人工智能芯片的新用途
加入技術交流群
來源：semiengineering
復雜的 AI 流程可以分解為 AI 堆棧 來源：麥肯錫公司對于任何執(zhí)行復雜算法和計算的 AI 芯片，都有幾個關鍵要求。首先，他們需要能夠并行處理數(shù)據(jù)，使用多個計算元素和寬數(shù)據(jù)路徑來減少延遲。在許多情況下，這還涉及一些與計算元素非常接近的局部內存，以及高帶寬內存。其次，這些設備需要針對尺寸、成本和功率預算進行優(yōu)化，這通常需要根據(jù)預計工作負載調整大小的高吞吐量架構。反過來，這需要一些權衡，需要針對特定用例進行平衡。第三，這些架構通常涉及混合處理器來管理復雜的數(shù)據(jù)流和電源管理方案，其中可能包括 CPU、GPU、FPGA、eFPGA、DSP、NPU、TPU 和 IPU。“在設計中，開發(fā)人員需要考慮培訓、推理、低功耗、連接性和安全性的要求，”英飛凌物聯(lián)網、無線和計算業(yè)務部首席軟件產品營銷經理 Danny Watson 說，“種方法可以實現(xiàn)需要本地快速決策的新用例，同時滿足當今物聯(lián)網產品的功耗預算。” Watson 指出，關鍵是收集正確的數(shù)據(jù)，以便應用程序可以利用這些數(shù)據(jù)，從而使他們能夠利用技術改進。無處不在的人工智能對于芯片公司來說，這都是一件大事。根據(jù) Precedence Research 的最新報告，整個人工智能市場將從 2021 年的 870 億美元增長到 2030 年的超過 1.6 萬億美元。這包括數(shù)據(jù)中心和邊緣設備，但增長速度非?？臁Ｊ聦嵣?，人工智能是當今如此熱門的領域，幾乎所有主要科技公司都在投資或制造人工智能芯片。它們包括蘋果、AMD、Arm、百度、谷歌、Graphcore、華為、IBM、英特爾、Meta、NVIDIA、高通、三星和臺積電。這個市場五年前幾乎不存在，十年前大多數(shù)公司都在考慮云計算和高速網關。但是隨著帶有更多傳感器的新設備的推出——無論是汽車、智能手機，甚至是內置某種程度智能的電器，正在生成如此多的數(shù)據(jù)，因此需要圍繞數(shù)據(jù)的輸入、處理、移動和存儲設計架構。“在人工智能應用中，正在部署各種技術，”Arteris IP高級技術營銷經理 Paul Graykowski 說。“最近的一位客戶開發(fā)了一種復雜的多通道 ADAS SoC，它可以處理四個傳感器數(shù)據(jù)通道，每個通道都有自己的專用計算和 AI 引擎來處理數(shù)據(jù)。同樣，新的 AI 芯片架構也會不斷變化，以滿足新應用的需求。”從大到小獲得結果的時間通常與芯片間的距離成正比，更短的距離意味著更好的性能和更低的功耗。因此，盡管超大規(guī)模數(shù)據(jù)中心仍需要處理海量數(shù)據(jù)集，但芯片行業(yè)正齊心協(xié)力將更多處理轉移到下游，無論是機器學習、深度學習還是其他人工智能變體。Cerebras 是深度學習領域的典型代表，在這個領域，速度至關重要，結果的準確性緊隨其后。Cerebras 產品管理總監(jiān) Natalia Vassilieva 報告說，葛蘭素史克公司通過在其表觀基因組語言模型中使用晶片級設備，提高了****物發(fā)現(xiàn)效率。在一種情況下，葛蘭素史克能夠將大型化合物庫基于深度神經網絡的虛擬篩選時間從在GPU集群上運行的183天減少到在大腦設備上運行的3.5天。該“芯片”擁有超過 2.6 萬億個晶體管、85萬 個 AI 優(yōu)化內核、40 GB 片上內存和每秒 20 PB 的內存帶寬（1 PB 等于 1,024 TB）。它還消耗 23 kW 的功率，并使用內部閉環(huán)、直接對芯片的液體冷卻。Graphcore采用了不同的方法，引入了智能處理單元（IPU）技術。通過使用多指令、多數(shù)據(jù) (MIMD) 并行性和本地分布式內存，IPU 可以提供 22.4 PFLOPS（每秒 1 petaflop 等于每秒 1000 teraflop），而只需要空氣冷卻。此外，IPU 在單精度下的理論算術吞吐量高達 31.1 TFLOPS。它比 A100 的 624 TFLOPS 快得多。在 Twitter 進行的一項測試中，IPU 的性能優(yōu)于 GPU。
人工智能也可以變小。支持人工智能的智能事物，也稱為物聯(lián)網 (AIoT)/嵌入式人工智能，正在蓬勃發(fā)展。根據(jù)評估報告，邊緣人工智能硬件將從 2020 年的 70 億美元增長到 2030 年的 390 億美元。人工智能為邊緣計算、網絡端點和移動設備增加了智能。隨著物聯(lián)網，越來越多的應用程序正在使用嵌入式人工智能。其中包括可穿戴設備、智能家居和智能遙控器，其中包括一些使用語音識別的設備。同樣依賴嵌入式 AI 的還有 AR/VR 游戲、智能汽車面板、物體和運動檢測、家庭保健、抄表、智能工廠、智能城市、工業(yè)自動化和智能建筑，包括控制和能源管理。Cadence Tensilica AI 產品的產品營銷總監(jiān) Suhas Mitra 表示：“AI 能夠在本地更快地處理數(shù)據(jù)，從而使物聯(lián)網計算更加高效。這包括提供更好的響應時間和更小的延遲，因為生成的數(shù)據(jù)也在邊緣設備上即時處理。執(zhí)行人工智能邊緣處理將更加可靠，因為它可能并不總是能夠通過實時無線或有線連接不斷向云發(fā)送大量數(shù)據(jù)。它還減輕了存儲和處理大量數(shù)據(jù)的壓力云中的大量數(shù)據(jù)，可能包含個人和敏感信息。關于向云發(fā)送用戶信息的隱私問題可能會導致不經同意就無法上傳數(shù)據(jù)。做更多的邊緣計算可以延長電池壽命，因為當使用人工智能方法時，一些計算在邊緣平臺上需要更少的周期。因此，消耗的能量更少，散熱也更低。”在進行推理之前，所有的 AI 芯片都需要經過訓練。雖然數(shù)據(jù)集通常非常大，需要大型數(shù)據(jù)中心進行培訓，但可以在個人計算機或開發(fā)系統(tǒng)級別進行進一步培訓。開發(fā)人員將經歷一個艱苦的過程，以確保實現(xiàn)最佳推理算法。許多 AI 芯片制造商為其客戶提供培訓合作伙伴名單。即使有顧問的幫助，開發(fā)人員仍然需要支付咨詢時間并完成培訓工作。一種更簡單的方法是使用預訓練模型來實現(xiàn)，例如 Flex Logix 的 EasyVision 平臺。通過預先培訓的X1M模塊芯片，開發(fā)人員可以繞過培訓過程，直接進行產品開發(fā)和測試?！?Flex Logix推理營銷高級總監(jiān) Sam Fuller 說?！敖涍^預訓練的解決方案已經過現(xiàn)場測試和驗證，比開發(fā)人員的試錯法效率更高。通常，專用預訓練芯片比常規(guī)CPU效率更高?！?/span>想得更小將 AI 包含在更小的設備中的可能性也在增加，這要歸功于由 tinyML 基金會建立的微型機器學習，以支持在 mW 范圍內運行的嵌入式設備機器學習和數(shù)據(jù)分析。其中許多設備可以在視覺、音頻、慣性測量單元（IMU）和生物醫(yī)學中執(zhí)行ML。此外，它還提供了一個名為 ScaleDown 的開源神經網絡優(yōu)化框架，以簡化將 ML 模型部署到 tinyML 設備的過程。TinyML 可以在任何可編程 AI 芯片上運行，包括 Arduino 板。Arduino 的使命是為愛好者、學生和教育工作者提供電子設備和軟件。它經過多年的發(fā)展，基于 Arduino 的解決方案已用于當今的許多工業(yè)領域。但是結合 tinyML 和 Arduino 硬件可能會提供非常低成本的嵌入式 AI 解決方案，典型的硬件成本不到 100 美元。在這些微型設備中設計人工智能的挑戰(zhàn)之一是功率預算。Synaptics 已經接受了開發(fā)低功耗預算 AI 和傳感器芯片的挑戰(zhàn)。據(jù)領導 Synaptics 低功耗 AI 產品線的高級產品經理 Ananda Roy 表示該公司的Katana AI SoC能夠進行人員檢測/計數(shù)和跌倒檢測，并可以在24 MHz下以30 mW或90 MHz的更高功率運行主動AI視覺推斷。深度睡眠模式的功耗小于100μW。總的來說，它比其他AI芯片更節(jié)能。為了實現(xiàn)高效的電源管理，神經處理單元 (NPU) 依賴于具有多個存儲體的存儲架構，這些存儲體可以在不使用時設置為超低功耗模式，以及可擴展的工作電壓和處理器速度，就像踩在當你需要你的車開得更快時加油。FlexSense 是一款用于 AI 應用的傳感器芯片，其設計結合了低功耗 RISC CPU 和模擬硬件前端，該前端經過高度優(yōu)化，可有效轉換電感和電容傳感器輸入。與車載霍爾效應和溫度傳感器一起，它包括四個傳感器，用于檢測觸摸、力、接近度和溫度等輸入，所有這些都在一個小封裝中（1.62 x 1.62 mm），在睡眠模式下僅使用240μW或10μW。
低功耗傳感器采用小封裝 (1.62 x 1.62 mm) 來源：Synaptics安全問題和改進在安全方面，人工智能既是一個潛在的漏洞，也是一個潛在的解決方案。隨著人工智能芯片針對特定用例進行了優(yōu)化，算法也在不斷更新，業(yè)界的經驗教訓會減少，攻擊面也會擴大。但人工智能也可用于識別數(shù)據(jù)流量中的異常模式，發(fā)出警報或自動關閉受影響的電路，直到可以進行更多分析。恩智浦產品經理 Srikanth Jagannathan 指出了電池驅動設備的功能、芯片安全性和低功耗的正確組合的重要性。i.MX AI芯片結合了Arm的低功耗Cortex-M33、Arm TrustZone和NXP的片上EdgeLock、嵌入式ML和多i/O。功耗約為2.5瓦。然而，它能夠提供1個TOPS的性能（在 1 GHz 下進行 512 次并行乘法累加運算）。
i.MX AI 芯片將 Arm 的低功耗 Cortex-M33 與 Arm TrustZone 和 NXP 的片上 EdgeLock、嵌入式 ML 和多個 I/O 相結合 來源：恩智浦西門子 EDA 嵌入式軟件部門的高級產品經理 Kathy Tufto指出需要建立軟件信任鏈，但這從硬件開始。目標是防止任何未經過身份驗證和驗證的代碼執(zhí)行。在她確定的解決方案中：- 靜態(tài)數(shù)據(jù)：安全的信任引導根和信任訪問控制的軟件鏈。
- Data at Motion：安全協(xié)議和加密加速。
- 使用中的數(shù)據(jù)：通過內存管理單元 (MMU) 進行硬件強制分離。
*博客內容為網友個人發(fā)布，僅代表博主個人觀點，如有侵權請聯(lián)系工作人員刪除。
