在11月17日召开的2017年ICCAD年会的“芯”动北京——暨首届中关村IC产业发展论坛上，清华大学微纳电子学系魏少军教授针对智能趋势下芯片的发展发表了《智能化时代的芯片走向》主题演讲。
魏少军教授表示，之所以强调智能化而不是采用人工智能这个热门词汇，主要是因为比起智能化趋势来说，人工智能更多的是偏向于具体的使用方法。
智能化就是从非智能走向智能的过程，这个过程短则几年，长则数十年，将会是一个非常漫长的过程。因此魏少军教授认为，这个过程需要所有人去思考，去认真看待。
以下是演讲的主要内容：
演讲主要分为几个部分：
一、智能化是信息社会的核心标志
二、芯片是实现智能化的载体
三、构成智能芯片的关键要素
四、架构创新是智能芯片的发展之路
不论是工业4.0还是信息社会，智能化都是一个绕不开的命题。
人工智能是近几年来比较热的话题，但是在魏少军教授看来，人工智能并不是一个新话题。
尤其是在最近两年，最重要的两个事件就是谷歌的Alphago在围棋对弈中战胜了韩国的李世石和中国的柯洁。
从这两件事情，我们能够看到机器的学习能力确实超乎想象。
从人工智能的发展历史我们能够看到，人工智能出现在上个世纪五十年代，主要是制造智能机器的科学与工程，但是在之后的三十年里一直都没有太大的发展。
直到八十年代，人们才发现机器学习是实现人工智能的一个重要途径。到2010年前后，出现机器学习的一个分支——深度学习，这个时候人工智能才真正的火起来。
但是魏少军教授强调，无论是机器学习还是深度学习，都还只是人工智能的一部分，所以并不能用深度学习来代替人工智能。
那么机器学习会产生什么影响呢？
传统的数据发掘就是用来描述发生了什么，这一方法广泛应用于各个产业。
而作为机器学习的两个分支：预测和决策，都远比传统的数据发掘做的更多。
预测能够利用外推数据以预测行为和时间，而决策则能够决定为实现目标开展的工作，是机器学习的更重要的功能。
前者主要应用于数据驱动型的组织以提升关键洞察力。而后者主要被领先的数据和互联网公司所应用。
因此，魏少军教授认为智能化将是下一轮发展的核心驱动力，已经是毋庸置疑的事情。
同时，随着物联网的发展，物联网将会驱动万物互联的进程，也是智能化进程中与人们息息相关的事情。
互联网与智能感知、智能处理技术结合，派生出物联网。之前，人们预测，到2020年全球会有500亿个终端设备接入网络，其中100亿个在中国。
而日本软银董事长孙正义先生则更加激进，他预测到2025年最终有1万亿个设备互相连接，其中有一半在中国。
物联网有着巨大的潜力。
以工业互联网为例，魏少军教授表示，GE的董事长曾说过，即使工业互联网智只能让效率提升1%，效益也将是巨大的。
魏少军教授还表示，物联网主要是感知、处理、决策、执行的过程。
其中，感知和处理是第一步，执行和控制第二步，最后一步是反馈和查验。这一过程与人类认知事物的流程大体相同。
了解这种架构之后能够帮助我们更好的理解智能。
所谓智能是“智慧”和“能力”两者的合称，将感觉、记忆、会议、思维、语言、行为的整个过程成为智能过程，它是智力和能力的表现。
它们分别又可以用“智商”和“能商”来描述其在个体中发挥智能的程度。“情商”可以调整智商和能商的正确发挥，或控制二者恰到好处地发挥它们的作用。
类比于之前提到的物联网的过程，可以得到感知和传输是能力，执行和控制是智慧。
因此在魏少军教授看来，智能处理的架构主要包括：多输入/多输出系统，高度复杂、灵活的互连结构，多任务且高度并行化运行的系统，多处理器单元系统，并行分布式存储，并行分布式软件，分布式处理与集中控制系统。
这样的系统才是我们理想中的系统。
要实现这样的系统和智能，没有芯片是不可想象的。
从人工智能的发展也能发现，之所以在人工智能发展的60多年当中，近几年取得了令人瞩目的成就，很大程度取决于计算能力的提升。
魏少军教授表示，如果没有计算能力，深度学习也是没有办法实现的。
那么现在都用到了哪些芯片呢？
首先是被广泛应用的GPU。目前GPU的计算能力要比CPU高很多倍。从全部图形芯片市场来看。英特尔目前占了71%，英伟达占了16%，AMD占了13%。但是从分立式GPU市场来看，英伟达占了71%，AMD占了29%。
而目前，人工智能使用的主要是分立式GPU。当然了，AMD也提供了相关的异构CPU和GPU产品。
此外，人工智能芯片的第二个发展方向就是FPGA和TPU。
FPGA所实现的人工智能芯片，能够在相同的情况下，功耗下降到GPU环境的20%。但是这依旧很难在移动设备上使用。
而TPU的问题在于精度不高。所以TPU主要适用于不需要极高精度的机器学习相关计算。与GPU相比，TPU旨在以较低的精度来提高性能，功耗下降到GPU环境的10%左右。
NA可能就是未来机器学习发展的主要方向，因为基于其特点，可以应用于先进的机器学习，基于刺激的学习机制等等。
那么结合人类的大脑，我们就能够更深入的实现人工智能。
而从人工智能芯片的架构来看，前端有很多的传感器，后端则是很多的执行器，而连接着两个部分的，绝不仅仅只是单一的芯片，而需要很多的功能。
