Tsinghua doktora danışmanı Yin Shouyi, sizi AI çiplerinin giriş ve çıkışlarına götürüyor
Yazar | Yin Shouyi, Mikroelektronik Enstitüsü, Tsinghua Üniversitesi
Kaynak | Mikro-Nano Elektronik ve Akıllı Üretim Dergisi
Sorumlu editör | Sadece
Giriş
Yapay Zeka (AI); matematik, bilgisayar bilimi, istatistik, nöroloji ve sosyal bilimi birleştiren son teknoloji kapsamlı bir teknolojidir.
Amacı, bilgisayarların insanlar gibi düşünebilmesini ve tanıma, sınıflandırma ve karar verme gibi birden fazla işlevi yerine getirmek için insanların yerini alabileceğini ummaktır.
AlphaGo'nun 2016 yılında insan-makine Go oyununu kazanmak için Li Shishi'yi mağlup etmesinden sonra, yapay zeka küresel bir patlamayı tetikledi. Aynı zamanda Google, FaceBook, Amazon, Intel ve diğer devler, yapay zeka teknolojisinin daha da geliştirilmesini teşvik etmek için AI ekipleri kurdu.
Çin'de Devlet Konseyi, yapay zekayı ulusal düzeyde desteklemek için bir yapay zeka geliştirme planı yayınladı.Çeşitli internet şirketleri ve start-up'lar yapay zeka endüstrisine yatırım yaptı.
Bugün, büyük verilerin oluşumu, derin öğrenme algoritmalarının yeniliği, donanım teknolojisindeki devrim ve İnternet ekolojisinin iyileştirilmesi, yapay zeka endüstrisinin patlayıcı bir gelişme göstermesine yardımcı oldu ve çekirdek yapay zeka çiplerine dayanan güçlü bilgi işlem gücü hayati bir rol oynuyor. etki.
Yapay zeka çiplerine genel bakış
Yapay zekanın mevcut ana teknolojisi olan derin sinir ağı kavramı, 1940'ların başlarında önerildi, ancak birkaç iniş ve çıkıştan sonra, 1990'ların ortasında ortaya çıkan destek vektör makinesi tarafından tamamen bastırıldı.
Bunun ana nedeni, büyük ölçüde paralel hesaplama için kullanılabilecek grafik işleme birimleri (GPU'lar) gibi yongalar için donanım koşullarının olmamasıydı.Nöral ağların eğitimi hala çok uzun sürdü ve eğitim maliyeti çok yüksekti.
Moore Yasasının sürekli gelişimi ve gelişmesiyle birlikte, yüksek performanslı yongalar, derin öğrenme algoritmaları için gereken hesaplama süresini ve maliyetini büyük ölçüde azalttı ve yapay zeka teknolojisi nihayet konuşma tanıma ve bilgisayar görüşü alanlarında büyük atılımlar yaptı.
Bununla birlikte, derin sinir ağlarının hesaplama hacmi sürekli genişliyor, okunan ve yazılan veri miktarı artıyor ve ağ yapısı giderek daha çeşitli hale geliyor.Bu, donanım temeli olarak yapay zeka çipinin performansla başa çıkabilmek için buna göre gelişmeye devam etmesini gerektiriyor, Üç açıdan zorluklar: güç tüketimi ve esneklik.
Yapay zeka hesaplama için mevcut teknik yollar üç kategoride özetlenebilir: İlk kategori, iyi bilinen CPU, GPU, DSP vb. Gibi von Neumann mimarisine dayanan genel amaçlı bir işlemcidir, bu türe aittir. Hesaplama çekirdeği olarak bir aritmetik mantık birimi kullanır.Çok yönlülüğü nedeniyle, çok fazla yonga üzerinde kaynak tüketen dal atlamaları ve kesintileri dahil olmak üzere karmaşık talimat işlemeyle uğraşması gerekir.
Bu nedenle, CPU'nun paralel hesaplama ve işleme yetenekleri yüksek değildir.Ayrıca, işlemcinin kendisinin sık okuma işlemleri, çok fazla bellek erişim güç tüketimi sorununa neden olur; ikinci tür, Uygulamaya Özel Tümleşik Devre (ASIC) 'dir. Belirli bir bilgi işlem ağı yapısı için bir donanım devresi uygulama yöntemini benimser ve çok düşük güç tüketimi altında çok yüksek bir enerji verimliliği oranı elde edebilir.
Ağ modeli algoritması ve uygulama gereksinimleri sabitlendiğinde, ASIC iyi bir seçimdir. Bununla birlikte, ASIC'in araştırma ve geliştirme döngüsü çok uzundur, genellikle 1 ila 2 yıldır, bu da ASIC'in algoritma yinelemesini takip etme riskine sahip olmasını sağlar; üçüncü tür, yeniden yapılandırılabilir bir mimariye dayalı bir işlemcidir. Hesaplama kısmı, konfigüre edilebilir bir işlem ünitesi olarak tasarlanır ve bellek ile işlem ünitesi arasındaki bağlantı, donanım yapısının dinamik konfigürasyon hedefine ulaşmak için karşılık gelen konfigürasyon bilgisi yoluyla değiştirilir.
Büyük miktarda hesaplama, büyük miktarda veri ve derin sinir ağlarının çeşitli yapısal özellikleri nedeniyle, von Neumann yapısını temel alan genel amaçlı işlemcilerin ve özel amaçlı işlemcilerin bu tür algoritmalar üzerinde aynı anda esneklik ve yüksek enerji verimliliği göstermesi zordur ve bunlar yeniden yapılandırılabilir. İşlemci, genel amaçlı işlemciler ile özel amaçlı işlemciler arasında belirli tavizler ve ödünler vermiştir ve akıllı uygulama algoritmalarında yüksek performans, düşük güç tüketimi ve yüksek esneklik özelliklerini hesaba katabilir.
Yapay zeka çip geliştirme aşaması
Son yıllarda yapay zeka teknolojisinin yükselişi tüm hızıyla sürüyor.Yapay zeka ürünlerinin geniş çaplı uygulanmasıyla, farklı senaryolar için çeşitli algoritmalar birbiri ardına ortaya çıktı, bilgi işlem verileri patladı ve çipler, yapay zeka teknolojisinin donanım temeli ve endüstriyel inişi oldu. Kaçınılmaz taşıyıcı, birçok devi ve yeni şirketi birbiri ardına çekmiş ve çeşitli yapay zeka çipleri birbiri ardına ortaya çıkmıştır.
Farklı uygulama senaryoları için, farklı yongaların işleme hızı, enerji tüketimi ve desteklenen algoritmalar açısından kendi avantajları vardır. Yapay zeka sektörünün gelişme durumuna ve teknolojik olgunluğuna göre 4 aşamaya ayrılabilir.
Yapay zeka çiplerinin ilk aşaması
İlk aşamada yapay zeka çipleri 2016 yılında patlamaya başladı ve mimari tasarım şimdiye kadar nispeten istikrarlıydı.İlgili derleyicilerin teknolojisi gittikçe daha olgun hale geldi ve temelde tüm endüstri yapısı şekillendi.
Mevcut yapay zeka çipi yazılım ve donanım teknolojisinin büyük ölçekli ticari kullanıma hazır olduğu söylenebilir. Bu tür bir yonga, derin öğrenme algoritmalarını çalıştırmak için temel olarak CPU, GPU, DSP ve FPGA tarafından temsil edilen mevcut geleneksel yonga mimarisini kullanır ve çoğunlukla bulutta konuşlandırılır.
Bulut eğitim oturumunda, derin sinir ağları büyük miktarda hesaplamaya sahiptir ve veriler ve işlemler yüksek oranda paralelleştirilebilir.GPU, büyük veri paralel işlemleri gerçekleştirme yeteneğine sahiptir ve kayan noktalı vektör işlemleri için çok sayıda bilgi işlem kaynağı ile donatılmıştır. Talep birbiriyle örtüşüyor ve bulut eğitimi için ana çip haline geldi ve% 70'in üzerinde pazar payına sahip.
Bununla birlikte, GPU'lar karmaşık program mantığı kontrolünü destekleyemediğinden, eksiksiz bir bilgi işlem sistemi oluşturmak için yüksek performanslı CPU'lar kullanmak yine de gereklidir.
Bulut çıkarım bağlantısında, hesaplama miktarı eğitim bağlantısından daha azdır, ancak yine de birçok matris işlemi içerir. GPU hala uygulamalara sahip olsa da, bu en iyi seçenek değildir.Bulut çıkarım görevlerini tamamlamak için heterojen bilgi işlem mimarisini kullanmak daha fazladır.
FPGA, yonga uygulamalarının esnekliğini ve programlanabilirliğini geliştirdi, GPU ile karşılaştırıldığında daha güçlü bilgi işlem gücüne ve daha düşük güç tüketimine sahip ve bulut hızlandırma alanında bariz avantajlara sahip.
Endüstriyel uygulamalar büyük ölçekte artmadığında, bu tür mevcut genel amaçlı yongaların kullanılması, ASIC'lerin geliştirilmesinde yüksek yatırım ve yüksek uzmanlaşma riskini önleyebilir.Ancak, bu genel amaçlı yongalar özellikle derin öğrenme görevleri için tasarlanmadıkları için doğal olarak mevcutturlar. Yapay zeka uygulamalarının ölçeği genişledikçe performansta, güç tüketiminde vb. Darboğazlar, bu tür sorunlar giderek daha belirgin hale geliyor.
Yapay zeka çip geliştirme aşaması
Yeni bilgi işlem modelleri genellikle yeni özel bilgi işlem çiplerini doğurur. Yapay zeka çağında bilgi işlem gücüne yönelik güçlü talep karşısında, akademi ve endüstri Google'ın TPU ve MIT gibi kendi çözümlerini ortaya koydu. (MIT) den Eyeiss, Kore Bilim ve Teknoloji Enstitüsünün (KAIST) UNPUsu ve Cambrianın 1Aı temsili çiplerdir.
Bu tür yongalar, seri üretimde daha yüksek performans, daha küçük boyut, daha düşük güç tüketimi ve daha düşük maliyet avantajlarına sahiptir. Şu anda, yapay zeka alanına girmek için konuşma tanıma, görüntü tanıma ve otomatik sürüş gibi algoritmaları kullanan bazı şirketler, algoritmalarla eşleşen özelleştirilmiş çipler ve ürünler oluşturarak karlılık elde etmeyi umuyor.
Mevcut derin öğrenme dağıtımı, buluttan uca bir eğilim göstererek kenarı güçlendiriyor, ancak buluta uygulanan yapay zeka yongaları genellikle yüksek güç tüketimi, düşük gerçek zamanlı performans, yetersiz bant genişliği ve veri aktarım gecikmesi gibi uç hesaplamanın ihtiyaçlarını karşılaması zor sorunlar yaşıyor. .
Uçta muhakeme için uygulama senaryoları buluttan daha çeşitlidir.Akıllı telefonlar, giyilebilir cihazlar, ADAS, akıllı kameralar, sesli etkileşim, VR / AR, akıllı üretim ve diğer uç akıllı cihazların farklı gereksinimleri vardır ve daha fazla özelleştirilmesi gerekir. , Yeni kurulan şirketlere farklı pazar segmentleri için farklılaştırılmış ürünler tasarlamak için daha fazla fırsat sunan düşük güçlü, düşük maliyetli gömülü çözümler.
Gelecekteki genel pazar büyüklüğü açısından, akıllı terminaller tarafından yönlendirilen uç bilgi işlem yongaları, bulut veri merkezi yonga pazarının 5 katından fazla olacak.
Önümüzdeki birkaç yıl içinde, "çip yok, AI yok" sahnesini görebilmeliyiz.Yapay zeka uygulama senaryolarının kademeli olarak uygulanmasıyla, temelde yatan teknoloji ve donanım yönleri daha net hale gelecek ve ardından çeşitli çip şirketlerinin şiddetli rekabeti izleyecek. .
Yapay zeka çipinin gelişmiş aşaması
Bu aşamada, derin öğrenme algoritmalarının sürekli evrimi ile mevcut yonga mimarisinin daha yüksek ve daha yüksek bilgi işlem gücü desteğini, daha düşük ve daha düşük güç tüketimi gereksinimlerini ve sonsuz çeşitlilikteki algoritmaları karşılaması zordur.Mimaride yenilik yapay zeka çipleridir. Bunu başarmanın tek yolu ve yeniden yapılandırılabilir bilgi işlem mimarisi, en temsili teknolojilerden biridir.
Yeniden yapılandırılabilir bilgi işlem mimarisi, genel amaçlı işlem yongaları ile uygulamaya özgü tümleşik devreler arasında yer alan yeni bir mimaridir.Farklı uygulama gereksinimlerine göre kendi yeni mimarisini esnek bir şekilde yeniden yapılandırmak için yapılandırılabilir donanım kaynaklarını kullanır. Ayrıca genel amaçlı bilgi işlem yongası uyumluluğu ve Uygulamaya özel entegre devrelerin yüksek verimliliğinin avantajları, "International Semiconductor Technology Roadmap" (2015 baskısı) tarafından "post-Moore" döneminde geleceğin en umut verici genel bilgi işlem mimarisi teknolojisi olarak değerlendirildi.
Bu teknoloji aynı zamanda ABD Savunma Bakanlığı tarafından desteklenen "Elektronik Rönesans Projesi" (ERI) tarafından gelecekteki çipin temel sütun mimari teknolojilerinden biri olarak listelenmiştir. Yeniden yapılandırılabilir bilgi işlem mimarisi, özel bilgi işlem yongaları için çeşitli yapay zeka algoritmalarının ihtiyaçlarını doğal olarak karşılarken, aynı zamanda yapay zeka yongalarının tasarımı için çok uygun olan algoritmaların ve donanımların sürekli gelişimini sağlar.
Yeniden yapılandırılabilir hesaplama mimarisini benimsedikten sonra, yazılım tanımlama seviyesi işlev seviyesiyle sınırlı değildir Algoritmaların hesaplama doğruluğu, performansı ve enerji verimliliği, yazılım tanımının kapsamına dahil edilebilir. Yeniden yapılandırılabilir bilgi işlem teknolojisi, yapay zeka çiplerine son derece yüksek esneklik ve uygulama kapsamı getiren yazılım ve donanım işbirliğine dayalı tasarımı gerçekleştirmek için kendi gerçek zamanlı dinamik yapılandırma özelliklerini kullanır.
ABD'de Wave Computing tarafından piyasaya sürülen DPU çipi ve Tsinghua Üniversitesi Mikroelektronik Enstitüsü tarafından tasarlanan Thinker serisi çipler, yeniden yapılandırılabilir bilgi işlem mimarilerinin kullanımının temsilcisidir. Geleneksel mimarilerle karşılaştırıldığında, daha güçlü esnekliğe ve bilgi işlem enerji verimliliğine sahiptirler. Aynı zamanda işlemcinin çok yönlülüğüne ve ASIC'in yüksek performansına ve düşük enerji tüketimine sahiptir.
Yapay zeka çiplerinin gelecek aşaması
Daha uzak bir gelecekte, algoritmalar geliştikçe ve uygulamalar uygulandıkça, yapay zeka çipleri için yeni gereksinimler ortaya çıkmaya devam edecek.Altında yatan yarı iletken teknolojisinin ilerlemesiyle birleştiğinde, ikinci yapay zeka çip teknolojisini 3 ila 5 yıl içinde görmeyi bekleyebiliriz. Yeniliğin doruk noktası, bellek içi bilgi işlem çipleri, beyin benzeri biyonik çipler ve fotonik çipler gibi en son teknolojiler laboratuvardan endüstriyel uygulamalara geçecek.
Mevcut yapay zeka çipleri, temel olarak "bellek ve bilgi işlemin ayrılması", yani bellek erişimi ve bilgi işlem birbirinden ayrılan bir bilgi işlem mimarisini benimser ve sinir ağları hem hesaplama açısından yoğun ve bellek yoğun, hem de güç tüketimi ve bellek erişiminin gecikmesi Olağanüstü, dolayısıyla bellek, işlemci performansının ve güç tüketiminin darboğazı haline geldi.
"Depolama duvarı" sorununu çözmek için, birçok bilim insanı, bellek içi hesaplama kavramını ileri sürmüşlerdir; bu kavram, analog hesaplamaları gerçekleştirmek için bellekteki analog devreleri doğrudan kullanır ve işlemci ile bellek arasında veri taşımak için çok fazla zaman ve enerji harcama ihtiyacını ortadan kaldırır. Geleneksel dijital devre yapay zeka çipleri ile karşılaştırıldığında, bellek içi hesaplamaları ve analog hesaplamaları kullanan devrelerin enerji verimliliği oranı büyük ölçüde iyileştirilecektir.
Ana akım beyin benzeri biyonik çip kavramı, nöromorfik mühendislik tarafından tasarlanan nöromorfik bir çiptir. Nöromorfik çip, biyolojik beyne benzer bir elektronik çip oluşturduğu kanıtlanmış biyolojik beynin çalışma kurallarını simüle etmek için elektronik teknolojiyi kullanır.
Nöromorfik araştırmalar dünya çapında birbiri ardına gerçekleştirildi ve Amerika Birleşik Devletleri'ndeki beyin projesi, Avrupa'daki insan beyni projesi ve Çin'in son zamanlarda önerdiği beyin benzeri hesaplama projesi gibi çeşitli ülkelerin hükümetlerinin ilgisini ve desteğini aldı. Beyin yapısı araştırmalarının sonuçlarından esinlenen karmaşık sinir ağları, düşük güç tüketimi, düşük gecikme süresi, yüksek hızlı işleme ve uzay-zamansal birleşme özelliklerine sahiptir.
Silikon fotonik teknolojisi şu anda veri merkezlerinde ve 5G yüksek hızlı veri iletiminde giderek daha fazla uygulama kazanıyor. Ek olarak, silikon fotonik, ultra düşük güç tüketimi ile derin öğrenme hesaplamalarını doğrudan hızlandırmak, derin öğrenmenin iki girişini iki ışık demetine modüle etmek ve ardından iki ışık demetinin fotonik çipin cihazındaki SVD ayrışmasını tamamlamak için de kullanılabilir. Parazitle çarpın ve sonunda sonucu okumak için optik sinyali dijital sinyale dönüştürün. Son olarak, bu optik cihazların tümü, yüksek performanslı optik bilgi işlem modüllerini gerçekleştirmek için aynı silikon fotonik çip üzerine entegre edilebilir.
Yapay zeka çiplerinin gelecekteki trendi
Şu anda, küresel yapay zeka endüstrisi hala hızlı değişim ve gelişimden geçiyor. Geniş endüstri dağıtımı, yapay zeka uygulaması için geniş bir pazar beklentisi sağlıyor. Hızlı yinelemeli algoritma, yapay zeka teknolojisinin hızlı ticarileştirilmesini teşvik ediyor. Yapay zeka çipleri, algoritmanın gerçekleştirilmesi için donanım temelidir. Ayrıca, yapay zekanın gelecekteki çağının stratejik komuta yükseklikleridir, ancak mevcut AI algoritmalarının çoğu zaman kendi avantajları ve dezavantajları olduğu için, yalnızca onlar için uygun bir senaryo oluşturarak rollerini en iyi şekilde oynayabilirler.Bu nedenle, uygulama alanının belirlenmesi yapay zekanın gelişimi haline gelir. Akıllı çipler için önemli bir ön koşul.
Maalesef şu anda birden fazla uygulamaya adapte olabilen genel bir algoritma bulunmadığından, hangi çip firmasının pazardaki sıkıntılı noktaları yakalayıp uygulamayı ilk uygulayabilmesi, yapay zeka çip yolunda daha büyük bir avantaj elde edebilir.
Mimari yenilik, yapay zeka çiplerinin karşı karşıya olduğu kaçınılmaz bir sorundur. Genel yonga geliştirme eğiliminden, hala yapay zeka yongalarının ilk aşamasıdır. Hem bilimsel araştırma hem de endüstriyel uygulamalar inovasyon için büyük bir alana sahiptir.
Daha yüksek esneklik ve uyarlanabilirlik ile genel amaçlı akıllı yongalara algoritmaları ve uygulama senaryolarını belirleyen yapay zeka hızlandırma yongalarının geliştirilmesi, teknolojik gelişimin kaçınılmaz yönüdür.Zayıf denetim, kendi kendini denetleme, çok görevli öğrenme ve büyük ölçekli sinir ağlarının performansı daha iyidir Akıllı çipler, akademik ve endüstriyel araştırmalar için önemli bir hedef haline gelecektir.
Hesaplama mimarisinin son derece paralel ve dinamik değişkenliği, algoritma gelişimine ve uygulama çeşitliliğine uyum sağlamak için programlanabilirlik, daha verimli büyük evrişimli yapı bozma ve yeniden kullanım, daha az sinir ağı parametresi hesaplama bit genişliği, daha çeşitli dağıtılmış bellekler Özel tasarım, daha seyrek büyük ölçekli vektör uygulaması, karmaşık heterojen ortamlarda daha yüksek bilgi işlem verimliliği, daha küçük boyut ve daha yüksek enerji verimliliği, bilgi işlem ve depolamanın entegrasyonu gelecekteki yapay zeka çiplerinin ana özellikleri haline gelecektir.
2019'un başlangıç noktasında duran yapay zeka çiplerinin mimari yeniliği, yalnızca sinir ağı hesaplamasına değil, aynı zamanda tüm yongaların mimari yeniliğine de odaklanmalıdır. Örnek olarak güvenlik akıllı çipini alın Bu tipik bir sistem seviyesi problemidir. Sinir ağı hızlandırma problemini çözmenin yanı sıra, pozlama, beyaz dengesi, video kodlama ve kod çözme vb. İle de uğraşması gerekir. Bu sadece bir sinir ağı hızlandırıcısı ile çözülemez. Sorun.
Sinir ağı hesaplamalarına ek olarak, hesaplama açısından yoğun birçok modül gereklidir.Bu modüllerin kullandığı bilgi işlem mimarisi aynı zamanda tüm akıllı yonganın temel sorunudur. Bu nedenle, yapay zeka çiplerinin mimari yeniliği yalnızca sinir ağı hesaplama mimarisinin yeniliği olmakla kalmaz, aynı zamanda geleneksel bilgi işlem mimarisinin de yenilenmesi gerekir.Bu, yapay zeka çip mimarisi yeniliğinin gerçek çağrışımı olacaktır.
Referanslar
Çin Halk Cumhuriyeti Devlet Konseyi. Yeni nesil yapay zeka için geliştirme planı. 2017-07-20.
PRC Devlet Konseyi. Yeni nesil yapay zeka geliştirme planlaması. 2017-07-20.
Yapay Zeka Sektörü Geliştirme Araştırma Grubu. Pekin Yapay Zeka Sektörü Geliştirme Teknik Raporu (2018). (2018-06-30). Http://jxj.beijing.gov.cn/docs/2018-07/20180704102639512942. pdf.
Yapay Zeka Sektörü Geliştirme Araştırma Grubu. Pekin yapay zeka endüstrisi geliştirme beyaz pape (r 2018). (2018-06-30). Http://jxj.beijing.gov.cn/docs/2018-07/20180704102639512942.pdf .
YANN L C. Derin öğrenme donanımı: geçmiş, şimdi ve gelecek // 2019 IEEE Uluslararası Katı Hal Devreleri Konferansı- (ISSCC). IEEE, 2019: 12-19.
Zhu Haipeng. Derin öğrenme donanımı: FPGA - GPU - ASIC. (2017-11-07). Https://www.jianshu.com/p/74792ad68a2a.
Wei Shaojun. AI çip geliştirme, uygulama ve mimari inovasyonu için çift tekerlekten çekiş gerektirir
GTIC 2018 Küresel Yapay Zeka Çip İnovasyon Zirvesi. Şangay, 2018. WEI S J. AI çip geliştirme gereksinimi uygulaması ve mimari yenilik iki tekerlekten çekiş. GTIC 2018 Küresel Yapay Zeka Çip Yenilik Zirvesi. Şangay, 2018.
HEMSOTH N. Wave computing'in DPU mimarisi, sistemlerinin ilk derinlemesine görünümü. (2017-08-23). Https://www.nextplatform.com/2017/08/23/first- deep-view-wave-computings- dpu-mimari-sistemler /.
YIN S Y, YANG P O, TANG S B, ve diğerleri.Derin öğrenme uygulamaları için yüksek enerji verimli, yeniden yapılandırılabilir bir hibrit sinir ağı işlemcisi. IEEE Journal of Solid- State Circuits, 2018, 53 (4): 968-982.
Tang Shan. AI çip 0.5 ve 2.0. (2019-02-25). Https://mp.weixin.qq.com/s/jpgTCY3cC_AQhBxKznLaOw.
TANG S. AI çip 0.5 ve 2.0. (2019-02-25). Https://mp.weixin.qq.com/s/jpgTCY3cC_A
QhBxKznLaOw.
Tsinghua Üniversitesi, Pekin Geleceğin Çip Teknolojisi Gelişmiş Yenilik Merkezi. Yapay Zeka Çip Teknolojisi Üzerine Beyaz Kitap. Pekin: Pekin Gelecek Çip Teknolojisi Gelişmiş Yenilik Merkezi, 2018.
Tsinghua Üniversitesi, Pekin Gelecek Yongaları İnovasyon Merkezi Yapay zeka çip teknolojisi teknik raporu Pekin: Geleceğin Yongaları için Pekin İnovasyon Merkezi, 2018.
Yin Shouyi, Guo Heng, Wei Shaojun. Yapay zeka çip geliştirmenin mevcut durumu ve eğilimleri. Science and Technology Review, 2018, 36 (17): 45-51.
YIN S Y, GUO H, WEI S J. Mevcut durum ve yapay zeka çiplerinin gelecekteki eğilimi Bilim ve Teknoloji Kılavuzu, 2018, 36 (17): 45-51.
Kaynak: Yin Shouyi. Yapay Zeka Çiplerine Genel Bakış. Mikro-Nano Elektronik ve Akıllı Üretim, 2019, 1 (2): 7-11.
YIN Shouyi Yapay zeka çipleri incelemesi. Mikro / nano Elektronik ve Akıllı Üretim, 2019, 1 (2): 7-11.
"Mikronanoelektronik ve Akıllı Üretim" Sayı Numarası: CN10-1594 / TN
Yetkili birim: Beijing Electronics Holdings Co., Ltd.
Sponsor: Beijing Institute of Electronic Science and Technology Information Beijing Fanglue Information Technology Co., Ltd.
