Huawei, Apple, Qualcomm, kim lider? Tsinghua AI çip raporunun kapsamlı yorumu
Akıllı şeyler büyük veri
Giriş: Bu makale, yapay zeka çiplerinin geliştirme durumunu ve trendlerini sistematik olarak birleştiren yapay zeka çiplerini kapsamlı bir şekilde açıklamaktadır.
Kaynak: Zhidx (ID: zhidxcom)
2010'dan bu yana, büyük veri endüstrisinin gelişmesi nedeniyle, veri miktarı patlayıcı bir büyüme eğilimi gösterdi ve geleneksel hesaplama mimarileri, derin öğrenmenin büyük ölçekli paralel hesaplama ihtiyaçlarını destekleyemiyor.Bu nedenle, araştırma topluluğu AI çipleri üzerinde yeni bir teknolojik araştırma ve geliştirme turu gerçekleştirdi. Uygulamalı araştırma. Yapay zeka çipi, platformun altyapısını ve geliştirme ekolojisini belirleyen yapay zeka döneminin teknolojik çekirdeklerinden biridir.
Tsinghua Üniversitesi'nin "Yapay Zeka Çip Araştırma Raporu", yapay zeka yongalarını kapsamlı bir şekilde açıklıyor ve yapay zeka yongalarının geliştirme durumunu ve eğilimlerini sistematik olarak tarıyor. Bu makalenin tam raporunu toplamak istiyorsanız, büyük veri resmi hesabının arka planında anahtar kelimelere yanıt verebilirsiniz. AI çip Elde edin.
01 AI çiplerinin temel bilgisi ve mevcut durumu
Genel olarak, yapay zeka algoritmalarını çalıştırabilen herhangi bir yongaya AI yongası denir. fakat Genel anlamda AI çipleri, yapay zeka algoritmalarının hızlandırılması için özel olarak tasarlanmış çipleri ifade eder. Bu aşamada, bu yapay zeka algoritmaları genellikle derin öğrenme algoritmalarına dayanır ve ayrıca diğer makine öğrenme algoritmalarını da içerebilir. Yapay zeka ile derin öğrenme arasındaki ilişki şekilde gösterilmektedir.
Derin öğrenme algoritmaları genellikle öğrenme, işleme ve sürekli değeri verme süreci yoluyla alınan sürekli değere dayanır, aslında biyolojik beynin çalışma mekanizmasını tamamen taklit edemez. Bu gerçeğe dayanarak, araştırma topluluğu ayrıca SNN (Spiking Neural Network) modelini önerdi.
Üçüncü nesil sinir ağı modeli olarak SNN, biyolojik sinir ağlarına daha yakındır - biyolojik nöronlara ve sinapslara daha yakın nöron ve sinaps modellerine ek olarak, SNN ayrıca hesaplama modeline zaman alanı bilgisini de ekler. Şu anda, SNN tabanlı AI çipleri esas olarak IBM'in TrueNorth, Intel'in Loihi ve yerel Tsinghua Üniversitesi Tianji çekirdeği tarafından temsil edilmektedir.
1. AI çiplerinin geliştirme geçmişi
Turingin "Bilgisayar Makineleri ve Zekası" tezinden ve Turing Testinden, en temel nöron simülasyon birimi olan algılayıcıya, yüzlerce katmanlı derin sinir ağına kadar insanlar yapay zekayı hiçbir zaman keşfetmedi. Asla durmadı.
1980'lerde, çok katmanlı sinir ağlarının ve geri yayılım algoritmalarının ortaya çıkışı, yapay zeka endüstrisinde yeni kıvılcımlar yarattı. Geri yayılımın ana yeniliği, bilgi çıktısı ile hedef çıktı arasındaki hatanın çok katmanlı ağ aracılığıyla yinelemeli olarak önceki aşamaya geri beslenebilmesi ve nihai çıktının belirli bir hedef aralığına yakınlaşabilmesidir.
1989'da Bell Labs, çok katmanlı bir sinir ağında el yazısı posta kodu tanıyıcı geliştirmek için geri yayılma algoritmasını başarıyla kullandı.
1998'de Yann LeCun ve Yoshua Bengio, evrişimli sinir ağları çağını yaratan el yazısı tanıma sinir ağları ve geri yayılım optimizasyonu ile ilgili "Gradient tabanlı öğrenme, belge tanımaya uygulanan" bir makale yayınladı.
O zamandan beri, yapay zeka uzun bir sessiz gelişim dönemine girdi. 1997'de IBM'in Deep Blue'su satranç ustasını yenene ve 2011'de Jeopardy programında IBM'in Watson Intelligent System'ı kazanana kadar yapay zeka bir kez daha dikkat çekti.
2016 yılında, Alpha Go'nun Kore'de 9 dan profesyonel Go oyuncusunu yenmesi, yapay zekanın bir başka doruk noktasına işaret etti. Temel algoritmalardan, temel donanımdan, araç çerçevelerinden gerçek uygulama senaryolarına kadar, bu aşamadaki yapay zeka alanı tamamen gelişti.
Yapay zekanın çekirdeği olan temel donanım AI çipi de birçok iniş ve çıkış yaşadı. Yapay zeka çiplerinin geliştirilmesi öncesinde ve sonrasında dört büyük değişikliğe uğradı Gelişim süreci şekilde gösterilmiştir.
- 2007'den önce, AI çip endüstrisi olgun bir endüstri haline gelmemişti; aynı zamanda, o sırada algoritmalar ve veri hacmi gibi faktörler nedeniyle, bu aşamada AI çipleri için güçlü bir pazar talebi yoktu ve genel amaçlı CPU çipleri uygulama ihtiyaçlarını karşılayabiliyordu.
- Yüksek çözünürlüklü video, VR, AR oyunları ve diğer endüstrilerin gelişmesiyle birlikte GPU ürünleri hızlı atılımlar yaptı.Aynı zamanda, GPU'ların paralel hesaplama özelliklerinin sadece yapay zeka algoritmaları ve büyük veri paralel hesaplama ihtiyaçlarına uygun olduğu görüldü.Örneğin, GPU'lar daha önce geleneksel CPU'lardan daha etkili. Derin öğrenme algoritmalarının hesaplama verimliliği onlarca kez artırılabilir, bu nedenle yapay zeka hesaplamaları için GPU kullanmaya başladılar.
- 2010'a girdikten sonra, bulut bilişim yaygın bir şekilde tanıtıldı.Yapay zeka araştırmacıları, hibrit işlemleri gerçekleştirmek için çok sayıda CPU ve GPU kullanmak için bulut bilişimi kullanabilir, böylece AI yongalarının derinlemesine uygulanmasını daha da teşvik ederek çeşitli AI yongalarının geliştirilmesini ve uygulanmasını doğurur.
- Yapay zekanın bilgi işlem yeteneklerine yönelik gereksinimleri hızla artmaya devam ediyor. 2015'e girdikten sonra, GPU'ların düşük performans-güç oranı, iş uygulamaları üzerinde birçok kısıtlamaya neden oldu. Sektör, yeni teknolojileri benimsemek amacıyla yapay zeka için özel çipler geliştirmeye başladı. İyi donanım ve yonga mimarisi, bilgi işlem verimliliği ve enerji tüketimi oranı açısından performansı daha da artırmıştır.
2. Çin'de yapay zeka çiplerinin geliştirilmesi
Şu anda, Çin'in yapay zeka çip endüstrisinin gelişimi hala emekleme aşamasında. Çin uzun zamandır CPU, GPU ve DSP işlemcilerinin tasarımına yetişiyor.Çoğu çip tasarım şirketi, yongaları tasarlamak için yabancı IP çekirdeklerine güveniyor ve bağımsız yenilikleri büyük ölçüde kısıtlandı.
ancak, Yapay zekanın yükselişi şüphesiz Çin'e işlemci alanında viraj geçme fırsatı sunuyor.
Yapay zeka uygulaması halen endüstri odaklı uygulama aşamasındadır ve ekoloji henüz bir tekel oluşturmamıştır.Yeni yapay zeka alanında yerli işlemci üreticileri ve yabancı rakipler aynı başlangıç çizgisindedir.Bu nedenle, gelişen teknolojiler ve uygulama pazarlarına dayalı olarak, Çin'in bir yapay zeka ekosistemi kurmak için yapması gereken çok şey var.
Ülkemizin özel ortamı ve pazarı nedeniyle, Yerli AI çiplerinin gelişimi şu anda çiçek açan ve rekabet eden bir eğilim gösteriyor Yapay zeka çiplerinin uygulama alanları aynı zamanda Horizon, Shenjian Technology ve Cambrian gibi çok sayıda yapay zeka çip başlangıç şirketini ortaya çıkaran hisse senedi ticareti, finans, emtia önerisi, güvenlik, erken eğitim robotları ve insansız sürüş gibi birçok alanı kapsıyor. Bekle.
Bununla birlikte, yerli şirketler büyük yabancı şirketlerle aynı pazar ölçeğini oluşturmamışlardır. Bunun yerine, kendi kendini yönetmenin parçalanmış bir kalkınma statükosu var.
Ortaya çıkan girişimlere ek olarak, Pekin Üniversitesi, Tsinghua Üniversitesi ve Çin Bilimler Akademisi gibi yerel araştırma kurumları, AI çipleri alanında derinlemesine araştırmalara sahiptir; Baidu ve Bitmain gibi diğer şirketler de 2017'de bazı sonuçlar yayınladı. Gelecekte yapay zeka alanında ekosisteme hakim olanın bu sektörün inisiyatifine hakim olacağı öngörülebilir.
3. AI Bursiyerlerine Genel Bakış
Tsinghua Üniversitesi AMiner yetenek havuzundan elde edilen verilere göre küresel yapay zeka çip alanındaki akademisyenlerin dağılımı şekilde gösterilmektedir.Şekilden yapay zeka çipi alanındaki akademisyenlerin ağırlıklı olarak Kuzey Amerika'da ve ardından Avrupa'da dağıldığı görülmektedir. Çin'in yapay zeka çipleri konusundaki araştırmaları yakından takip edildi ve Güney Amerika, Afrika ve Okyanusya görece yetenek kıttı.
Ülkelere göre istatistiklere göre Amerika Birleşik Devletleri, yapay zeka çipleri alanındaki teknolojik gelişimin çekirdeğini oluşturuyor. Birleşik Krallık'taki insan sayısı Amerika Birleşik Devletleri'nin gerisindedir. Diğer uzmanlar çoğunlukla Çin, Almanya, Kanada, İtalya ve Japonya'da dağıtılmaktadır.
Küresel yapay zeka çip alanında en etkili 1000 kişinin göç yolunun istatistiksel bir analizi yapılmakta ve çeşitli ülkelerdeki yetenek açığı ve fazlasının karşılaştırılması aşağıdaki şekilde gösterilmektedir.
Görülebileceği gibi, çeşitli ülkelerde yetenek kaybı ve tanıtımı görece dengelidir.Bunlar arasında, Amerika Birleşik Devletleri büyük bir yetenek akışı ülkesidir ve yetenek girdisi ve çıktısı büyük ölçüde öndedir. Birleşik Krallık, Çin, Almanya ve İsviçre gibi ülkeler Amerika Birleşik Devletleri'nden sonra ikinci sırada, ancak ülkeler arasındaki yetenek akışındaki fark açık değil.
02 AI çiplerinin sınıflandırılması ve teknolojisi
Şu anda yapay zeka çipleri için iki geliştirme yolu var: Birincisi, geleneksel bilgi işlem mimarisine devam etmektir Temel olarak üç tür yonga (GPU, FPGA ve ASIC) ile temsil edilen donanım hesaplama yeteneklerini hızlandırmak, ancak CPU hala yeri doldurulamaz bir rol oynamaktadır; Diğeri, klasik von Neumann bilgi işlem mimarisini yıkmak ve bilgi işlem gücünü artırmak için beyin benzeri bir yapı kullanmaktır. IBM TrueNorth çipi tarafından temsil edilmektedir.
1. Geleneksel CPU
Bilgisayar endüstrisi 1960'ların başından beri CPU terimini kullanmaktadır. Şimdiye kadar, CPU biçim, tasarımdan uygulamaya kadar muazzam değişikliklere uğradı, ancak Temel çalışma prensibi pek değişmedi.
Genellikle CPU iki ana bileşenden oluşur: denetleyici ve aritmetik birim. Geleneksel CPU'nun iç yapısı Şekil 3'te gösterilmektedir. Şekilden şunu görebiliriz: Esasen veri hesaplamalarını tamamlamak için yalnızca tek bir ALU modülü (mantıksal işlem birimi) kullanılır ve diğer modüllerin varlığı da talimatları sağlamak içindir. Sıralı bir şekilde tek tek gerçekleştirilebilir. Bu genel yapı, geleneksel programlama hesaplama modu için çok uygundur ve aynı zamanda, hesaplama hızı, CPU frekansını artırarak (birim zamanda yürütülen komut sayısını artırarak) geliştirilebilir.
Ancak çok fazla program talimatı gerektirmeyen ancak çok büyük veri işlemleri gerektiren derin öğrenmenin hesaplama gereksinimleri için bu yapı biraz güçsüz görünüyor. Özellikle güç tüketimi kısıtlamaları altında, komutların yürütülmesini hızlandırmak için CPU'nun ve belleğin çalışma frekansını artırmak imkansızdır.Bu durum, CPU sisteminin gelişiminde aşılmaz darboğazlarla karşılaşmasına neden olmuştur.
2. Paralel hızlandırma hesaplama için GPU
Paralel hızlandırılmış bilgi işlemle uğraşan ilk işlemci olarak GPU, CPU'dan daha hızlı ve aynı zamanda esnek ve diğer hızlandırıcı yongalardan daha basittir.
Geleneksel CPU'ların yapay zeka algoritmalarının yürütülmesi için uygun olmamasının ana nedeni, hesaplama talimatlarının seri yürütme yöntemini takip etmesi ve çipin tam potansiyelini gerçekleştirememesidir. Aradaki fark, GPU'nun oldukça paralel bir yapıya sahip olması ve grafik verilerini ve karmaşık algoritmaları işlemede CPU'dan daha yüksek verimliliğe sahip olmasıdır.
GPU ve CPU arasındaki yapısal farklılıkları karşılaştırdığımızda, CPU'nun çoğu alanı denetleyici ve kayıttır, GPU'da veri işleme için daha fazla ALU (ARİTMETİK MANTIK BİRİMİ) bulunurken, bu yapı yoğun verilerin paralel olarak işlenmesi için uygundur. , CPU ve GPU arasındaki yapı karşılaştırması şekilde gösterilmiştir. Tek çekirdekli bir CPU ile karşılaştırıldığında, bir GPU sistemindeki bir programın çalışma hızı genellikle düzinelerce hatta binlerce kat daha hızlıdır.
NVIDIA ve AMD gibi şirketler GPU büyük ölçüde paralel mimari için desteklerini artırmaya devam ettikçe, genel amaçlı bilgi işlem için GPU'lar (yani GPGPU, GENEL AMAÇLI GPU, genel amaçlı bilgi işlem grafik işlemcisi) paralel uygulamaları hızlandırmanın önemli bir yolu haline geldi.
CPU ve GPU yapısının karşılaştırması (NVIDIA CUDA belgesinden alıntılanmıştır)
GPU'nun geliştirme geçmişi, şekilde gösterildiği gibi 3 aşamaya ayrılabilir:
İşlevin bir parçası olan birinci nesil GPU (1999'dan önce), GE (GEOMETRY ENGINE) tarafından temsil edilen donanım hızlandırma elde etmek için CPU'dan ayrılmıştır, yazılım programlama özellikleri olmadan yalnızca 3B görüntü işlemeyi hızlandırmada rol oynayabilir.
Daha fazla donanım hızlandırma ve sınırlı programlanabilirlik sağlamak için ikinci nesil GPU (1999-2005).
1999'da Nvidia, "karmaşık matematiksel ve geometrik hesaplamalar yapmak için tasarlanmış" GeForce256 görüntü işleme çipini çıkardı ve karmaşık kontrol birimleri ve CPU'lar ve TL gibi önbelleklerin yerine yürütme birimleri olarak daha fazla transistör kullandı. DÖNÜŞÜM VE AYDINLATMA) ve diğer işlevler, GPU'nun gerçek görünümünün bir işareti haline gelen hızlı dönüşüm sağlamak için CPU'dan ayrılır.
Gelecek birkaç yıl içinde, GPU teknolojisinin hızlı gelişimi, hesaplama hızında CPU'yu hızla aştı. 2001'de Nvidia ve ATI sırasıyla GEFORCE3 ve RADEON 8500'ü piyasaya sürdü.Grafik donanım ardışık düzeni bir akış işlemcisi olarak tanımlandı ve köşe düzeyinde programlanabilirlik ortaya çıkıyor.Aynı zamanda, piksel seviyesi de sınırlı programlanabilirliğe sahip, ancak GPU'nun genel programlanabilirliği hala nispeten iyi. sınırlı.
Üçüncü nesil GPU (2006'dan sonra), GPU, uygun bir programlama ortamının oluşturulmasını gerçekleştirir ve programları doğrudan yazabilir. 2006 yılında Nvidia ve ATI, sırasıyla CUDA (Compute United Device Architecture) programlama ortamını ve CTM (METALE YAKIN) programlama ortamını başlattılar; bu, GPU'ların grafik dillerinin sınırlamalarını aşmasını ve gerçek paralel veri işleme süper hızlandırıcıları haline gelmesini sağladı.
Apple, 2008 yılında, Nvidianın grafik kartına bağlı olan CUDAdan farklı, genel amaçlı bir paralel bilgi işlem programlama platformu OPENCL (OPEN COMPUTING LANGUAGE, Open Computing Language) önerdi. OPENCLin belirli bilgi işlem cihazlarıyla hiçbir ilgisi yoktur.
Şu anda, GPU nispeten olgun bir aşamaya geldi. Google, Facebook, Microsoft, TWITTER ve Baidu gibi şirketlerin tümü, arama ve görüntü etiketleme gibi uygulamaları iyileştirmek için resimleri, videoları ve ses dosyalarını analiz etmek için GPU'ları kullanıyor. Ek olarak, birçok otomobil üreticisi sürücüsüz arabalar geliştirmek için GPU çiplerini de kullanıyor. Sadece bu değil, GPU, VR / AR ile ilgili endüstrilerde de kullanılıyor.
Ancak GPU'nun da belirli sınırlamaları vardır. Derin öğrenme algoritması iki bölüme ayrılmıştır: eğitim ve çıkarım GPU platformu algoritma eğitiminde çok etkilidir. Bununla birlikte, çıkarımda tek bir girdiyi işlerken, paralel hesaplamanın avantajlarından tam olarak yararlanılamaz.
3. Yarı özelleştirilmiş FPGA
FPGA, PAL, GAL ve CPLD gibi programlanabilir cihazlar temelinde daha da geliştirilmiş bir üründür. Kullanıcılar, FPGA yapılandırma dosyalarını yazarak bu kapılar ve bellekler arasındaki bağlantıları tanımlayabilir.
Bu tür bir yanma tek seferlik değildir.Örneğin, kullanıcı FPGA'yı bir mikro denetleyici MCU olarak yapılandırabilir ve ardından aynı FPGA'yı kullanımdan sonra bir ses codec bileşeni olarak yapılandırmak için yapılandırma dosyasını düzenleyebilir. Bu nedenle, yalnızca özelleştirilmiş devrelerin esneklik eksikliğini çözmekle kalmaz, aynı zamanda orijinal programlanabilir cihazın sınırlı sayıdaki kapı devrelerinin eksikliklerinin de üstesinden gelir.
FPGA, veri paralel ve görev paralel hesaplamayı aynı anda gerçekleştirebilir, bu da belirli uygulamaları işlerken daha belirgin bir verimlilik artışı sağlar. Belirli bir işlem için, genel amaçlı bir CPU birden fazla saat döngüsü gerektirebilir; FPGA'lar ise, işlemi yalnızca birkaç veya hatta bir saat döngüsüyle tamamlayabilen özel bir devreyi doğrudan oluşturmak için programlayarak devreyi yeniden düzenleyebilir.
Ek olarak, nedeniyle FPGA esnekliği Genel amaçlı işlemciler veya ASIC'ler kullanılarak uygulanması zor olan birçok düşük seviyeli donanım kontrol işlem teknolojisi, FPGA'lar kullanılarak kolayca uygulanabilir. Bu özellik, algoritmanın işlev gerçekleştirmesi ve optimizasyonu için daha fazla alan bırakır.
Aynı zamanda, FPGA'nın (litografi maskesi üretim maliyeti) tek seferlik maliyeti ASIC'inkinden çok daha düşüktür.Çip talebi henüz ölçeğe ulaşmadığında, derin öğrenme algoritması henüz sabitlenmemiştir ve sürekli yinelemeli iyileştirme gerektiğinde, FPGA yongası yeniden yapılandırılabilir özelliklere sahiptir. Yarı özelleştirilmiş bir yapay zeka çipi, en iyi seçeneklerden biridir.
Güç tüketimi açısından, FPGA'ların mimari açıdan da doğal avantajları vardır. Geleneksel Feng yapısında, yürütme birimi (CPU çekirdeği gibi) herhangi bir talimatı yürütür, komut belleğine, kod çözücüye, çeşitli komutların aritmetik birimine ve çalışmaya katılmak için dallanma ve atlama işlem mantığına ve FPGA'nın her mantık birimine ihtiyaç duyar. İşlev, yeniden programlama sırasında belirlenmiştir (yani, burn-in), hiçbir talimat gerekmez ve paylaşılan bellek gerekmez; bu, birim yürütme güç tüketimini büyük ölçüde azaltabilir ve genel enerji tüketimi oranını iyileştirebilir.
FPGA'lar esnek ve hızlı oldukları için birçok alanda ASIC'lerin yerini alma eğilimindedirler. FPGA'nın yapay zeka alanındaki uygulaması şekilde gösterilmektedir.
4. Tamamen özelleştirilmiş ASIC
Şu anda, derin öğrenmeyle temsil edilen yapay zeka hesaplama gereksinimleri, hızlanma elde etmek için GPU ve FPGA gibi paralel hesaplamaya uygun mevcut genel amaçlı yongaları kullanıyor. Endüstriyel uygulamalar büyük ölçekte artmadığında, bu tür mevcut genel amaçlı yongaların kullanılması, yüksek yatırımı ve özel yongaların (ASIC) geliştirilmesinde yüksek uzmanlaşma riskini önleyebilir.
Bununla birlikte, bu tür genel amaçlı yongaların asıl amacı özellikle derin öğrenme için olmadığından, performans ve güç tüketiminde doğal olarak sınırlamalar vardır. Yapay zeka uygulamalarının ölçeğinin genişlemesi ile bu tür sorunlar giderek daha belirgin hale geldi.
Bir görüntü işlemcisi olarak GPU, orijinal olarak görüntü işlemede büyük ölçekli paralel hesaplama ile başa çıkmak için tasarlandı. Bu nedenle, derin öğrenme algoritmalarına uygulandığında, Üç sınırlama:
Birincisi, paralel hesaplamanın avantajları uygulama sürecinde tam olarak kullanılamaz. Derin öğrenme iki hesaplama bağlantısı içerir: eğitim ve çıkarım GPU, derin öğrenme algoritması eğitiminde çok etkilidir, ancak tek bir giriş üzerinde çıkarım yapıldığında, paralelliğin avantajlarından tam olarak yararlanılamaz.
İkincisi, donanım yapısı esnek bir şekilde yapılandırılamaz. GPU, SIMT bilgi işlem modunu benimser ve donanım yapısı nispeten sabittir. Şu anda, derin öğrenme algoritması tamamen kararlı değil.Derin öğrenme algoritması büyük değişikliklere uğrarsa, GPU'lar donanım yapısını FPGA'lar gibi esnek bir şekilde yapılandıramaz.
Üçüncüsü, derin öğrenme algoritmalarını çalıştırmanın enerji verimliliği FPGA'lardan daha düşüktür.
FPGA'lar oldukça iyimser olsa da, yeni nesil Baidu Brain bile FPGA platformuna dayalı olarak geliştirildi, ancak özellikle derin öğrenme algoritmalarının uygulanması için geliştirilmedi. Pratik uygulamalarda da birçok sınırlama vardır:
İlk olarak, temel birimin hesaplama gücü sınırlıdır. Yeniden yapılandırılabilir özellikler elde etmek için, FPGA içinde çok sayıda son derece ince taneli temel birim vardır, ancak her birimin hesaplama gücü (esas olarak LUT arama tablosuna bağlı olarak) CPU ve GPU'daki ALU modülünden çok daha düşüktür.
İkincisi, bilgi işlem kaynaklarının oranı nispeten düşüktür. Yeniden yapılandırılabilir özellikler elde etmek için, yapılandırılabilir yonga üzerinde yönlendirme ve kablolama için FPGA içinde büyük miktarda kaynak kullanılır.
Üçüncüsü, ASIC'lere göre hız ve güç tüketiminde hala büyük bir boşluk var.
Dördüncüsü, FPGA'lar nispeten pahalıdır ve tek bir FPGA'nın maliyeti, büyük ölçekli üretim durumunda özel bir özel çipinkinden çok daha yüksektir.
Bu nedenle, yapay zeka algoritmalarının ve uygulama teknolojilerinin artan gelişimi ve yapay zekaya adanmış çip ASIC'lerinin endüstriyel ortamının kademeli olarak olgunlaşmasıyla birlikte, tamamen özelleştirilmiş yapay zeka ASIC'leri kendi avantajlarını kademeli olarak göstermişlerdir.Bu tür çiplerin geliştirilmesi ve uygulanması ile uğraşan yerli ve yabancı şirketler Şekilde daha fazla temsilci şirket gösterilmektedir.
Derin öğrenme algoritması kararlı hale geldikten sonra, AI çipi performansı, güç tüketimini ve derin öğrenme algoritması alanını optimize etmek için ASIC tasarım yöntemleri kullanılarak tamamen özelleştirilebilir.
5. Beyin benzeri çip
Beyin benzeri çip klasik von Neumann mimarisini kullanmıyor, ancak IBM Truenorth tarafından temsil edilen nöromorfik bir mimari tasarıma dayanıyor. IBM araştırmacıları, sinir yongasının bir prototipini oluşturmak için depolama birimini sinaps olarak, hesaplama birimini nöron olarak ve iletim birimini akson olarak kullandılar.
Şu anda Truenorth, Samsung'un 28nm güç işlem teknolojisini kullanıyor 5.4 milyar transistörden oluşan yonga üzeri ağ 4096 sinaptik çekirdeğe sahip ve gerçek zamanlı çalışma gücü tüketimi sadece 70mW.
Sinir sinapsları değişken ağırlıklara ve bellek işlevlerine ihtiyaç duyduğundan, IBM, yeni sinapsları deneysel olarak gerçekleştirmek ve ticarileştirme sürecini hızlandırmak için CMOS teknolojisiyle uyumlu faz değişimli uçucu olmayan bellek (PCM) teknolojisini kullanır.
03 AI çip endüstrisi ve trendler
1. AI çip uygulama alanı
Yapay zeka çiplerinin sürekli geliştirilmesiyle, uygulama alanı zaman içinde çok boyutlu bir yönde gelişmeye devam edecek.Burada, ilgili tanıtımları yapmak için şu anda daha konsantre olan birkaç endüstri seçiyoruz.
1.1 Akıllı Telefon
Eylül 2017'de Huawei, Kirin 970 çipini Almanya, Berlin'deki Tüketici Elektroniği Fuarı'nda piyasaya sürdü. Çip, Kambriyen NPU ile donatıldı ve bir " Akıllı telefonlar için dünyanın ilk mobil AI çipi "; Ekim 2017 ortalarında yeni Mate10 serisi (bu telefon serisinin işlemcisi Kirin 970) piyasaya sürüldü.
NPU ile donatılmış Huawei Mate10 serisi akıllı telefonlar, kullanıcılara daha mükemmel bir deneyim sağlamak için çeşitli derin sinir ağı tabanlı fotoğrafçılık ve görüntü işleme uygulamalarına izin veren güçlü derin öğrenme ve yerel çıkarım özelliklerine sahiptir.
Ve Apple, iPhone X ve yerleşik A11 Bionic çipi ile temsil edilen cep telefonlarını piyasaya sürdü. A11 Bionic'in kendi geliştirdiği çift çekirdekli mimarisi Neural Engine (Neural Network Processing Engine), karşılık gelen sinir ağı hesaplama gereksinimlerini saniyede 600 milyar defaya kadar işleyebilir.
Bu Neural Engine'in ortaya çıkışı, A11 Bionic'i gerçek bir AI çipi haline getiriyor. A11 Bionic, fotoğraf çekerken iPhone X kullanma deneyimini büyük ölçüde geliştirdi ve bazı yaratıcı yeni kullanımlar sağladı.
1.2 ADAS (Gelişmiş Sürüş Asistanı Sistemi)
ADAS, en dikkat çekici yapay zeka uygulamalarından biridir. Lidar, milimetre dalga radarı ve kameralar gibi sensörler tarafından toplanan büyük miktarda gerçek zamanlı veriyi işlemesi gerekir.
Geleneksel araç kontrol yöntemleriyle karşılaştırıldığında, akıllı kontrol yöntemleri esas olarak kontrol nesnesi modellerinin ve sinir ağı kontrolü ve derin öğrenme yöntemleri dahil olmak üzere kapsamlı bilgi öğrenme uygulamalarının kullanımında somutlaştırılmıştır.Az yongalarının hızlı gelişimi sayesinde, bu algoritmalar yavaş yavaş Araç kontrolünde kullanılır.
1.3 CV (Bilgisayarlı Görme Ekipmanı)
Akıllı kameralar, dronlar, sürüş kaydediciler, yüz tanıma robotları ve akıllı yazı defterleri gibi bilgisayarla görme teknolojisini kullanması gereken cihazlar, genellikle yerel çıkarıma ihtiyaç duyar. Yalnızca internet üzerinden çalışabiliyorlarsa, Şüphesiz kötü bir deneyim getirecek. Şu anda, bilgisayarla görme teknolojisi, yapay zeka uygulamaları için verimli zeminlerden biri gibi görünüyor ve bilgisayarla görme çipleri geniş pazar beklentilerine sahip olacak.
1.4 VR ekipmanı
VR cihaz çipinin temsilcisi, Microsoft tarafından kendi VR cihazı Hololens için geliştirilen ve özelleştirilen HPU çipidir. TSMC'nin ürettiği bu çip, aynı anda 5 kamera, 1 derinlik sensörü ve hareket sensöründen gelen verileri işleyebildiği gibi, bilgisayarla görme matrisi operasyonu ve CNN operasyonu hızlandırma fonksiyonuna sahiptir. Bu, VR cihazlarının yüksek kaliteli portre 3D görüntüleri yeniden oluşturmasına ve bunları herhangi bir yere gerçek zamanlı olarak aktarmasına olanak tanır.
1.5 Sesli etkileşimli ekipman
Sesli etkileşim cihazı çipleri açısından, Qiyingtailun ve Yunzhisheng adında iki yerli şirket vardır.Tüm bunlar tarafından sağlanan çip çözümleri, cihazların çevrimdışı ses tanımasını gerçekleştirmek için ses tanıma için optimize edilmiş yerleşik derin sinir ağı hızlandırma çözümlerine sahiptir.
Kararlı tanıma yetenekleri, ses teknolojisinin uygulanması için olanak sağlar; aynı zamanda, ses etkileşiminin temel bağlantılarında büyük atılımlar yapılmıştır. Konuşma tanıma bağlantısı, uzak alan tanımadan konuşma analizine ve anlamsal anlamaya kadar tek noktalı yeteneği aşarak genel bir interaktif çözüm sunan büyük bir atılım gerçekleştirildi.
1.6 Robot
Hem ev robotları hem de ticari hizmet robotları, özel yazılım + çip yapay zeka çözümleri gerektirir. Bu konudaki tipik şirketler, Baidunun derin öğrenme laboratuvarının eski başkanı Yu Kai tarafından kurulan Horizon Robotics'tir. Elbette Horizon Robotics de ADAS, akıllı ev ve diğer yerleşik yapay zeka çözümlerini sağlayın.
2. AI çiplerinin yurtiçi ve yurtdışındaki temsilci şirketleri
Aşağıdakiler, yapay zeka çip teknolojisinin mevcut alanını tanıtacak Temsilci yerli ve yabancı şirketler . Sıralamalar belirli bir sırada değildir.
Yapay zeka çip teknolojisi alanındaki yerli temsilci firmalar arasında Cambrian, Vimicro, Horizon Robotics, Shenjian Technology, Lingxi Technology, Qiyingtailun, Baidu, Huawei vb. Yer alırken, yabancı ülkeler arasında Nvidia, AMD, Google, Qualcomm, Nervana Systems, Movidius, IBM, ARM, CEVA, MIT / Eyeriss, Apple, Samsung vb.
2.1 Çin Kambriyen
Cambrian Technology 2016 yılında kurulmuştur ve merkezi Pekin'de bulunmaktadır. Kurucuları Çin Bilimler Akademisi Bilgisayar Teknolojisi Enstitüsü'nden Chen Tianshi ve Chen Yunji'dir. Şirket, akıllı robotlar için çeşitli akıllı bulut sunucuları, akıllı terminaller ve çekirdek işlemci çipleri oluşturmaya kararlıdır.
Alibaba Ventures, Lenovo Ventures, Guoke Investment, Zhongke Turing, Yuanhe Origin ve Yonghua Investment, küresel AI çip alanındaki ilk tek boynuzlu at girişimleridir. Cambrian, başarıyla bantlanmış ve olgun ürünlere sahip dünyanın ilk AI çip şirketidir.İki ürün hattına sahiptir: terminal AI işlemci IP'si ve bulut yüksek performanslı AI çipi.
2016'da piyasaya sürülen Cambricon-1A işlemci (Cambricon-1A), akıllı telefonlar, güvenlik izleme, dronlar, giyilebilir cihazlar ve akıllı sürüş gibi çeşitli terminal cihazları için dünyanın ilk ticari derin öğrenmeye adanmış işlemcisidir. Ana akım akıllı algoritmaları çalıştırırken, performans / güç oranı geleneksel işlemcilerin oranını aşıyor.
2.2 Vimicro
1999'da Silikon Vadisi'nden bir dizi doktora girişimcisi, Pekin Zhongguancun Bilim ve Teknoloji Parkı'nda Zhongxing Microelectronics Co., Ltd.'yi kurdu ve dijital multimedya çiplerinin geliştirilmesi, tasarımı ve geliştirilmesine adanmış ulusal stratejik proje olan "Starlight China Core Project" i başlattı ve üstlendi. Sanayileşme.
2016'nın başlarında Vimicro, akıllı analiz sonuçlarının yapılandırılmış bir video akışı oluşturmak için video verileriyle eşzamanlı olarak kodlanmasını sağlayan, bir sinir ağı işlemcisi (NPU) ile entegre dünyanın ilk SVAC video codec'i SoC'yi piyasaya sürdü. Bu teknoloji, video güvenlik kameralarında yaygın olarak kullanılmaktadır ve yeni bir akıllı güvenlik gözetimi çağını başlatmaktadır.
Kendi kendine tasarlanmış gömülü sinir ağı işlemcisi (NPU), bir "veri güdümlü paralel hesaplama" mimarisini benimser ve özellikle derin öğrenme algoritmaları için optimize edilmiştir. Yüksek performans, düşük güç tüketimi, yüksek entegrasyon, küçük boyut vb. Özelliklere sahiptir, özellikle aşağıdakiler için uygundur: Nesnelerin İnternetinin ön uç istihbaratına duyulan ihtiyaç.
2.3 Ufuk Robotik
Horizon Robotics 2015 yılında kurulmuştur ve merkezi Pekin'de bulunmaktadır. Kurucusu, Baidu Derin Öğrenme Araştırma Enstitüsü'nün eski başkanı Yu Kai'dir. BPU (Beyin İşleme Birimi), Horizon Robotics tarafından bağımsız olarak tasarlanmış ve geliştirilmiş, yüksek verimli bir yapay zeka işlemci mimarisi IP'sidir. ARM / GPU / FPGA / ASIC uygulamasını destekler ve otonom sürüş ve yüz görüntüsü tanıma gibi özel alanlara odaklanır.
Horizon, 2017 yılında akıllı sürüş, akıllı yaşam ve kamu güvenliği olmak üzere üç alanda uygulanacak Gauss mimarisine dayalı yerleşik bir yapay zeka çözümü yayınladı.İlk nesil BPU yongası "Pangu" teyp aşamasına girdi ve 2018'de olması bekleniyor Yılın ikinci yarısında piyasaya sürülen 1080P yüksek çözünürlüklü görüntü girişini destekleyebilir, saniyede 30 kare işleyebilir ve yüzlerce hedefi tespit edip takip edebilir. Horizon'un birinci nesil BPU'su, TSMC'nin 40nm sürecini benimser.Geleneksel CPU / GPU ile karşılaştırıldığında, enerji verimliliği 2 ila 3 büyüklük sırası (yaklaşık 100 ila 1.000 kat) artırılabilir.
2.4 Shenjian Teknolojisi
Shenjian Technology 2016 yılında kurulmuştur ve merkezi Pekin'dedir. Tsinghua Üniversitesi ve Stanford Üniversitesi'nden dünyanın en iyi derin öğrenme donanımı araştırmacıları tarafından kurulmuştur. Shenjian Technology, Xilinx tarafından Temmuz 2018'de satın alındı.
Shenjian Teknolojisi, FPGA tabanlı sinir ağı işlemcisini DPU olarak adlandırır. Şimdiye kadar, Shenjian iki DPU yayınladı: Aristoteles mimarisi ve Kartezyen mimarisi Aristoteles mimarisi, evrişimli sinir ağı CNN için tasarlanmıştır; Kartezyen mimarisi, DNN / RNN ağı, yapı sıkıştırmasından sonra seyrek sinir ağında son derece verimli donanım hızlandırması gerçekleştirmek üzere tasarlanmıştır.
Intel XeonCPU ve Nvidia TitanX GPU ile karşılaştırıldığında, Kartezyen mimarisini kullanan işlemciler bilgi işlem hızını sırasıyla 189 kat ve 13 kat artırdı ve 24.000 kat ve 3.000 kat daha yüksek enerji verimliliğine sahip.
2.5 Lingxi Teknolojisi
Lingxi Technology, Ocak 2018'de Pekin'de kuruldu. Kurucu ortaklar arasında Tsinghua Üniversitesi'nden dünyanın en iyi beyinden ilham alan bilgisayar araştırmacıları yer alıyor.
Şirket, mevcut popüler makine öğrenimi algoritmalarını (CNN, MLP, LSTM ve diğer ağ mimarileri dahil) verimli bir şekilde desteklemenin yanı sıra daha beyin benzeri ve büyümeyi destekleme yeteneği ile karakterize edilen yeni nesil sinir ağı işlemcilerinin (Tianjic) geliştirilmesine kendini adamıştır. Potansiyel sinir ağı algoritması; çipin yüksek bilgi işlem gücü, yüksek çok görevli paralellik ve düşük güç tüketimi avantajlarına sahip olmasını sağlar.
Yazılım araç zinciri, Caffe ve TensorFlow gibi algoritma platformları tarafından sinir ağlarının doğrudan haritalanmasını ve derlenmesini ve kullanıcı dostu etkileşim arayüzlerinin geliştirilmesini destekler. Tianjic, yapay zekanın inişine ve tanıtımına yardımcı olmak için bulut bilişim ve terminal uygulama senaryolarında kullanılabilir.
2.6 Qiying Tylen
Qiying Tailun, Chengdu'da Kasım 2015'te ses tanıma çip geliştiricisi olarak kuruldu. Qiyingtailunun CI1006'sı, DNN bilgi işlem mimarisini mükemmel şekilde destekleyebilen, yüksek performanslı veri paralel hesaplama gerçekleştirebilen ve yapay zeka derin öğrenimini büyük ölçüde geliştirebilen beyin sinir ağı işleme donanım birimleri dahil olmak üzere ASIC mimarisine dayalı bir yapay zeka konuşma tanıma çipidir. Ses teknolojisinin büyük miktarda veri üzerinde işleme verimliliği.
2.7 Baidu
Baidu, 256 çekirdekli FPGA tabanlı bulut bilişim hızlandırma çipi olan XPU'yu Ağustos 2017'de Hot Chips Konferansında piyasaya sürdü. Ortak Xilinx'tir.
XPU, GPU'nun çok yönlülüğü ve FPGA'nın yüksek verimliliği ve düşük enerji tüketimi ile yeni nesil AI işleme mimarisini benimser, Baidu'nun derin öğrenme platformu PaddlePaddle için yüksek derecede optimizasyon ve hızlandırma yapmıştır. Raporlara göre, XPU, verimliliği ve performansı artırmayı ve CPU'ya benzer bir esneklik getirmeyi umarak yoğun bilgi işlem gerektiren, kural tabanlı çeşitli bilgi işlem görevlerine odaklanıyor.
2.8 Huawei
Kirin 970 üzerindeki sinir ağı işlemcisi NPU, Şekil 12'de gösterildiği gibi Kambriyen IP kullanır. Kirin 970, TSMC 10nm sürecini benimser, 5.5 milyar transistöre sahiptir ve güç tüketimi önceki nesil yonga ile karşılaştırıldığında% 20 oranında azalır.
CPU mimarisi, 8 çekirdekten oluşan 4 çekirdekli bir A73 + 4 çekirdekli A53'tür ve enerji tüketimi, önceki nesil yongalara kıyasla% 20 artar; GPU, grafik işlemeyi ve enerji verimliliğini 20 artıran 12 çekirdekli Mali G72 MP12 GPU kullanır. % Ve% 50; NPU, HiAI mobil bilgi işlem mimarisini benimser ve FP16 altında sağlanan bilgi işlem performansı 1,92 TFLOP'a ulaşabilir.Aynı AI görevini işleyen dört Cortex-A73 çekirdeği ile karşılaştırıldığında, yaklaşık 50 kat enerji verimliliği ve 25 kat performans avantajı vardır .
2.9 Nvidia
NVIDIA 1993 yılında kurulmuştur ve merkezi Santa Clara, California'dadır. 1999 gibi erken bir tarihte Nvidia, modern bilgisayar grafik teknolojisini yeniden tanımlayarak ve paralel hesaplamayı tamamen değiştirerek GPU'yu icat etti.
Derin öğrenmenin, bilgi işlem hızı için çok zorlu gereksinimleri vardır ve NVIDIA'nın GPU yongası, çok sayıda işlemcinin paralel olarak çalışmasına izin verebilir ve hız, CPU'dan on hatta on kat daha hızlıdır, bu da onu çoğu yapay zeka araştırmacısı ve geliştiricisi için ilk tercih haline getirir.
Google Brain, DNN modellerini eğitmek için 16.000 GPU çekirdeği kullandığından ve konuşma ve görüntü tanımada büyük başarı elde ettiğinden, NVIDIA, AI çip pazarında tartışmasız lider haline geldi.
2.10 AMD
Amerikan AMD yarı iletken şirketi, bilgisayar, iletişim ve tüketici elektroniği endüstrileri için çeşitli yenilikçi mikroişlemcilerin (CPU, GPU, APU, anakart yonga seti, TV kartı yongaları vb.) Tasarımında ve üretiminde uzmanlaşmıştır, ayrıca flash bellek ve düşük güçlü işlemci çözümleri sağlar. Şirket 1969 yılında kurulmuştur.
AMD, şirketlerden ve devlet kurumlarından bireysel tüketicilere kadar teknoloji kullanıcıları için standartlara dayalı, müşteri odaklı çözümler sunmaya kararlıdır.
Aralık 2017'de Intel ve AMD, Intel işlemcileri ve AMD grafik birimlerini birleştiren bir dizüstü bilgisayar çipini ortaklaşa piyasaya süreceklerini duyurdu. AMD şu anda AI ve makine öğrenimi için yüksek performanslı Radeon Instinc hızlandırıcı kartlarına ve açık yazılım platformu ROCm'ye sahiptir.
2.11 Google
2016 yılında Google, TPU adlı yeni bir işleme sisteminin bağımsız olarak geliştirildiğini duyurdu. TPU, makine öğrenimi uygulamaları için özel olarak tasarlanmış özel bir çiptir.
Çipin hesaplama doğruluğunu azaltarak ve her hesaplama işlemi için gereken transistör sayısını azaltarak, çipin saniyedeki işlem sayısı daha yüksek olabilir, böylece ince ayarlı makine öğrenimi modeli çip üzerinde daha fazla çalışabilir Daha hızlı, bu da kullanıcıların daha akıllı sonuçları daha hızlı almasını sağlar.
Mart 2016'da Li Shishi'yi ve Mayıs 2017'de Ke Jie'yi mağlup eden Alpha Dog, Google'ın TPU serisi çiplerini kullandı.
Google I / O-2018 Geliştirici Konferansı sırasında üçüncü nesil yapay zeka öğrenim işlemcisi TPU 3.0 resmi olarak piyasaya sürüldü. TPU3.0, transistör sayısını kaydetmek için 8 bitlik düşük hassasiyetli hesaplamalar kullanır; bu, doğruluk üzerinde çok az etkisi vardır, ancak güç tüketimini büyük ölçüde azaltır ve hızlandırır.Aynı zamanda, sistolik bir dizi tasarımına sahiptir, matris çarpımını ve evrişim işlemlerini optimize eder ve daha büyük çip üzerinde kullanır Bellek, sistem belleğine bağımlılığı azaltın. Hız, maksimum 100PFlops'a çıkarılabilir (saniyede 1000 trilyon kayan nokta hesaplaması).
2.12 Qualcomm
Akıllı telefon çip pazarında mutlak bir avantaja sahip olan Qualcomm, yapay zeka çiplerini de aktif olarak devreye alıyor. Qualcomm tarafından sağlanan bilgilere göre, yapay zeka alanında Çin'in "Akıllı Nesnelerin İnterneti yapay zeka hizmetleri" olan Clarifai ve Yunzhisheng'e yatırım yaptı.
2015 CES gibi erken bir tarihte Qualcomm, Snapdragon SoC-Snapdragon Cargo ile donatılmış bir uçan robot başlattı. Qualcomm, şirketin yeni fotoğrafçılık, video ve video ihtiyaçları için endüstriyel ve tarımsal izleme ve hava fotoğrafçılığı açısından bilgisayar görüşü alanındaki yeteneklerini yerine getirebileceğine inanıyor.
Ayrıca Qualcomm'un Snapdragon 820 yongası da VR kulaklıklarda kullanılıyor. Aslında Qualcomm, derin öğrenmeyi yerel olarak tamamlayabilen bir mobil cihaz çipi geliştiriyor.
2.13 Nervana Sistemleri
Nervana 2014 yılında kuruldu. Şirket tarafından piyasaya sürülen Nervana Engine, derin öğrenme için özelleştirilmiş ve optimize edilmiş bir ASIC çipidir. Bu planın gerçekleştirilmesi, hem yüksek kapasiteye hem de yüksek hıza sahip olan ve saniyede 32 GB yonga üzerinde depolama ve 8 TB bellek erişimi sağlayan Yüksek Bant Genişliği Bellek adlı yeni bir bellek teknolojisinden yararlanıyor.
Şirket şu anda, dünyanın en hızlısı olduğunu iddia ettikleri ve şu anda finansal hizmet kurumları, sağlık hizmeti sağlayıcıları ve devlet kurumları tarafından kullanılan "bulutta" bir yapay zeka hizmeti sunuyor. Yeni çipleri, Nervana bulut platformunun önümüzdeki birkaç yıl içinde en yüksek hızı korumasını sağlayacak.
2.14 Movidius (Intel tarafından satın alındı)
Eylül 2016'da Intel, Movidius'u satın almak için bir açıklama yaptı. Movidius, yüksek performanslı görüntü işleme çiplerinin geliştirilmesine odaklanmaktadır.
En yeni nesil Myriad2 görüntü işlemcisi, esas olarak ana denetleyici olarak SPARC işlemciden ve özel görüntü ve görüntü sinyallerini işlemek için özel bir DSP işlemcisi ve donanım hızlandırma devresinden oluşur. Bu, DSP mimarisine dayalı bir görüntü işlemcisidir.Görme ile ilgili uygulamalarda çok yüksek bir enerji tüketim oranına sahiptir ve neredeyse tüm gömülü sistemlerde görüntü hesaplamayı popüler hale getirebilir.
Bu çip, Tango cep telefonlarında, DJI UAV'larda, FLIR akıllı kızılötesi kameralarda, Hikvision Deep Eye serisi kameralarda, Huarui akıllı endüstriyel kameralarda ve Google 3D projesindeki diğer ürünlerde yaygın olarak kullanılmaktadır.
2.15 IBM
IBM, Watson'ı uzun zaman önce piyasaya sürdü ve birçok pratik uygulamaya yatırım yaptı. Ayrıca TrueNorth adlı beyin benzeri çiplerin araştırma ve geliştirme çalışmaları da başlatıldı.
TrueNorth IBM DARPA SyNapse SyNapse Systems of Neuromorphic Adaptive Plastic Scalable Electronics SyNapse ·
2.16 ARM
ARM DynamIQ AI 50
ARMCPU AI 8 AI ARM
2.17 CEVA
CEVA DSP IP DSP CEVA-XM4 DSP CEVA-XM6
CEVA
2.18 MIT/Eyeriss
Eyeriss MIT
Eyeriss CNN 168 neural network GPU 10
GPU GPU Eyeriss
Eyeriss
2.19
iPhone 8 iPhone X A11 Neural Engine 6000
2.20
2017 970 Graphcore
3.
AI MACMultiplier and Accumulation CNN AI 3
- memory wall
- MAC AI
AI
1/
SIMD CNN
2 Inference /
AI / 32 16 / 8 4 2 1
3
4
Activation SKIP
5
process-in-memory ReRAM
04 Özet
AIAIAI AI
AICPUGPU AI
AI çip
