目前，AI 芯片的主要应用是图像和语音（约各占一半），其中很大一部分是汽车行业的应用，包含自动驾驶汽车（Autonomous Vehicle）的图像、语音识别功能。AI 芯片的各种其他应用，如金融预测、动作控制、决策机制等，还只是刚刚起步。AI 芯片不仅是为了用在手机里进行照片分类、图像识别而已，其终极目标是用到虚拟分身里，成为虚拟分身的「大脑」。
不管是近年走上 AI 芯片设计道路的谷歌和特斯拉（Tesla），还是许多 AI 芯片初创公司，都有着丰富的深度学习知识，但在开发这些尖端的芯片时却仍会面对很多艰难和严峻的挑战。
图像和语音应用使用不同的深度学习算法和神经网络架构。例如，语音应用的重点是自然语言处理（Natural Language Processing，NLP），所用的神经网络架构是循环神经网络（RNN）或基于 Transformer 模型，而图像分析所采用的主要是卷积神经网络（CNN）。由于这些架构都需要处理大量的数据来进行训练，因此如果只依赖离线的边缘侧 AI 芯片来处理，会有很大的挑战：许多现实生活场景（如机器人和自动驾驶汽车）要求 AI 芯片能够实时执行多个任务并具备动态适应能力。静态训练的模型无法有效处理随时间变化的环境条件；将大量环境数据发送到云端以进行迭代训练，由于数据传输时延太大，通常也是不可接受的；另外对自动驾驶的应用来说，考虑到汽车行业严格的安全性、可靠性要求，设计这类 AI 芯片还需要加以特殊的考虑。要在芯片的性能、成本和功耗 3 个方面得到最优的平衡，并非易事。
现在，AI 已经变得非常热门，每天都会出现新的 AI 算法。由于 AI 芯片开发需要不短的时间周期（通常需要 9～12 个月），极有可能芯片设计的工作已经做到一半，改进的新算法就出现了。没有人愿意在自己的 AI 芯片里使用过时的算法。因此，与许多其他半导体芯片产品相比，AI 芯片的上市时间将成为开发竞争的一个焦点，而它们的使用寿命通常必须至少为 3 年，才会带来重要的意义。
注释
也称为 In-Memory Computing（IMC）或 Computing In Memory（CIM）。
（本章节完结）
正在加载...