷、低延遲”屬性也需要 AI 芯片具備高效的架構變換能力。高計算效率也是 AI 芯片避免使用指令類低效率的架構的方法之一。“這些是 AI 芯片應該具備的基本要素。”魏少軍說。

但即使具備這些要素，AI 芯片依舊“還不夠智慧”。“更加智能”的需求帶來了架構的創新，由此，類似于“軟件定義芯片”可重構的神經網絡計算架構等創新帶來了 AI 芯片基本要素的變化。

魏少軍表示，架構創新后，AI 芯片需要增加學習能力、接受教育并成長的能力。人類差異性的來源是教育和學習，芯片也如此。如果 AI 芯片可以接受教育并成長，其不可替代性將會逐漸加強。因此，算法和軟件的自主演進能力也成為了“智慧 AI 芯片”新增的基本要素之一。“更加智慧的 AI 芯片，還需要具備自主認知、自主判斷、自主選擇和自主決策等基本要素。”魏少軍說。