根據(jù)行業(yè)的參考標準，AI將是下一件大事，或?qū)⒃谙乱患笫轮邪l(fā)揮重要作用。這也就解釋了過去18個月里人工智能領域活動的瘋狂。大公司支付數(shù)十億美元收購創(chuàng)業(yè)公司，甚至投入更多的資金用于研發(fā)。此外，各國政府正在向大學和研究機構(gòu)投入數(shù)十億美元。全球競賽正在進行，目的是創(chuàng)建的最佳的架構(gòu)和系統(tǒng)來處理AI工作所必需的海量數(shù)據(jù)。

市場預測也相應上升。 根據(jù)TracTIca研究所的數(shù)據(jù)，到2025年，AI年收入預計將達到368億美元。TracTIca表示，迄今為止已經(jīng)確定了AI的27種不同的細分行業(yè)以及191個使用案例。

但隨著我們深入挖掘，很快就可以明顯地看到，并不存在一個的最好的方式來解決AI問題。甚至對于AI是什么，或需要分析的數(shù)據(jù)類型，我們尚沒有一致的定義。

圖1 AI收入增長預測。來源：TracTIca

OneSpin SoluTIons總裁兼首席執(zhí)行官Raik Brinkmann說，“在人工智能芯片中，你有三個問題需要解決。首先，你需要處理大量的數(shù)據(jù)。其次，構(gòu)建用于并行處理的互連。第三是功率，這是你移動數(shù)據(jù)量的直接結(jié)果。所以你亟須從馮諾依曼架構(gòu)轉(zhuǎn)變到數(shù)據(jù)流架構(gòu)。但它究竟是什么樣子？”

目前的答案很少，這就是為什么AI市場的第一顆芯片包括現(xiàn)成的CPU，GPU，F(xiàn)PGA和DSP的各種組合。雖然新設計正在由諸如英特爾、谷歌、英偉達、高通，以及IBM等公司開發(fā)，但目前還不清楚哪家的方法會勝出。似乎至少需要一個CPU來控制這些系統(tǒng)，但是當流數(shù)據(jù)并行化時，就會需要各種類型的協(xié)處理器。

AI的許多數(shù)據(jù)處理涉及矩陣乘法和加法。大量并行工作的GPU提供了一種廉價的方法，但缺點是更高的功率。具有內(nèi)置DSP模塊和本地存儲器的FPGA更節(jié)能，但它們通常更昂貴。這也是軟件和硬件真正需要共同開發(fā)的領域，但許多軟件遠遠落后于硬件。

Mentor Graphics董事長兼首席執(zhí)行官Wally Rhines表示：“目前，研究和教育機構(gòu)有大量的活動。有一場新的處理器開發(fā)競賽。也有標準的GPU用于深度學習，同時還有很多人在從事CPU的工作。目標是使神經(jīng)網(wǎng)絡的行為更像人腦，這將刺激一次全新的設計浪潮。”

當視覺處理開始涉及到AI時，便受到了極大的關(guān)注，主要是因為特斯拉在預計推出自動駕駛汽車的15年前就已經(jīng)提出了自動駕駛概念。這為視覺處理技術(shù)，以及為處理由圖像傳感器、雷達和激光雷達收集的數(shù)據(jù)所需的芯片和整體系統(tǒng)架構(gòu)開辟了巨大的市場。但許多經(jīng)濟學家和咨詢公司正尋求超越這個市場，探討AI將如何影響整體生產(chǎn)力。Accenture最近的報道預測，AI將使一些國家的GDP翻番（見下圖2）。雖然這將導致就業(yè)機會大幅減少，但整體收入的提高不容忽視。

Synopsys董事長兼聯(lián)合首席執(zhí)行官Aart de Geus指出了電子學的三個浪潮——計算和網(wǎng)絡、移動、數(shù)字智能。在后一種類型中，焦點從技術(shù)本身轉(zhuǎn)移到它可以為人們做什么。

“You’ll see processors with neural networking IP for facial recognition and vision processing in automobiles，” said de Geus. “Machine learning is the other side of this. There is a massive push for more capabilities， and the state of the art is doing this faster. This will drive development to 7nm and 5nm and beyond.”

de Geus說：“你將看到具有面部識別和汽車視覺處理的神經(jīng)網(wǎng)絡IP。機器學習是其另一面。它對于更多的能力會產(chǎn)生一種巨大的推動，目前的技術(shù)水平可以快速完成這些。這將推動芯片發(fā)展到7nm、5nm，甚至更高的水平。”

目前的方法

自動駕駛中的視覺處理在AI當前研究中占主導地位，但該技術(shù)在無人機和機器人中的作用也越來越大。

Achronix公司總裁兼首席執(zhí)行官Robert Blake說：“對于圖像處理的AI應用，計算復雜度很高。對于無線技術(shù)，數(shù)學很好理解。對于圖像處理，數(shù)學就像西部拓荒，工作負載復雜多變。大概花費5~10年時間才能解決市場問題，但是它對于可編程邏輯肯定會有很大的作用，因為我們需要能夠以高度并行的方式完成的變精度數(shù)學。”

FPGA非常適合矩陣乘法。最重要的是，它的可編程性增加了一些必要的靈活性和面向未來的設計，因為在這一點上，不清楚所謂的智能將存在于一個設計的哪部分。用于做決策的數(shù)據(jù)一些將在本地處理，一些將在數(shù)據(jù)中心中處理。但在每個實現(xiàn)中，其百分比可能會改變。

這對AI芯片和軟件設計有很大的影響。雖然AI的大局并沒有太大的變化（大部分所謂的AI更接近于機器學習，而非真正的AI），但是對于如何構(gòu)建這些系統(tǒng)的理解卻發(fā)生了重大的變化。

圖3：谷歌TPU開發(fā)板 來源：谷歌

Arteris營銷副總裁Kurt Shuler說：“對于自動駕駛汽車，人們正在做的就是把現(xiàn)有的東西放在一起。為了使一個真正高效的嵌入式系統(tǒng)能夠?qū)W習，它需要一個高效的硬件系統(tǒng)。我們采用了幾種不同的方法。如果你關(guān)注視覺處理，你要做的是試圖弄清楚器件看到的是什么，以及你如何推斷。這包括來自視覺傳感器、激光雷達和雷達的數(shù)據(jù)，然后應用專門的算法。這里的很多事情都是試圖模仿大腦中的事情，方法是利用深度卷積神經(jīng)網(wǎng)絡。”

它與真正的AI的不同之處是，現(xiàn)有技術(shù)水平能夠檢測和避開物體，而真正的AI能夠擁有推理能力，例如如何通過一群人正在橫穿的街道，或判斷玩皮球的小孩子是否會跑到街道上。對于前者，判斷是基于各種傳感器的輸入，而傳感器的輸入是基于海量數(shù)據(jù)處理和預編程的行為。對于后者，機器能夠作出價值判斷，例如判斷轉(zhuǎn)彎避開孩子可能會造成的很多結(jié)果，并做出最佳選擇。