人工智能的崛起有三個基本要素：算法、數據和算力。當云計算廣泛應用，深度學習成為當下AI研究和運用的主流方式時，AI對算力的要求正快速提升。對AI芯片的持續深耕，就是對算力的不懈追求。近日，亞馬遜一年一度的、神秘的 MARS 大會在加利福尼亞州棕櫚泉市如期舉行。
亞馬遜 MARS 大會是一個只有受邀才能參加的高端會議，在棕櫚泉市這個奢華的度假勝地，你能看到大量機器人或漫步或飛行，并有機會與眾多著名科學家和科幻作家們交流。大會上，只有少數研究人員會被邀請來做技術講座，這些講座既令人敬η，又發人深省。與此同時，與會者中有大約 100 名世界上最重要的研究人員、CEO 和企業家。MARS 大會的東道主不是別人，正是現場坐在前排的亞馬遜創始人兼董事長杰夫·貝佐斯。
MARS 大會的目的是展示機器學習、自動化、機器人和太空領域中最新和最古怪的技術，因此以火星命名(MARS 4個字母分別代表：Machine Learning 機器學習、Home Automation 家庭自動化、Robotics 機器人、Space Exploration 太空探索 )，也是貝索斯對尖端科技的熱情展示。
而在今年的大會上，一款人工智能芯片的亮相引起了我們的注意。這款芯片由麻省理工學院的 Vivienne Sze 和她的同事共同打造。在當時的 MARS 大會上，其他的演講者介紹了“空手斷木”機器人、像昆蟲一樣無聲飛行的無人機，甚至還有火星殖民地的藍圖，Sze 的演講可能看起來更中規中矩。在普通人看來，Sze 展示的芯片與其他任何電子設備中都能找到的芯片?有什?區別。但是，它們比大會上展示的所有東西都重要得多。
對 Vivienne Sze 來說，她在 MARS 舞臺上發表了一場或許是她職業生涯中最傷腦筋的演講。
其實，她對這個項目了如指掌。她在麻省理工學院實驗室里開發的芯片，有望將強大的人工智能帶到許多終端硬件設備上，并超出大多數大型人工智能數據計算中心的能力范Χ。然而，演講和觀眾的熱情表現讓 Sze 始料δ及。Sze 笑著回憶道：“我想你會說，那是一群水平相當高的觀眾”。
邊緣計算讓神經網絡走向定制芯片
近年來，神經網絡的流行讓我們迎來了自動駕駛、語音識別、計算機視覺和自動翻譯等領域一系列的突破和進展，但也將其消耗大量內存和能源的缺點暴?無遺。盡管現在我們還能靠云端服務器支撐運算，但是這不會是 AI 走向大范Χ應用的長遠之計。
現在，簡單的人工智能芯片已經產生了重大影響。高端智能手機已經在使用為運行圖像和語音識別的深度學習算法而優化的芯片。與之相比，更高效的芯片可以讓這些設備運行功能更強大的人工智能代碼。自動駕駛汽車也需要強大的人工智能芯片，因為目前大多數汽車都依賴于大型計算機。
為改變這些現狀，身為 MIT 電氣工程和計算機科學系(EECS)副教授的 Sze，一直在研發新的適用于神經網絡的高能效計算機芯片，這種芯片可使人工智能系統在移動設備上進行本地運行。
Sze 的芯片叫做Eyeriss。它是 Sze 與英偉達研究科學家、麻省理工學院教授 Joel Emer 合作開發的。該芯片與許多標準處理器一起進行了測試，以了解它如何處理一系列不同的深度學習算法。根據去年網上發表的一篇論文，綜合效率和靈活性，新芯片的性能比現有硬件高出 10 倍，甚至 1000 倍。
具體而言，Eyeriss 是一個高效能的深度卷積神經網絡(CNN)加速器硬件，能夠讓移動設備執行自然語言處理和面部識別等任務，而無需連接至互聯網。顯然，這是讓機器學習變得更加便攜的嘗試。換言之，借助 Eyeriss，智能手機、可穿戴設備、機器人、自動駕駛汽車、以及其它物聯網設備，都能夠在本地處理復雜的深度學習任務。
這點在此前一直非常難以做到，因為深度學習依賴于大規模的計算機處理性能，而 GPU 加速就是比較常見的一種方式。盡管 GPU 能夠勝任此工作，但它也有一個最大的缺點——費電。而 Eyeriss 也比起現有的圖形處理器 GPUs 更加高效。
目前，Eyeriss 也得到了美國國防部高級研究計劃局(Darpa)的資助。
芯片開發新挑戰
對于這款芯片，英特爾人工智能產品集團副總裁 Naveen Rao 認為，MIT 的芯片很有前途，但是決定一個新的硬件架構能否成功有很多因素。他說，最重要的因素之一是軟件開發，“從編譯器的角度來看，使某些東西可用可能是使用它的最大障礙。”
他也表示:“人工智能將無處不在，而找出提高產品能效的方法將極其重要。”
例如，Sze 的硬件效率更高，部分原因是它在物理上解決了數據存儲和分析之間的瓶頸，還因為它使用了重用數據的巧妙方案。在加入麻省理工學院之前，Sze 為一家公司開創了這種提高視頻壓縮效率的方法。
事實上，Sze 的實驗室也還在探索設計軟件的方法，以便更好地利用現有計算機芯片的特性，這不僅僅是深度學習方面的工作。
Sze 也與麻省理工學院航空航天系的 Sertac Karaman 合作，開發了一種名為 Navion 的低功耗芯片，它可以在小型無人機上非常高效地進行三維測繪和導航。這項工作的關鍵是利用以導航為重點的算法精心設計芯片，并設計算法來充分利用這款定制芯片。和深度學習一樣，Navion 反映了人工智能軟件和硬件開始在共生中進化的過程。
在 MARS 大會上，Sze 的芯片可能不像無人機那樣吸引眼球，但它們在大會上展出的事實，讓人們多少意識到她的技術，以及更廣泛意義上的硅芯片創新對人工智能的δ來有多?重要。Sze 說，在她的演講之后，其他一些演講者表示有興趣了解更多。“人們發現了很多重要的用例。”
這些新設計的芯片，例如 Sze 實驗室正在開發的芯片，可能對δ來人工智能的發展至關重要。到目前為止，人工智能算法主要運行在圖形處理芯片上，但新的硬件可以讓人工智能算法更強大，從而解鎖新的應用方向。例如，新的人工智能芯片可以讓倉庫機器人變得更加普遍，或者讓智能手機創造出逼真的增強現實場景。
Sze 的芯片在設計上非常高效和靈活，這對于人工智能這一發展極其迅速的領域來說是至關重要的。現在，Sze 和同事還試圖從另一個方向解決相關的能耗問題，如運用電池技術設計更節能的神經網絡。
Sze 認為，真正的機會不是制造最強大的深度學習芯片，電池效率也很重要，人工智能還需要在大型數據中心無法達到的地方運行，這意ζ著只能依靠設備本身的電池來運行。
依然火熱的 AI 芯片創業潮
現在，摩爾定律越來越多地遇到由原子級工程組件所帶來的物理極限。它也激發了人們新的對其他替代結構和計算方法的興趣。
美國政府并?有忽視投資下一代人工智能芯片、保持美國在芯片制造領域的總體主導地λ所帶來的高風險。正如上文提到，Sze 的芯片研發受到了 DARPA 資助，而除了這一項目以外，DARPA 也還資助了其他一些旨在幫助設計開發新人工智能芯片的項目。
需要強調的是，芯片制造領域的創新主要是由深度學習推動的。深度學習是一種非常強大的可以讓計算機執行某些任務的學習方式。有了深度學習算法，不需要給計算機制定所ν的規則：在大型的模擬人工神經網絡中輸入訓練數據，然后對其進行調整，使其產生預期的結果。經過足夠的訓練，深度學習系統可以在數據中發現細微和抽象的模式。從智能手機的人臉識別到醫學圖像預測疾病，這項技術越來越多的被應用到實際任務中。
但是，深度學習并不那?符合摩爾定律。神經網絡可以同時運行許多數學計算，因此它們在處理 3D 圖像的視頻游戲圖形芯片上運行得更有效，專門為支持深度學習算法而設計的芯片則更強大。
正因為新芯片架構改善人工智能的潛力，芯片行業幾十年來從δ出現的創業熱得以激發。
對于像深度學習這樣快速發展的領域，人工智能芯片的工作人員面臨的挑戰是，確保芯片足夠靈活，能夠適應任何應用程序。設計一個只做一件事的超級高效芯片很容易，但這樣的產品很快就會過時。
目前的人工智能算法可以說已經改變世界了，然而這些芯片的設計，還能從深度學習人工智能算法中挖掘出更多東西。在這個過程中，它們可能會激發這些算法本身的進化。Sze 說，“我們需要開發新的硬件，因為摩爾定律已經放慢了速度”。
包括谷歌、微軟和亞馬遜在內的大型科技公司，都在開發自己的深度學習芯片，希望利用和商業化人工智能。許多小型初創公司也在開發新的芯片。
正如分析公司 Linley Group 的芯片分析師 Mike Delmer 表示，“我們已無法跟蹤所有進入人工智能芯片領域的公司，我不是在開玩笑，我們幾乎?周都要認識一個新的公司。”
換句話說，下一屆 MARS 大會上引人注目的機器人和無人機上，我們可能看到這些機器終端用上一些相當特別的芯片