Source：魏少军教授演讲 摩尔精英现场速记
人工智能作为近年来比较热门的一个发展趋势，对于芯片的要求到底是怎么样的呢？2017年7月14日，在首届“青城山中国IC生态高峰论坛”魏少军教授发表了题为《人工智能大潮中的芯片发展思路》的主题演讲，详细介绍了在人工智能大潮中国内企业应当如何发展人工智能芯片。
在魏少军教授看来，人工智能主要分为三个层次：第一个层次叫应用，第二个层次是方法，第三个层次是工具。从芯片的角度来说，显然归属于工具。
中国有一句古话，叫做“工欲善其事，必先利其器”。魏少军教授认为，工具不行的话，再好的技术都没有用。所以魏少军教授今天主要强调的是工具的作用。
我们看到，近年来，在人工智能领域有两件事情，刺激了人们的神经。
首先是在去年，谷歌的alphago和两位世界级围棋选手分别进行了对弈，而alphago都取得了胜利。对于这件事情，很多人都认为这件事情代表了人工智能取得了重大的进步。
但是，魏少军教授对于这件事情并没有抱着过于悲观的态度。他认为，从alphago与人类对弈的初衷目的来说，并没有达到最初目标。最开始谷歌的目标是alphago在没有经过人工干预的情况下获得最终的胜利，从而证明机器做能够自我学习，战胜人类。但是最终的结果显示，这两场比赛，都有人工干预的成分在其中，alphago才取得了最终的胜利。
所以说，在魏少军教授看来，人工智能并没有目前人们想象中的那么好。
第二件事情就是在2011年，IBM举行了一场名叫《危险边缘》的比赛，这场比赛更能够反映人工智能作用。虽然比赛中计算机的体积不大，但是它的人工智能程度远远高于alphago。“与这类机器相比较而言，alphago只能算是专门用于下围棋的机器。”魏少军教授表示。
在此背景之下，随着人工智能的崛起，我们看到了一些很有趣的数据。
根据麦肯锡最新的数据显示，人工智能初创企业的数量在这两年呈现了爆发式的增长。到2016年增长到了389家，一直保持着两位数的增长。
第二个数据是人工智能企业的融资额，到2016年发展到了50亿美元。魏少军教授坦言，集成电路除了在并购方面，要想在初创企业领域达到50亿美元的融资额，还有很大的难度。
第三个是，人工智能企业的并购数量。在2016年达到了85家。
最后一个是人工智能企业的股权融资数量。达到了658家，增长的速度几乎难以想象。
魏少军教授认为，如果风险投资和融资，在某个领域能够达到非常活跃的程度，就表示这个行业处于发展上升期。
但是，尽管如此，魏少军教授认为人工智能依旧是一个老的新话题。
其实人工智能早在上世纪50年代就已经被提出来了。
“所谓人工智能就是制造智能机器的科学工厂。”这是非常经典的一句话，这句话意思就是，人工智能需要通过机器来来模仿人的认知、推理、学习的能力。
但是在之后的三十年当中，人工智能并没有获得非常高速的发展。直到上世纪80年代，才出现了机器学习这一概念。这也是目前人工智能的一个主要的领域。
所谓机器学习就是实现人工智能的一个主要途径。通过学习来对未来进行预测。近年来，这一概念，逐渐成为趋势，其主要原因在于，计算机神经网络等概念的兴起。这可以说这是机器学习的一个分支。
从以上的发展过程，我们可以总结出人工智能发展的三部曲：传统数据挖掘、预测、决策。
传统数据挖掘是比较基础的功能，目前在各个行业被广泛应用。而预测，举一个例子来说，就是用来预测客户在未来最有可能购买哪一个产品，或者做出某一个决定。
而最后一个阶段——决策。就是决定下一步将需要做什么，这一步主要应用于比较领先的数据和互联网公司。所以我们看到的结果，基本就是谷歌百度这些互联网企业在应用这一技术。其他的公司，反而用很少。
传统数据挖掘属于后向型，就是挖掘过去的事情，而预测和决策则是根据数据判断没有发生的事情。在魏少军教授看来，人工智能最主要的应用还是用于预测未来。所以，对于我们来说，目前最主要的就是对于人工智能要有一个更加准确的认识。
在今天的技术条件下，不管做什么事情，最重要的就是芯片。没有芯片，我们什么都做不了，我们很难找到第二种实现方法。在这种情况下，我们就需要静下心来研究如何使用芯片来实现更多的目标。魏少军教授表示。
那么人工智能芯片是什么呢？
从目前主要的几个机器学习芯片平台来看。
首先是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%。所以英伟达在分立式GPU市场产品中占有绝对的优势，其产品广泛应用于数据中心的人工智能训练。
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。
但是，无论是GPU，还是CPU，这两个领域都无法在移动设备上使用，其原因在于功耗过大。所以说目前主要是互联网企业在使用这些设备。不过，互联网企业也不仅仅使用GPU产品，他们也使用其他的一些人工智能芯片。
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。
这样的特点，使得最近一段时间以来，TPU比较受到推崇。
此外魏少军教授还提到了，另外两个机器学习平台：NA和IMP。
魏少军教授认为，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。
另一个比较受到推崇的芯片就是IBM推出的TrueNorth。据了解该芯片，邮票大小、重量只有几克，但却集成了54亿个硅晶体管，内置了4096个内核，100万个“神经元”、2.56亿个“突触”，能力相当于一台超级计算机，功耗却只有65毫瓦。
这种芯片将数字处理器当作神经元，把内存作为突触。与传统的冯·诺依曼结构不一样，它的内存、CPU和通信部件完全集成在一起。因此信息的处理完全在本地进行，而且由于本地处理的数据量并不大，传统计算机内存与CPU之间的瓶颈不复存在。同时，神经元之间可以方便快捷地相互沟通，只要接收到其它神经元发过来的信号，这些神经元就会同时动作。
这种芯片的学习能力极强。但是这是IBM发展人工智能芯片的第一步。IBM 的最终目标是希望建立一台包含 100 亿个神经元和 100 万亿个突触的类
脑计算机。这样的计算机要比人类大脑的功强大 10 倍，功耗约 1000瓦，而且体积不到两升，与我们大脑的大小相当。
了解构成智能芯片的关键要素，首先我们需要理解智能这一概念。
在魏少军教授看来，这其中包含的几点要素，首先是智慧。智慧是人所特有的一样东西。其次是能力。而智能则是智慧与能力两者的合称。
详细来说，人工智能，实现这一能力主要通过感知、传输、存储、处理、决策、传输、执行等一系列过程来实现。但是人脑作为人体中最神秘的一部分，思考思维的过程中是如何具体运行的，到现在还是一个秘密。所以以上这一过程只是一个大概的概念。
但是，从以上大概的概念我们可以看出，这一过程与我们当前的人工智能的过程，有很高的重合度。
在魏少军教授看来，以上的这一过程，感知和传输能力主要体现在能力方面，传输和执行也主要表现在能力方面，而其中的存储、处理、决策等方面，则表现为智慧。
那么结合人类的大脑，我们就能够更深入的实现人工智能。之前所说的IBM所设计的处理器，就与人的神经元的数量和结构方面有着很相似的地方。
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。
在此基础上，我们总结出了，人脑的的相关的工作结构，其中包括：多输入/多输出系统；高度复杂的互连结构；多任务且高度并行化运行系统；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。
综上所述，构成智能芯片的关键要素到底有哪些呢？在魏少军教授看来，主要包含一下部分：
一． 可编程性：适应算法的演进和应用的多样性；
二． 架构的动态可变性：适应不同的算法，实现高效计算；
三． 高效的架构变换能力：< 10 Clock cycle， 降低开销；
四． 高计算效率：避免使用指令这类低效率的架构。
五． 高能量效率：~5TOps/W
某些应用：功耗 < 1mW
某些应用：识别速度 > 25f/s
