Blumind以类比半导体架构助力AI推论

由于现行电脑系统结构（computer architectures）的限制，AI发展和使用遭遇严重的能源不足问题。为了解决这项挑战，加拿大新创Blumind发明类比半导体架构，可以低耗能的方式有效支持神经网络。

Blumind共同创始人兼营运长Niraj Mathur表示，该公司2022年送交制造第一颗芯片，已取得良好成果；目前正在设计更多测试芯片，目标在2024年投产。

低耗能的半导体架构

创立于2020年的Blumind，希望以自身的半导体技术促进AI推论。Mathur说，AI的「训练（training）」是以巨量数据训练神经网络；AI推论是训练后的下个阶段，是神经网络要去执行的功能。

他举例，镜头采用经过训练的神经网络，可以判断蒐集的画面里是否有人类出现，这就是AI推论。这个不断重复的过程会消耗AI大部分的工作量，因为必须随时提供最佳的使用者经验。

Mathur表示，业界已在发展高效率、永续性的AI上碰到困境。首先，要以使用数十年的冯纽曼架构（von Neumann computer architecture）去满足未来机器学习（machine learning）和神经网络处理（neural network processing）的需求，会相当有挑战性。

此外，随着摩尔定律（Moore’s law）所预言的趋势陷入停滞，必须付出更高的成本才能提升效能，问题变得更严重。

为了协助业界提供更优质的AI科技，Blumind共同创始人兼技术长John Gosson研发类比半导体架构执行神经网络处理，已取得专利。连同CEORoger Levinson在内，Blumind的三位创始人在半导体业界共有超过70年的资历。

Mathur说，Blumind架构的运作方式和人脑类似；人脑就是经过长时间的训练，才可以藉由眼睛、耳朵、鼻子等生理传感器接受到的信息，作各种决定。

他也指出，Blumind的类比架构可减少100至1,000倍的耗能，对永续环境非常重要。根据业界评估，若AI效率保持目前水准，AI运算可在30年内消耗现今90%由人类制造的能源。他说，这显然无法达到环境永续，机器学习必须以更有效率的方式执行。

利用类比架构减少耗能理论上可行，但Mathur表示，要能用于大量生产的状况是另一连串不同的挑战；这项解决方案还必须在极端温度等环境下稳定运作，Blumind已一一克服这些困难。

锁定边缘人工智能（edge AI）

Blumind的解决方案可用于众多领域，目前先锁定边缘AI推广；根据Mathur说明，是指那些使用电池、在电源或温度控制上受限制的传感器和装置。

他举例，Blumind的科技可用于汽车或智能交通（smart mobility）装置的镜头上，协助车辆或装置闪避物体。也适合使用神经网络的心电图（ECG）监测、血糖监测器，直接在病人体内侦测、处理传感器所蒐集到的数据，只会消耗少量电力，甚至支持能量采集（energy harvesting）。

Blumind的解决方案也可应用于增实境(AR)装置。Mathur说，AR需要大量运算，又因为装置小、要求极短的反应时间，在电源、延迟（atency）和温度上都有限制。Blumind的芯片可以让AR装置在不配备大型电池的情况下，有效率地处理手势信息。

台湾是发展亚洲市场的跳板

Mathur表示，Blumind于2023年1月完成第二轮募资，接下来将往A轮募资努力。他说，目前和几家顶尖公司合作定义产品，希望未来芯片投产时，这些公司能成为潜在客户。

Mathur也说，Blumind希望和台湾的半导体产业接触，除了因为有台积电、联电等知名企业，也因为该公司的解决方案可用于像智能传感器和智能城市等，这些应用在亚洲和欧洲发展较快速。Blumind希望以台湾为出发点，未来进军更大的亚洲市场。

Mathur已和台湾的半导体生态圈有部分接触，获得令他印象深刻的回馈。他将到台湾参加COMPUTEX 2023，也说他非常期待到访和面对面交流的机会。

责任编辑：陈奭璁