20181217-清华大学-人工智能芯片技术白皮书_46页_4mb

人工智能芯片技术白皮书（2018）总结

核心内容概述

本白皮书系统分析了人工智能（AI）芯片的发展背景、关键特征、技术挑战、架构设计趋势及新兴计算技术，旨在为AI芯片的研发和应用提供指导。AI芯片作为人工智能技术的物理基础，对AI的发展具有重要支撑作用。随着AI技术的快速演进，AI芯片也在不断优化以满足高性能、高能效、高存储能力等需求。

主要观点

1. AI芯片的重要性：AI芯片是人工智能技术实现的基础，其性能和能效直接影响AI应用的效率和可行性。
2. AI芯片的关键特征：包括大数据处理能力、数据精度、可重构能力、软件工具支持等。
3. AI芯片的技术挑战：主要涉及冯·诺伊曼瓶颈和CMOS工艺与器件的瓶颈，这两者限制了AI芯片的性能提升。
4. AI芯片的架构设计趋势：云端和边缘设备的AI芯片设计各有侧重，云端强调大存储、高性能和可伸缩性，而边缘设备则更关注效率、功耗和成本。
5. 新兴计算技术：包括近内存计算、存内计算、基于新型存储器的神经网络以及生物神经网络等，这些技术有望突破传统冯·诺伊曼架构的限制。
6. 神经形态芯片：这类芯片模拟生物神经网络结构，具有低功耗、高并行性、事件驱动和数据流计算等特性，是未来AI芯片的重要方向。
7. 存储技术的重要性：AI芯片的性能和能效高度依赖存储技术，因此开发AI友好型存储器和新型存储技术是关键。
8. 软件定义芯片：AI芯片需要具备可重构能力，以适应不同的算法和应用场景，这需要软件工具链的支持。

关键信息

AI芯片的类型

• 通用芯片：如GPU，适用于多种AI任务。
• 专用芯片：如TPU、FPGA、ASIC，专注于加速特定算法，如深度学习或推断。
• 神经形态芯片：模拟生物神经网络，具有低功耗、高并行性和事件驱动等特性。

技术挑战

• 冯·诺伊曼瓶颈：由于存储器访问速度限制，导致计算单元无法充分利用，成为AI芯片性能提升的瓶颈。
• CMOS工艺瓶颈：随着工艺尺寸缩小，功耗和漏电流问题愈发严重，限制了芯片的进一步发展。

架构设计趋势

• 云端AI芯片：强调大存储、高性能和可伸缩性，如NVIDIA V100和Google TPU。
• 边缘AI芯片：注重效率、功耗和成本，如智能手机、自动驾驶系统中的AI芯片。
• 可重构计算：支持动态调整计算架构和功能，实现“软件定义芯片”。

存储技术

• AI友好型存储器：如HBM和新型NVM，提高存储带宽和容量。
• 片上存储器：如SRAM，提供高速访问能力。
• 片外存储器：如DRAM和NAND闪存，支持大规模数据存储。
• 新兴存储器：如PCM、ReRAM、忆阻器等，具有高密度、低功耗和高能效。

新兴计算技术

• 近内存计算：通过将存储器靠近计算单元，减少数据移动带来的延迟和功耗。
• 存内计算：在存储器内部执行计算，提高能效。
• 基于新型存储器的神经网络：如RRAM、FeFET等，实现模拟计算和高密度存储。
• 生物神经网络：如SNN，具有事件驱动和时间学习特性，适用于实时处理任务。

神经形态芯片

• 算法模型：包括人工神经网络（ANN）和脉冲神经网络（SNN），SNN在某些应用中表现优异。
• 特性：包括可缩放的神经网络互联、众核结构、事件驱动和数据流计算。
• 机遇与挑战：虽然具有巨大潜力，但目前仍面临物理结构、散热、互联同步和算法开发等挑战。

未来展望

AI芯片的发展将更加注重与AI算法的协同优化，包括提高能效、降低功耗、提升存储带宽和实现灵活的架构设计。随着技术的进步，AI芯片将逐渐形成一个完整的生态系统，从云端到边缘设备，实现高效、智能的计算和处理能力。