AI是当下的热点新闻。今天，人工智能被用于诊断医学、合成新化学物质、识别隐藏在人群中的罪犯面孔、驾驶汽车，甚至创造艺术。有时候，我们似乎觉得AI无所不能，人类很快就会失业，默默地看着AI为我们做一切。为了了解人工智能技术的起源，本文记录了人工智能的发展历程，并通过高级驾驶辅助系统（ADAS）和自动驾驶汽车的案例分析了人工智能芯片的发展现状，以及如何制作人工智能芯片真正改变我们的日常生活。生活。让我们从人工智能的历史开始。随着人工智能的发展，出现了更专业的技术，即所谓的机器学习，它依靠经验学习而不是编程来做出决策。反过来，机器学习也为后来的深度学习打下了基础。深度学习涉及分层算法，以便更好地理解数据。图1：AI导致机器学习的出现，后来演变为深度学习（来源：Nvidia）AI技术的起源1956年达特茅斯会议，科学家JohnMcCarthy、ClaudeShannon和MarvinMingsKey创造了“人工智能”一词。在20世纪50年代后期，“机器学习”一词是由亚瑟·塞缪尔创造的，他开发了一个西洋跳棋程序，可以从错误中吸取教训，并且在学习之后，比编写它的人玩得更好。强大的。在这个计算机技术飞速发展的时代，乐观的环境让研究人员相信AI技术将在短时间内“征服”。科学家研究了基于人脑功能的计算能否解决现实生活中的问题，创造了“神经网络”的概念。1970年，MarvinMinsky在《生活》杂志上说，“在未来的3到8年内，我们将拥有普通人智能水平的机器。”20世纪80年代，人工智能走出实验室，进入商业化，掀起了一波投资热潮。80年代后期，AI技术泡沫终于破灭，AI回归研究领域，科学家们不断开发AI的潜力。行业观察家称人工智能是一项超前的技术，而其他人则称它是一项未来的技术。在经历了漫长的所谓“AI寒冬”之后，商业开发又开始了。图2：AI时间线1986年，GeoffreyHinton和他的同事发表了一篇具有里程碑意义的论文，描述了一种称为“反向传播”的算法，该算法可以显着提高多层或“深度”神经网络的性能。1989年，YannLeCun和贝尔实验室的其他研究人员创建了一个神经网络，可以训练它识别手写的邮政编码，展示了这项新技术在现实世界中的重要应用。他们只用了3天时间就训练了一个深度学习卷积神经网络(CNN)。时间快进到2009年，斯坦福大学的RajatRaina、AnandMadhavan和AndrewNg发表了一篇论文，解释了现代GPU在深度学习方面的计算能力远远超过多核CPU。AI蓄势待发，再次启航。探索真正的AI芯片为什么我们今天听到这么多关于AI的信息？关键因素的融合为人工智能技术的巨大进步奠定了基础，许多人认为人工智能技术可以解决日益重要的现实问题。使用当今Internet提供的基础设施，全世界的研究人员都可以获得创建新算法和解决方案所需的计算能力、大规模数据和高速通信。例如，汽车行业表示愿意在人工智能技术上投入研发资金，因为机器学习能够处理自动驾驶等高度复杂的任务。人工智能芯片设计的主要挑战之一是将所有东西整合在一起。我们在这里讨论的是使用多种类型的硬件加速器实现深度学习的超大型定制SoC。设计AI芯片可能非常困难，尤其是考虑到汽车行业对安全性和可靠性的严格要求，但AI芯片仍然只是芯片，也许它会在处理技术、内存、I/O和互连方面发生变化技术。有一些新的解决方案。谷歌、特斯拉等刚接触IC设计的公司，以及AIMotive和地平线机器人等AI芯片初创公司，都对深度学习的计算复杂性有着深刻的理解，但在开发这些最先进的SoC时，他们可能会面临严峻的挑战。可配置的互连IP可以在确保行业中所有这些新参与者尽快获得功能性芯片方面发挥关键作用。图3：AI芯片剖析，以谷歌TPU为例。例如，对于汽车前置摄像头，可以使用带有深度学习加速器的AI芯片，可以对路边的物体进行检测和分类。每个AI芯片都有一个独特的内存访问配置文件，以确保最大带宽。必须优化片上互连的数据流以确保更宽的带宽路径，同时满足性能目标，但尽可能分配更窄的路径以优化面积、成本和功耗。还必须优化每个连接以适应更高级别的AI算法。为了让它更有趣，人们每天都在开发新的AI算法。在某种程度上，今天的深度学习芯片就像香蕉，没有人愿意在他们的AI芯片中使用烂香蕉或旧算法。与许多其他半导体产品相比，这些前沿产品的上市时间更为关键。AI的未来虽然深度学习和神经网络正在迅速推进AI技术，但许多研究人员仍然认为，如果要实现AI最令人难以置信的目标，仍然需要全新的和根本不同的方法。大多数AI芯片旨在实现LeCun和Hinton以及其他人十多年前发表的相同想法的不断改进版本，但我们没有理由期望沿着这条道路取得的指数级进展将使AI变得能够??像人类。正如我们今天所知道的那样，我们不能将深度学习应用于已经在一项任务上付出巨大努力完成的新的和不同的任务。此外，神经网络没有很好的方法来合并先验知识，也没有像“upvsdown”和“childrenhaveparents”这样的规则。最后，基于神经网络的人工智能需要大量的例子来学习，而人类只需一次难忘的经历就可以学会不碰炉子。目前尚不清楚如何将现有的AI技术应用于没有大量标记数据集的问题。虽然AI芯片现在不是特别智能，但它们绝对是智能的，而且很有可能在不久的将来它们会变得更加智能。这些芯片将继续利用半导体处理、计算机架构和SoC设计方面的进步来提高处理能力并支持下一代人工智能算法。与此同时，新的人工智能芯片将继续需要先进的内存系统和片上互连架构，为新的专有硬件加速器提供深度学习所需的源源不断的数据流。原文链接：https://semiengineering.com/artificial-intelligence-chips-past-present-and-future/
