人工智能芯片发展进程

人工智能(AI)芯片的研发在半导体业界，有变成全民运动的趋势，就连原先的用户也将触角伸进这领域，开始扩张到产品设计公司。

云端人工智能是四战之地，这是目前这领域所有重要厂商都竞相折腰的地方，包括云端公司、整合元件厂(IDM)、晶圆代工厂、存储器厂、设计公司甚至封装厂—如果不是，你可以解释为什麽存储器公司要盖封装厂、买处理器公司吗？

云端人工智能芯片主要是通用型的，大量数据的计算通常只是矩阵乘法的线性代数，例如GPU、TPU等。使用的场景要求高效能、大量存储器空间、可扩充性。但是由于目前计算机的冯诺曼架构，计算能力与存储器速度不匹配造成的DRAM wall，需要近存储器计算(near memory computing)来缓解传输所造成的延迟和能耗，另外存储器带宽也需要拓宽，这就是HBM(High Bandwidth Memory)的驱动力之一。

近存储器计算则是由封装来实施，这也是为什麽HIR 2019(异构整合路线图2019版)于第一章总览之后，第二章即随以HPC (High Performance Computing)为起头的领导主题。这是目前整个半导体产业的核心利益，用来带动技术的进展有足够的支持动力，大陆新的半导体发展策略即是以人工智能来驱动半导体发展。

边缘计算目前的应用以移动与自驾车为大宗，应用的场景注重能耗、反应时间、体积、成本、隐私等问题。由于应用时可能有带宽、时延和隐私等问题，边缘计算比较偏重推论。未来功能进一步加强，也可能将所收集的数据在地训练，减少数据传输的负担。边缘计算往往是终端系统的一个部分，与CPU、DSP等可能以异构的形式结合以对系统极大的优化，所以这也是异构整合技术的推动力之一。

以上两种人工智能芯片基本上以神经网络为基础架构，能够改进的包括演算法的优化、芯片设计架构的变更与周边元件的整合架构等，但是这些改进受限于神经网络只是人类智能极粗略的近似，所以目前从各方向着手的改善从大局看来只是渐进式的。兼之应用情境目前开拓的不够广濶，所以外界开始有人工智能生产力悖论(AI productivity paradox)的质疑。严苛一点的，还谈及另一波人工智能冬天(AI winter)可能来临。

对于这渐进式的发展现在有新半导体技术来持续实现其进展。可重构芯片(reconfigurable chip)可以用高端语言程序动态重构电子线路，所以兼具部分通用处理器的弹性、ASIC的效能、FPGA的可编程表现，但是线路重构的速度进展比当初的预期要好，巳进入几十奈秒的范围。目前有些边缘计算芯片已开始采用此一技术，譬如自驾车用芯片。这种架构对于整个人工智能芯片的发展还引入一个崭新的仿生元素—演化。可重构人工智能芯片可以依其局部应用生态所收集的数据不断的修正最佳线路，成为局部区域应用的最适者，这对于人工智能芯片的发展是跳跃式的进展。

更直指仿生核心的是脑神经形态芯片(neuromorphic chip)。脑神经的基本组成由神经元(neuron)以及一连串的电、化学信号传递机构包括轴穾(axon；负责长信号距离传送)、突触(synapse)、树突(dendrite)等构成，一个神经元平均有1,000个突轴连接其他神经元。脑的重要功能之一记忆就是由这些突触的连结建立、强化、修整等以类比的方式来调控。

初期的神经形态芯片多以NVM来仿生，以存储器单元当神经元，并且创造、记忆虚拟突触。现在以更接近突触真正工作方式的忆阻器(memristor，可以记忆先前变化的电阻值)、甚或化学物品来模拟。一般神经形态芯片设计通常会配有一个脑神经研究团队，以贴近对脑工作方式的高度仿真，也持续引入脑神经科学最新进展结果。这是人工智能对于仿生这一条路的终极讲究，虽然初步的结果已显示脑神经形态芯片优秀的成积，但是这一方向的研究还路漫漫其修远兮。

最后是量子计算。量子机器学习是预计短期内有机会被实施的应用之一。尽管真正有量子纠缠的量子计算机距离实用阶段尚远，但是对于人工智能的部分工作—譬如极大化(optimization)，比较简版的量子计算如量子退火炉(quantum annealer)、光子(photonics)芯片已有机会有所贡献，而且这是较短期内就可以达成的，量子退火炉已有商用机器。

人工智能要模仿人类心智的运作方式，而人类心智有没有自由意志？这是一个长久以来争辩不休的哲学问题，现在却已有真实应用上的价值。如果在机械观决定论的世界，人不可能有自由意志；但是在量子机率的世界，没有事情是必然的，因而人类有自由意志的可能。这是量子计算可以提供给人工智能的最后一块重要拼图！