人工智能（AI）可說是2016年運算領域最熱門的話題，廠商競相開發(fā)專用芯片的戰(zhàn)爭已經(jīng)開打…

對運算產(chǎn)業(yè)來說，在過去的2016年應該沒有一個概念比人工智能（AI）更熱門；跨入2017年，專家們表示，人工智能生態(tài)圈的需求成長會更加迅猛。主要集中在為深度神經(jīng)網(wǎng)絡找尋性能和效率更適合的“推理（inference）引擎”。

現(xiàn)在的深度學習系統(tǒng)仰賴軟件定義網(wǎng)絡和巨量數(shù)據(jù)學習產(chǎn)生的超大型運算能力，并靠此來實現(xiàn)目標；遺憾的是，這類型的運算配置是很難嵌入到那些運算能力、內(nèi)存容量大小和帶寬都有限制的系統(tǒng)中（例如汽車、無人機和物聯(lián)網(wǎng)設備）。

這為業(yè)界帶來了一個新的挑戰(zhàn)──如何透過創(chuàng)新將深度神經(jīng)網(wǎng)絡運算能力嵌入到終端設備中。如（已經(jīng)被Intel收購的）計算機視覺處理器設計業(yè)者Movidius執(zhí)行長Remi El-Ouazzane在幾個月前就說過，將人工智能布署在網(wǎng)絡邊緣將會是一個大趨勢。

在問到為什么人工智能會被“趕”到網(wǎng)絡邊緣的時候，法國原子能委員會（CEA）架構(gòu)、IC設計與嵌入式軟件（Architecture， IC Design and Embedded Software）部門院士Marc Duranton提出三個原因：安全性（safety）、隱私（privacy）和經(jīng)濟（economy）；他認為這三點是驅(qū)動業(yè)界在終端處理數(shù)據(jù)的重要因素，而未來將會衍生更多「盡早將數(shù)據(jù)轉(zhuǎn)化為信息」的需求。

Duranton指出，試想自動駕駛車輛，如果其目標是安全性，那些自動駕駛功能就不應該只仰賴永不中斷的網(wǎng)絡聯(lián)機；還有例如老人在家里跌倒了，這種情況應該由本地監(jiān)測裝置在當場就判斷出來，考慮到隱私因素，這是非常重要的。而他補充指出，不必收集家里10臺攝影機的所有影像并傳輸以觸發(fā)警報，這也能降低功耗、成本與數(shù)據(jù)容量。

從各方面看來，芯片供貨商已經(jīng)意識到推理引擎的成長需求；包括Movidus （Myriad 2）， Mobileye （EyeQ 4 & 5） 和Nvidia （Drive PX）在內(nèi)的眾多半導體公司正競相開發(fā)低功耗、高性能的硬件加速器，好讓機器學習功能在嵌入式系統(tǒng)中被更妥善執(zhí)行。

從這些廠商的動作和SoC的發(fā)展方向看來，在后智能型手機時代，推理引擎已經(jīng)逐漸成為半導體廠商追逐的下一個目標市場。

在今年稍早，Google推出了張量處理單元（TPU），可說是產(chǎn)業(yè)界積極推動機器學習芯片創(chuàng)新的一個轉(zhuǎn)折點；Google在發(fā)表芯片時表示，TPU每瓦性能較之傳統(tǒng)的FPGA和GPU將會高一個等級，此外并指出這個加速器還被已被應用于今年年初風靡全球的AlphaGo系統(tǒng)。但是迄今Google并未披露TPU的規(guī)格細節(jié)，也不打算讓該組件在商業(yè)市場上銷售。

很多SoC從業(yè)者從Google的TPU中得出了一個結(jié)論──機器學習需要客制化的架構(gòu)；但在他們針對機器學習進行芯片設計的時候，他們又會對芯片的架構(gòu)感到疑惑，同時想知道業(yè)界是否已經(jīng)有了一種評估不同形態(tài)下深度神經(jīng)網(wǎng)絡（DNN）性能的工具。

CEA表示，該機構(gòu)已經(jīng)準備好為推理引擎探索不同的硬件架構(gòu)，他們已經(jīng)開發(fā)出一種名為N2D2的軟件架構(gòu)，能夠幫助設計工程師探索和生成DNN架構(gòu)；Duranton指出：「我們開發(fā)這個工具之目的，是為DNN選擇適合的硬件目標。」CEA將會在2017年第一季釋出N2D2的開放源碼。

N2D2的特色在于不僅是以識別精確度為基礎來比較硬件，它還能從處理時間、硬件成本和功耗等多個方面執(zhí)行比較；Duranton表示，因為針對不同應用的深度學習，需求之硬件配置參數(shù)也會有所不同，因此以上幾個比較非常重要。N2D2能為現(xiàn)有CPU、GPU和FPGA等硬件（包括多核心與眾多核心）提供一個性能參考標準。

N2D2運作原理

CEA已經(jīng)針對如何把DNN完美地推展到邊緣運算（edge compuTIng）進行了深入研究；Duranton指出，其中最大的障礙在于因為功耗、內(nèi)存容量尺寸和延遲等限制，“浮點”式服務器方案不適用；而其他障礙還包括：「需要大量的MAC、帶寬和芯片上內(nèi)存容量?！?/p>

所以說，采用整數(shù)（Integer）而非浮點運算是最需要優(yōu)先考慮的問題…還有別的嗎？Duranton認為，這種專屬架構(gòu)也需要采用新的編碼方式，例如「棘波編碼（spike coding）」；CEA的研究人員研究了神經(jīng)網(wǎng)絡的特性，發(fā)現(xiàn)這種網(wǎng)絡能容忍運算誤差，使其適用于「近似運算（approximate computaTIon）」。

如此一來，甚至于不需要采用二進制編碼；而Duranton解釋，其好處在于諸如棘波編碼的時間編碼（temporal coding），能在邊緣運算提供更具能源效益的結(jié)果。棘波編碼之所以具吸引力，是因為棘波編碼──或是以事件為基礎（event-based）的──系統(tǒng)能展現(xiàn)實際神經(jīng)系統(tǒng)內(nèi)的數(shù)據(jù)如何被譯碼。

此外，以事件為基礎的編碼能兼容專用的傳感器和預處理（pre-processing）。這種和神經(jīng)系統(tǒng)極度相似的編碼方式，使得模擬和數(shù)字混合訊號更容易實現(xiàn)，也能夠幫助研究者打造低功耗的小型硬件加速器。

還有其他能加速將DNN推展到邊緣運算的因素；例如CEA正在考慮把神經(jīng)網(wǎng)絡架構(gòu)本身調(diào)整為邊緣運算的潛在可能。Duranton指出，現(xiàn)在人們已經(jīng)開始討論采用「SqueezeNet」架構(gòu)而非「AlexNet」架構(gòu)的神經(jīng)網(wǎng)絡，據(jù)了解，前者達到與后者相同精確度所需的參數(shù)規(guī)格是五十分之一；這類簡單配置對于邊緣運算、拓撲和降低MAC數(shù)量都十分關鍵。

而Duranton認為，最終目標是將經(jīng)典DNN轉(zhuǎn)換成「嵌入式」網(wǎng)絡。

（未完待續(xù)。.）

責編：Judith Cheng