版权归清华大学五道口科学企业家课程所有，本传播供学习笔记使用。如需转载，务必附上本声明，链接：> 知乎链接@人比山高
讲座要点
- 人工智能、机器学习、深度神经网络是如何发展到今天的?
- 计算机产业如何对抗正在放缓的摩尔定律?
- 有没有办法让计算机的性能一年提高10倍?
- 如何用搭乐高积木的方式制造超级计算机?
- 未来的芯片企业能翻过因特尔、ARM两座大山吗?
第一部分小结：领域专用架构（DSA）芯片需求的崛起
- 人工智能（AI）近些年的发展主要得益于其分支学科机器学习（ML）的进步，而机器学习（ML）中最重要的技术是深度神经网络（DNN）；
2. 机器学习（ML）未来发展主要有两个需求，分别是：a)更多的数据，和b)更快的计算机；其中，海量数据会在未来由云计算和物联网提供，但通用计算芯片的速度却受限于摩尔定律的放缓；
3. 如何满足机器学习对更快计算机的需求？——领域专用架构（DSA），即让计算机从架构层面就专注特定领域的计算，提升运算速度，这是未来计算机发展的重要趋势；
4. 同时，领域专用架构（DSA）给云计算和边缘计算的设备制造提出了挑战；
云计算：通过互联网传输，依托分布式数据中心对计算任务进行处理；
边缘计算：通过互联网连接的大量微型终端计算设备（物联网终端、手机等）；
第二部分小结：DSA理念下的云端计算：初代TPU的成功案例
- 张量处理单元（TPU）是在2013年开始，为应对更庞大的计算任务而提出的芯片概念，是领域专用架构（DSA）的典型成功实例；
2. 由于采用DSA理念，2015年第一代TPU在每瓦功耗对应的专用计算性能上得到了大幅度提升（Intel CPU的约80倍，NVIDIA GPU的约30倍）；
3. TPU的成功得益于舍弃了通用计算芯片（CPU/GPU）中一些不必要的设计，节约功耗的同时提升了计算性能；
第三部分小结：DSA理念下的云端计算：构建面向神经网络（NN）的超级计算机
- 2012年开始，对于AI训练的计算需求每年增加10倍，远超传统芯片算力的增速，业界需要面向AI训练的专用超级计算机；
2. 为了实现这一目标，TPU芯片首先需要关注其【互联特性】。考虑到大量数据需要在芯片间进行交换，而传统数据中心的网络速度不能满足高速AI训练的需求，因此2代TPU中设计了定制的核间互联（ICI）模块，速度高达500GB/s；
3. TPU其次要关注其运算的【数据类型】，传统芯片中的32位浮点运算所需功耗和芯片面积较高，因此当前ARM、Intel等公司均已宣布未来芯片将采用16位脑浮点运算，从而进一步降低TPU芯片功耗，提升计算性能；
4. 在上述改进的基础上，Google开发了2代和3代TPU，其中3代TPU的运算性能与NVIDIA的Volta芯片相比，基准计算性能持平，AI训练相关性能约为后者5倍；
5. 更重要的，3代TPU展现出非常好的【可扩展性】，即随着并联TPU芯片量的增加，运算速度可实现线性提升（而传统芯片随着并联芯片数量增加，边际性能收益会递减），这主要得益于核间互联（ICI）模块实现的芯片间高速通信；
6. 当前，基于DSA理念的TPU芯片组成的AI训练超级计算机，其性能已经在多项性能中比肩/超过现有的全球超级计算机500强；
第四部分小结：DSA理念下的边缘计算：RISC-V架构的发展
- 目前，AI计算的需求在边缘端（手机、物联网终端等）显著增加，而边缘计算对功耗比更加敏感，需要更加精简的“词汇表”（即更精简的芯片架构）实现软硬件的对话。因此，像是阿里平头哥芯片、Pygmy芯片等都开始采用RISC-V架构提升其AI运算效率；
2. RISC-V的七大优势：免费开源、云端和边缘端均可使用、安全可信、很大升级空间、模块化编程、设计简单且优雅、社区化全球运营；
3. RISC-V国际协会在瑞士注册成立，目前已经有来自47个国家的超过588名会员，中国是其中重要的成员之一，大约15%的RISC-V组织位于中国；
4. RISC-V是一种开源的指令集架构，能够大幅度降低芯片产品的开发成本，有望打破目前Intel、ARM对芯片架构的知识产权垄断；
5. RISC-V的架构有望在电脑、手机、服务器、嵌入式设施等等各种场景中使用，同时缓解在当前紧张的国际环境之下芯片产业进一步全球化的阻力；
6. David Patterson教授、谭章熹教授、张林教授带领的RIOS实验室，是当前RISC-V架构研发推广的重要新进展，地点位于深圳，它结合了深圳市、清华大学和加州大学伯克利分校的共同资源，以开源技术为理念，力求促进RISC-V技术发展，培养未来芯片技术的领袖。
讲座思维导图：
若有收获，就点个赞吧
0 人点赞
