未來30年，國家間科技競爭的一個重要焦點領域是大數(shù)據(jù)人工智能，同時，這也是數(shù)字經(jīng)濟的關鍵驅動產(chǎn)業(yè)。算力是AI發(fā)展的核心要素之一，AI芯片是人工智能計算硬件的“大腦”。從最初的利用圖形處理器作為深度學習加速芯片開始，到當下人們?yōu)锳I定制的專用芯片，短短幾年的時間里，AI芯片就飛速發(fā)展成為一個新興的產(chǎn)業(yè)。
AI研究成果和專利正呈現(xiàn)出爆炸式的增長， AI領域如今已經(jīng)變成了一片遼闊的“森林”。圖文并茂的《AI芯片：前沿技術與創(chuàng)新未來》從AI的發(fā)展歷史講起，涉及目前最熱門的深度學習加速芯片和基于神經(jīng)形態(tài)計算的類腦芯片的相關算法、架構、電路等，并著重介紹了用創(chuàng)新的思維來設計AI芯片的各種計算范式，一本書帶領讀者直抵人工智能前沿領域。
AI的快速發(fā)展一直受限于算力，而基于CMOS的硅基芯片的制造工藝已經(jīng)精細到3納米。不僅AI算力提升將遭遇瓶頸，而且由于AI計算的特點，有些計算功能較少使用，所以普通CPU已經(jīng)實現(xiàn)的算力中，有相當大的部分是AI無法使用的。這就是AI芯片出現(xiàn)的客觀要求。比如深度學習所需要的主要是矩陣乘法（張量乘法），用GPU的效率就明顯高于使用計算速度更高的CPU。
今天用于深度學習的主要是圖形處理器（GPU）芯片，可以達到每秒 100 萬億次浮點運算以上的運算速度，是超級計算機Cray-3運算速度的6000多倍。但是，這相比人類大腦還差得遠。人腦大約有1000億個神經(jīng)元，有超過100萬億個突觸介入神經(jīng)元信號傳導。大腦能夠以閃電般的速度識別模式、記住事實并同步并行處理其他工作，功耗不到20瓦。
隨著“后摩爾時代”的到來，硅基芯片的計算速度已經(jīng)接近頂點，同時出現(xiàn)了另一個問題，就是這種計算結構更適合結構化數(shù)據(jù)，而對于處理大數(shù)據(jù)這樣的非結構化數(shù)據(jù)，提高芯片計算密度的方法是無效的。按照作者給出的數(shù)據(jù)，加工工藝高于10納米之后，盡管芯片的計算速度還在快速提升，但是處理大數(shù)據(jù)的相對效率反而越來越低了。按照目前的技術水平，如果并行使用多個GPU，功率很容易超過1000瓦。2016 年AlphaGo對戰(zhàn)圍棋九段高手李世石時，運行該AI程序的服務器功耗達1兆瓦，將近人腦功耗的5萬倍。人們必須尋找其他的芯片材料，采用適宜大數(shù)據(jù)人工智能的計算架構、模型和算法。在這方面，已有華人科學家作出了重大貢獻。1971年蔡少棠教授基于電路理論推理發(fā)現(xiàn)并證明存在一種新的基礎電路元件——憶阻器。2008年，惠普公司的斯坦利·威廉首次在實驗室里支撐了第一個基于二氧化鈦薄膜的原型產(chǎn)品。這種新器件可以顯著降低計算時的功耗，是深度學習加速器和類腦芯片的一個潛在硬件解決方案。
雖然 AI 芯片的開發(fā)主流都是基于深度學習算法，目前的主要技術路線是將用于加速處理深度學習的專用 AI 芯片和多核CPU處理器集成到同一塊芯片中。在半導體芯片領域，目前，開發(fā)FPGA和ASIC是一個重要方向。更前沿的研究是設計“可進化”芯片，它基本上接近通過芯片的“自學習”來提升芯片自身的性能。
AI 芯片的最終目標是能夠“自我學習”，即芯片能夠自己學習“如何學習”；另外一個重要目標是做到智能機器之間（相當于AI芯片之間）的相互學習和協(xié)調，從而使智能機器自己得到更多的知識。這種“自我學習”的性能，很可能隨時間呈指數(shù)級提升，并將最終導致智能機器的智能水平超越人類。這類芯片在設計過程中往往會盡可能貼近大腦的生物特性，因而被稱為類腦芯片或者神經(jīng)形態(tài)芯片。這種芯片基于新的芯片架構，關鍵組成部分包含脈沖神經(jīng)元、低精度突觸和可擴展的通信網(wǎng)絡等。
中國已將芯片列為必須自主掌控的技術，而在與歐美國家差距極小的大數(shù)據(jù)人工智能已經(jīng)成為下一個必須占領的科技高地。目前在硅基半導體芯片領域的基礎專利多被歐美占據(jù)，很難沿著這個路線超車。AI芯片給我們帶來了一個難得新機會，類腦芯片和基于新神經(jīng)網(wǎng)絡算法、量子啟發(fā)算法、自然仿生計算、存內計算和新型存儲器，以及基于量子計算和量子機器學習等領域的研發(fā)，還處于實驗室樣片或少量試用階段，這些可以作為中國芯片科技彎道超車的目標。
