人工智能芯片技术体系研究综述

doi:10.11959/j.issn.1000-0801.2019063

摘要/Abstract

摘要：

人工智能技术是当前各国关注的新焦点。人工智能技术的发展对计算芯片提出了新的需求，深度学习算法需要海量数据的训练，而传统计算架构无法支撑深度学习算法的大规模计算需求，因此新架构的人工智能芯片层出不穷。分析了人工智能芯片不同的技术路线，比较了不同路线的特点，研究了人工智能芯片产业全球及我国的发展态势，分析了我国人工智能芯片发展面临的机遇与挑战，并对未来人工智能芯片技术发展趋势进行了展望。

关键词: 人工智能, 芯片, 技术路线

Abstract:

Artificial intelligence technology is the new focus of current countries.The development of artificial intelligence technology has put forward new requirements for computing chips.Deep learning algorithms require the training of massive data,while traditional computing architectures can’t support the large-scale computing requirements of deep learning algorithms.Therefore,artificial intelligence chips of new architectures emerge one after another.The different technical routes of artificial intelligence chips were analyzed,the characteristics of different routes were compared,the development trend of artificial intelligence chip industry and studied,the opportunities and challenges of artificial intelligence chip development in China were analyzed,and the future development of artificial intelligence chip technology was forecasted.

Key words: artificial intelligence, chip, technical route

中图分类号:

TP331.2

施羽暇. 人工智能芯片技术体系研究综述[J]. 电信科学, 2019, 35(4): 114-119.

Yuxia SHI. Review on artificial intelligence chip technology system[J]. Telecommunications Science, 2019, 35(4): 114-119.

图/表 4

图1

表1

表2

表3

参考文献 11

[1]	JOUPPI N P . In-datacenter performance analysis of a tensor processing unit[J]. 2017.
[2]	CHEN Y H , KRISHNA T , EMER J S ,et al. Eyeriss:an energy-efficient reconfigurable accelerator for deep convolutional neural networks[J]. IEEE Journal of Solid-State Circuits, 2017,52(1): 127-138.
[3]	LECUN Y , BENGIO Y , HINTON G . Deep learning[J]. Nature, 2015(5): 436-444.
[4]	ABADI M , AGARWAL A , BARHAM P ,et al. TensorFlow:large-scale machine learning on heterogeneous distributed systems[J]. arXiv:1603.04467..
[5]	SUNDARARAJAN N , SARATCHANDRAN P . Parallel architectures for artificial networks:paradigms and implementations[M]. New York: ACM PressPress, 1998: 23-27.
[6]	NVIDIA DGX-1.Deep learning[Z]. 2018.
[7]	BENGIO Y , COURVILLE A , VINCENT P . Representation learning:a review and new perspectives[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2013,35(8): 1798-1828.
[8]	BENJAMIN B V , GAO P , MCQUINN E ,et al. Neurogrid:a mixed-analog-digital multichip system for large-scale neural simulations[J]. Proceedings of the IEEE, 2014,102(5): 699-716.
[9]	DIKOV G , FIROUZI M , ROHRBEIN F ,et al. Spiking cooperative stereo-matching at 2 ms latency with neuromorphic hardware[M]// Biomimetic and Biohybrid Systems. Berlin:Springer, 2017: 119-137.
[10]	施羽暇 . 人工智能芯片技术研究[J]. 电信网技术, 2016(12): 11-13.
	SHI Y X . Research on artificial intelligence process chip technology[J]. Network Technology, 2016(12): 11-13.
[11]	施羽暇 . 促进人工智能芯片发展,助力产业基础实力提升[J]. 信息通信技术与政策, 2018(11): 76-79.
	SHI Y X . Promoting the development of artificial intelligence chips,enhancing the industrial foundation[J]. Information and Communications Technology and Policy, 2018(11): 76-79.

芯片架构	代表公司	发布时间	简介	专用性
CPU	英特尔	2017年	通用计算处理器，至强系列加速深度学习处理	L1
GPU	英伟达	2016年4月	目前商用最广泛的AI芯片，可以执行深度学习和神经网络任务	L2
DSP	新思科技	2015年4月	仅作为处理器IP核使用	L3
FPGA	微软	2016年9月	可以执行Bing的机器学习算法	L4
TPU	谷歌	2016年5月	专为深度学习算法TensorFlow设计的专用集成芯片	L5
TrueNorth	IBM	2015年10月	模仿人脑神经元和神经突触的结构，功耗非常低	颠覆经典冯氏架构

代表企业	开源框架	硬件	代表产品	应用
谷歌	TensorFlow	TPU	AlphaGo	移动应用
IBM	SystemML	TrueNorth	Waston	医疗服务
微软	ML.NET	FPGA	小冰、小娜	私人助手
脸书	PyTorch	在研	Chatbot	聊天机器人
亚马逊	MXNET	Inferentia	Echo	智能音箱
苹果	Turi Create	Apple Neural Engine	Siri	移动应用

代表企业	发布时间	AI芯片架构	简介
寒武纪	2016年	ASIC	专门为深度学习设计的核心处理器芯片
地平线	2016年4月	FPGA/ASIC	基于深度神经网络的人工智能“大脑”平台的芯片
中星微	2016年6月	DSP	嵌入式神经网络处理器NPU
深鉴科技	2016年	FPGA	深度学习处理器DPU
百度	2018年7月	昆仑芯片	云端全功能AI芯片
华为	2018年10月	昇腾	全栈解决方案

[1]	李彧, 李召召, 吕平, 刘勤让. 全维可重构的多模态网络交换芯片架构设计[J]. 电信科学, 2023, 39(6): 22-32.
[2]	郭泽华, 朱昊文, 徐同文. 面向分布式机器学习的网络模态创新[J]. 电信科学, 2023, 39(6): 44-51.
[3]	马晓亮, 刘英, 杜德泉, 安玲玲. 运营商智能客服的关键技术和发展趋势[J]. 电信科学, 2023, 39(5): 76-89.
[4]	蒋瑞红, 冯一哲, 孙耀华, 郑海娜. 面向低轨卫星网络的组网关键技术综述[J]. 电信科学, 2023, 39(2): 37-47.
[5]	徐英姿, 刘原, 时梦然, 韩书君, 董辰, 王碧舳. 语义在通信中的应用综述[J]. 电信科学, 2022, 38(Z1): 43-59.
[6]	王晴天, 刘洋, 刘海涛, 宗佳颖, 杨峰义. 面向6G的网络智能化研究[J]. 电信科学, 2022, 38(9): 151-160.
[7]	李爱华, 吴晓波, 陈超, 魏彬, 史嫄嫄. 5G网络大数据智能分析技术[J]. 电信科学, 2022, 38(8): 129-139.
[8]	黄秋萍, 刘晓峰, 高秋彬, 刘正宣, 金立强, 孙韶辉. 基于人工智能的大规模天线信道状态信息反馈研究[J]. 电信科学, 2022, 38(3): 74-83.
[9]	朱明伟. 网络智能化中的AI工程化技术方案[J]. 电信科学, 2022, 38(2): 157-165.
[10]	杨震, 赵建军, 黄勇军, 李洁, 陈楠. 基于网络演进的人工智能技术方向研究[J]. 电信科学, 2022, 38(12): 27-34.
[11]	程瑞营, 张攀, 肖雨, 乔宇杰, 张安奕. 基于时序数据的云网协同平台人工智能运维体系[J]. 电信科学, 2022, 38(11): 24-35.
[12]	陈志宏, 王明晓. 计算机视觉在智慧安防中的应用[J]. 电信科学, 2021, 37(8): 142-147.
[13]	吴晓文, 焦侦丰, 凌翔, 刘冰, 朱立东, 韩磊. 面向6G的卫星通信网络架构展望[J]. 电信科学, 2021, 37(7): 1-14.
[14]	袁硕, 任奕璟, 王则予, 孙耀华, 彭木根. 软件定义的星地融合智能无线网络[J]. 电信科学, 2021, 37(6): 66-77.
[15]	章坚武, 王路鑫, 孙玲芬, 章谦骅, 单杭冠. 人工智能在5G系统中的应用综述[J]. 电信科学, 2021, 37(5): 14-31.