12月3日，一年一度的Imagination Inspire在上海拉开序幕，同期第十代PowerVR图形处理器架构IMG A系列新品推出。会议邀请了业内人士探讨AI芯片发展趋势和方向。清华大学、北京大学双聘教授魏少军出席会议并发表题为“深度学习与智慧芯片-路径与架构”的演讲。
架构创新推动智能化
“将AI芯片的计算能力与人类的计算能力比较，是走了一条错误的路线。与AI芯片相比，人脑的计算能力着实有限。”魏少军表示，在计算能力方面，机器的计算能力远超人类，可比性很小，多样性的适应能力才是最大的差距。人类大脑具备适应多种不同神经网络的功能，这是AI芯片最难完成的功能之一。此外，功耗也让两者产生巨大差距。“人食三餐，就可以适应多样化的神经网络。但是一台装上AI芯片的设备，很可能需要一台发电机为其专有供电，功耗可达2400W。”魏少军说。
“所以，目前的AI芯片并不是真正的AI。”他认为，真正的AI芯片要从架构方面进行突破。目前市场厂商流行的架构包括CPU+SW、CPU+GPU、CPU+FPGA等方式，“但这些都不是AI的理想架构。”魏少军表示，宏观上看，计算、软件、优化、演进、训练是AI芯片的几个重要的架构模块，而在完成这些重要模块的同时，是否可以设计出类似通用CPU独立存在的“通用AI处理器”?如果存在的话，他的架构应该是怎样的?
可重构的神经网络计算架构或许可以给出答案，这是魏少军认为最有可能迎接未来复杂人工智能市场的AI架构。该架构的可重构性和可配置性为AI芯片适应多重神经网络架构提供可能，实现最佳能源效应。通过应用来决定神经网络的选择，实现“定制化AI芯片”，打造可重构的神经网络计算架构“高效能、低功耗”的训练引擎。
“架构创新让AI芯片变得更智慧，让机器模仿人的行为，教机器学会人能做的事情。”魏少军说。
AI芯片发展新增三要素
架构创新带来了AI芯片基本要素发生微妙的变化。
传统上，为了更好的适应算法的演进和应用的多样性，AI芯片首先应该具备一定的可编程性。其次，AI芯片需要适应不同的算法，实现高效计算。因此，架构需要具备一定的动态可变性。“低开销、低延迟”属性也需要AI芯片具备高效的架构变换能力。高计算效率也是AI芯片避免使用指令类低效率的架构的方法之一。“这些是AI芯片应该具备的基本要素。”魏少军说。
但即使具备这些要素，AI芯片依旧“还不够智慧”。“更加智能”的需求带来了架构的创新，由此，类似于“软件定义芯片”可重构的神经网络计算架构等创新带来了AI芯片基本要素的变化。
魏少军表示，架构创新后，AI芯片需要增加学习能力、接受教育并成长的能力。人类差异性的来源是教育和学习，芯片也如此。如果AI芯片可以接受教育并成长，其不可替代性将会逐渐加强。因此，算法和软件的自主演进能力也成为了“智慧AI芯片”新增的基本要素之一。“更加智慧的AI芯片，还需要具备自主认知、自主判断、自主选择和自主决策等基本要素。”魏少军说。
