3月9日，由智东西主办，极果和AWE联合举办的中国首场AI芯片峰会在上海浦东成功举办。本次大会共吸引近万名观众参加，到场人数比预计翻了3倍。即使是下午场，依然爆满，有的观众宁愿站着也要听完全场。在大会现场，近40位人工智能及AI芯片业界翘楚共聚一堂，系统地探讨了AI芯片在2018年的技术前景和产业趋势。

作为GTIC 2018大会的开场主旨演讲嘉宾、AI芯片学术圈的代表人物，清华大学微纳电子系主任、微电子所所长魏少军教授发表了主题为《AI芯片发展需要应用和架构创新双轮驱动》的演讲，从四大角度剖析了当今AI芯片所面临的挑战、可能的解法、对AI应用与芯片架构的思考等，并分享了清华微电子所打造的Thinker系列AI芯片的历程。

以下为魏少军教授演讲的要点精析，文后将附上魏少军教授演讲全文速记+PPT。

一、应用和架构创新是AI芯片的必经之路

目前，AI芯片发展面临着两个现实的问题：一是人工智能新算法层出不穷、尚未固定；二是现在一个算法对应一个应用，没有一个算法能够覆盖所有应用，也没有出现一个杀手级的AI应用。因此相对应的，我们现在打造AI芯片也需要解决两大要素，第一要这款芯片要适应算法的演进，第二要做一个创新的芯片架构，使其能够适应所有的应用。

沿循着打造AI芯片的两大要素思考下来，一种新型的芯片技术被推到了聚光灯下——“软件定义芯片”，也称可重构计算。魏少军老师带领的清华微电子所团队在10年前就已经开展了这方面的研究。

“软件定义芯片”顾名思义就是让芯片根据软件进行适应与调整，这是一项专用芯片架构设计上的创新，简单来说就是将软件通过不同的管道输送到硬件中来执行功能，使得芯片能够实时地根据软件/产品的需求改变功能，实现更加灵活的芯片设计。硬件跟着软件不断变化，既能适应算法的演进，又能适应多个不同应用。

去年的时候，由美国国防部先进计划署（DARPA）推动的电子产业振兴计划（ERI）针对后摩尔定律（post-Moore’s-law）时代的新材料、架构与设计流程，其中一个课题就是软件定义硬件（software define hardware）。

二、打造超低功耗AI芯片Thinker系列

前年，一个偶然的机会，依照可重构计算芯片的框架，魏少军教授团队中的尹首一副教授带队设计研发了一款代号为Thinker 1的可重构混合神经网络计算芯片。这款芯片不仅可以动态地调整计算和内存需求，使得芯片能够支持人脸识别和语音识别的神经网络应用，而且芯片的功耗非常小。

清华大学微电子所提供的Thinker芯片的显微照片

Thinker 1不仅在AI性能与算法通用性上取得了突破性的进展，还获得了学术界的重要认可，在2017 ACM/IEEE ISLPED国际低功耗电子学与设计会议上，Thinker1获得了设计竞赛奖，这是中国大陆单位首次以第一完成单位获得此奖项。

Thinker 1是一块实验性质的验证芯片，随后，可重构计算团队又打造了两款Thinker系列芯片，分别为Thinker 2人脸识别芯片，能够做到超低功耗的6ms人脸识别；以及Thinker S语音识别芯片功耗则更低，只有0.3毫瓦。这系列芯片在国际上广受好评，获得了众多奖项。

三、AI芯片2-3年内出现先烈

在演讲的最后，魏少军教授分享了几项总结与思考：

1、应用领域的确立是AI领域的确立前提，但是AI的杀手级应用还没有出现，因此AI发展有很长的路要走。

2、未来能否出现像通用CPU这样独立存在的通用AI处理器？如果存在的话，它的架构是什么样，如果不存在，如今的AI芯片公司又该何去何从？

3、2到3年内，AI芯片行业将会碰到一个低潮，今天的一部分、甚至大部分的创业者成为技术变革的先烈。

附：以下为魏少军教授演讲《AI芯片发展需要应用和架构创新双轮驱动》全文速记

魏少军：大家上午好，感谢主办方给我个机会介绍我们的工作。主持人说我们是做人工智能芯片，错了，我是做芯片设计的，研究芯片的设计和理论。两年前我们用前些年的研究成果尝试做了一些AI芯片，结果效果不错。后来我们在国际上连续发表了一些有影响力的论文，有些结果被一些引用，突然发现我自己成了AI芯片的专家，其实不是。今天我跟大家做一些沟通，主要希望提出一些可能跟在座的大佬们不太一样的观点，供大家批判和产生共鸣。我观点中如果有冒犯在座各位，请大家务必原谅。既然是双轮驱动，那就不是一个事情，我们今天谈四个方面的内容。

一、集成电路芯片是实现人工智能的当然载体。AI其实在50年代出现过，经过30年的发展后转移到机器学习、再经过30年发展到了深度学习。现在看深度学习是人工智能的主要内容，但其实深度学习只是人工智能一个窄面，之所以深度学习作为了主要内容，一个原因就是前年和去年AlphaGo下棋赢了人类高手。而在这个标志事件之前，早在2011年就进行过一个游戏比赛，其实比AlphaGo更有代表性，当然可能不一定大家同意我的观点。（2011年，IBM公司的Watson计算机参加综艺节目危险边缘Jeopardy，前两轮与对手打平，而在最后一轮中，Watson打败了最高奖金得主布拉德·鲁特尔和连胜纪录保持者肯·詹宁斯。）我们仔细分析两者的比赛的过程，大家会发现，（这场比赛）高于AlphaGo，只是它不够时尚而已。

中文有时候比较宽泛一些，“智能”包含“智慧”和“能力”，我们多数智慧的东西不是能力。人工智能这个词有问题，不清楚，英文叫人工智能（Artificial Intelligence），不讲人工智能两者结合在一起。

既然人工智能芯片如此重要，那么怎么实现它？这里面我可能跟在场的嘉宾观点不太一样。我们先说AI面临两个现实的问题：第一、算法仍在不断演进，新算法层出不穷；第二、一种算法对应一种应用，没有统一的算法。（对于芯片来说）你希望找到一个架构能够适应所有算法，而不是一个应用做一个芯片。

现在的应用复杂程度不一样，但无一例外都使用的是一个专用的神经网络，在这样的情况，我们需要在芯片当中实现一个具备深度学习能力的引擎。我们今天的深度学习需要的计算量和参数量是非常大的数字。以前我们很少的运算量就可以完成一些小工作，参数有10万个就很多了；但是到了2017年，我们做到17层的神经网络做每秒196亿次的运算，有1.38亿个参数。我们需要一个好的计算引擎，没有好的计算引擎我们完成不了这些运算工作。

二、在这个情况下，我们看看AI芯片需要什么样的计算要素？它第一要适应算法的演进，第二我们要做一个架构适应所有的应用，就是架构的可变性，高效的架构变换能力。此外我们还要关注计算量和计算能效。计算能效要求是多少？大概每瓦10 Tflops，即每秒完成10万亿次的运算。并且某些应用功耗需要低于1mW，有些应用需要识别速度大于25fps、而且芯片体积小，达到低成本进入家电和消费电子，配在装备上，同时开发需要简易，一个人开发芯片设计难度很大。因此，我们需要探索架构上的创新。

接着我们谈到，应用和架构创新是发展应用创新的必由之路。

今天的AI应用涵盖了所有方面，无行业不AI，包括人脸识别、语音识别、机器翻译等等。我们看到屏幕上已经做到了即时的传译、无人驾驶、智能陪伴、能源、农业、或者生产，似乎AI涵盖了我们生活各个方面，这是给我们一个很重要的印象。但是我想问几个问题：哪些应用需要 AI？我们希望AI帮忙解决什么问题？什么是AI的“杀手级”应用？什么样的AI应用是我们每天都需要的？……我觉得这些问题到今天为止都没有答案，有些东西好像是AI，但是实际上并不是AI。

我给大家说一个笑话，今年是我本命年，我想买一条红围巾。我在网上搜了一下没买，然后在我的手机上的各种文件中不断出现红围巾的广告，让我感觉非常烦。它具备AI的性能，但是这个AI不是我需要的帮助。回想几年以前，（你在）买一个台灯之后，网页上就不断出现台灯的广告，今天的AI还没有达到我们所需要的程度。

三、应用和架构创新是发展人工智能芯片的必由之路。做应用确实很难。我们做芯片的人一直想架构是什么，架构创新很重要，从感知、传输到中间的处理，一直到后面的传输和执行，都不开的基本架构。反之大家知道这是一个感测器，通过执行器，传输中间有很发散的网络，基本的逻辑在这里。

智慧处理的根本架构是什么？我们不知道。因为我们不知道人怎么想问题，大概是什么样的结构，只能按照系统、软件、处理器、存储这么来模仿。毫无疑问我们碰到的都是多输入、多输出的系统、多任务、高度并行化的运行系统，

听着很有道理，但是我通过一个简单人类处理事情的流程举例，我们碰到一个事情，这个事情很多特征，比如我第一个看到这个人，我看看他长什么样子，我认识不认识他？我不认识他、没见过他怎么办，我要认识一下。我们握手交换一下名片，看你是在哪个单位、什么地方、加深一下印象。

也有可能我们第一次见过，没有交换名片，我们认识的时候就知道又见面了。在这个过程我们不断重复这个内容，有可能在中间出现偏差我不认识他，我要认识这个人，就需要把我的知识重新提升一下，这个不断重复的过程涉及大量内容，需要大量计算。

计算无处不在，计算本身是我们架构基本前提，没有好的计算量不要提，GPU因为有很好的计算量，别人赶不上它。但是由于计算非常丰富，我们不知道人脑怎么完全计算，因此我们只好通过这种我们知道的方式，构建一个所谓能够具备智慧处理能力的芯片，一个是智能的软件和硬件。

因此我们希望在这种情况下，硬件可以跟着软件不断变化，也就是所谓“软件定义芯片”的概念。（如果你说）芯片不能被软件定义，那你是做不好。这个概念我们在10年提出来了，但是阳春白雪，知道的人不多。由美国国防部先进计划署（DARPA）推动的电子产业振兴计划（ERI）针对后摩尔定律（post-Moore’s-law）时代的新材料、架构与设计流程，在科技领域寻求突破，每一个方向上设置2个课题，去年其中一个课题就是软件定义硬件（software define hardware）的概念，我把它中间一段话摘出来：打造可实时重新配置的软件和硬件，使其具备ASIC的性能表现，但不必在数据密集计算中牺牲可编程性。也就是说让硬件的功能和架构跟着软件实时变化，而所谓的实时所谓的即时指的是运行300~1000纳秒内。我只能笑一笑，这个工作我们10年前就已经在做，走在美国同行的前面。

大家说，软件定义芯片也没有很奇怪，FPGA早就可以做了。其实FPGA也不行。第一就是细粒度，由于要实现比特级的运算，运算颗粒度必须为细粒度。FPGA颗粒度是细力度，所以配置信息量非常大，需要几兆到十几兆字节，需要十几毫秒甚至更长时间。同时一旦配置完毕，不可更改。如果要改变FPGA的功能，只能下电或在线重新载入配置信息。FPGA的芯片面积效率很低，只有5%，千万面积的FPGA实现几十万，能量效率很低，而且功耗很大。同时FPGA需要非常先进的工艺，且需对工艺进行特别调整，应用者还必须具备电路设计知识和经验。最后就是FPGA成本非常高。

FPGA可以用来做一个简单的验证系统，但是实用系统？对不起恐怕很难，所以我们说FPGA无法承担软件定义芯片（Software defines Chip，SdC）的任务。那么什么样的系统可以完成SdC？

我们从架构上去考虑，如果我们像右边这样，给出一个和软件完全一致的硬件结构，没有考虑硬件本身的开销，这样的计算效率一定是最高，毋庸置疑。可软件可以无穷大，硬件总是有边界的。

但如果我们把软件分成若干块，一块一块搬过去，第一块运行完了以后，执行第二个模块，然后第三个模块搬过去，回来计算第四个、第五个、第六完成这样。这要求我们的硬件结构和功能必须是动态的，随时可以改变的。这就是软件定义芯片的基本概念。

至于工作难点则是怎么很快的实现它？我们过去10年当中的努力就是解决这个问题，图里的计算架构是非常经典的架构，我们可以看到这两者一个是所谓控制单元划分的内容，逐步送进去执行，要求根据要求配置计算单位并且完成执行。

问题是，要出现完全可重构的数据通道和可完成变成的控制单位，这样做到可变化的。这与传统结构是有差别，我们拿经典的计算模式做了一个比较，它是弓形的，可传播计算是函性的。经典架构当中，软件硬件不变，而在我们现在的架构当中，硬件和软件都在做动态的选择性的改变，经典架构用高度复用的方式，降低它的成本，而在我们这边是冗余应用。

至于我们是不是改变的计算模式，很遗憾告诉大家，我们还是在冯诺伊曼架构当中。有些人我说我们改变了模式，我做出了新型的计算架构，其实我说，你没有弄明白。

在这样的架构之下，我们实现AI芯片的时候，可以把硬件按照AI的算法来不停的变换，以达到最佳的计算效率，大家可以看到最下面这块，我们从AI的应用定义采用深度神经网络，再来决定硬件的功能，这样的结构我们认为是一个最佳的方式。（两年前）我们在无意当中决定尝试一下，构建一个AI芯片叫做“思考者（Thinker）”。

大家可以看到左边有一个阵列，有两种PE，一种是通用的，一个是超级的，代表不同的计算内容，包括卷积的计算，还有全理解的计算，还有池化等等。通过定义的方式，这块芯片把每个PE方式进行随时定义，再传输到往来网络运算/我们还可以把阵列上的众多的PE，通过定义的方式不断滴改变不同的层面的计算内容，也可以大大提升系统的能效。

在过去2、3年当中，我们（延循着软件定义芯片的技术）做出了AI芯片，在去年的ACM上做了相关的介绍，Thinker S也在MIT得到了很好的报道。Thinker 2做人脸识别的只需要6个毫秒，功耗极低，Thinker S的功耗则只有0.3个毫瓦。这块芯片获得了很多专利、（发表了）很多的论文、并且得到多个奖项。

我把跟AI的相关的内容都用红线画出来了，基本在曲线的第一个风波上。我们现在的AI太热了，有时媒体也起了不太好的作用。

最后，我想总结一下，提几个问题：1、应用领域的确立是AI领域的确立前提，但是AI的杀手级应用还没有出现，因此我们说AI的发展有很长的路要走。2、能否出现像通用CPU这样独立存在的通用AI处理器？如果存在的话，它的架构是什么样，如果不存在，我们今天的已满足特定应用的芯片恐怕只能做IP核了，我们AI公司何去何从呢？这些问题留个企业家们思考。可能大家不同意我的观点，但是2到3年内（AI芯片行业）一定会碰到一个低潮，今天的一部分、甚至大部分的创业者成为技术变革的先烈。对不起。（观众笑）但是毫无疑问，这将是AI芯片发展中，最令人钦佩、也最令人动容的伟大事件。谢谢大家！