人工智能的风险和困惑

人工智能的风险和困惑 人工智能也存在一定的风险，这取决于应用程序和精确度。

过去，电子系统的设计是建立在完全可预测性的逻辑之上的，其中大部分是硬连线。人工智能用可接受行为的分布代替了计算精度，人们也在会议上讨论这对芯片设计意味着什么。目前尚不清楚的是，现有工具或方法提供的置信度能否满足设备需求，特别是在系统遭到破坏或退化的情况下，检测任何异常行为的速度如何。

对于如何应用人工智能，人们也有一定困惑。有专门为人工智能设计的芯片，以及一些不是专门为 AI 开发但可用于 AI 的芯片，对这些芯片进行修改和叠加后，就能更有效地利用人工智能。

总的来说，这符合人工智能的主题，全行业都在争相以相同或更低功率来提升性能。根据摩尔定律，在 16/14 纳米工艺后，每个节点的能耗和性能的提高比例都下降到 20%，因此，大家都在寻找替代或补充的新方法。

对于针对 AI 训练或推理的芯片，或者芯片中发挥 AI 能力的处理器和加速器，人们的普遍共识是，不同量级的程序指令可能使用不同的芯片架构。但它不适用于所有情况，还有一些变量，比如训练数据的大小和价值，它们可能会使 AI 在某些应用程序中失效，而在其他情况下，性能提升 100 倍甚至被认为过于保守。

这就是人们要花很长时间才能把一些新架构推向市场的原因。随着芯片行业初见端倪，人们也在进行大量的架构探索和实验。

「应用程序和算法都面临挑战，处理器和内存芯片也面临挑战。」Synopsy 的战略营销经理 Ron Lowman 说：

「这使得对 AI 架构的探索变得更加重要，这也是 CCIX（缓存一致性互联加速器）变得如此流行的原因之一。探索新架构的客户越来越多。每个人都在尝试建立人脑仿生的新架构。

除此之外，有一些新的非易失性存储器技术正在开发中。还有一种趋势是，将更小的处理器置于较小的存储器旁边，有时，这种处理器会与针对不同数据类型、定制的新型加速器相关联。另外，还有很多关于数据压缩和量化的工作。

「人们正在研究从 32 位浮点数到 8 位浮点数，」Lowman 说，「现在的问题是，你是否能精确到单比特量化。」

量化涉及到将一大组输入值映射到一小组输出值，最大的问题是，什么是可接受的精度损失。

理论上，有了足够传感器或数据输入，就可将错误率的影响降到最低，但这非常依赖于应用程序。

沿着这些思路的另一种方法涉及到源代码同步，特别是针对数据中心的 AI 芯片，促使芯片的网络拓扑结构发生变化。网络中的所有目标都是接收相同的数据，较之广播，使用多播方法能更好地针对性使用数据。

「通过多播，可以向多个目的地发送一封邮件。」Arteris IP 的营销副总裁 Kurt Shuler 说，「它通常被用来做权重。好处是，你可以更好地利用片上网络带宽，因此路上的车也越来越少了。

AI 芯片有一个问题：它们往往非常大。「最大的问题是时钟树，」Shuler 说，「这需要同步通信，异步处理通信会占用很多空间。另外，大型芯片更容易出现路由堵塞。解决这个问题的方法是创建虚拟通道连接，减少线路数量并通过一组线路共享通信。这就需要通过仲裁来匹配数据流。」


　　　　　　　　　　　　　 查看评论 回复