北大蔡一茂教授:解读AI芯片技术趋势,架构创新、新型存储与先进封装( 三 )


除了打造基于先进节点的嵌入式存储器外 , 另一技术方案是先进封装 。
像Flash这样的存储器不宜用先进节点 , 则可采用更成熟的节点 , 通过chiplet或者其他先进的封装技术 , 与拥有先进节点的芯片异构封装在一起 , 同样能提升性能 。 同时 , 先进封装是实现高带宽、高速数据交换的重要技术途径 。
如今在后摩尔时代 , 摩尔定律的内涵完全变了 , 不再严格按照最初的定义 , 而更多是基于集成电路综合性能的考量 , 通过异构分装、异质封装、三维器件、新材料等新兴技术的引入 , 让集成电路向多维度发展 , 实现等效的摩尔定律的延伸 。
从产业角度来讲 , 做芯片面临的挑战主要是性价比 , 同一功能的东西 , 如果性能提高一点 , 但随之整个系统或芯片价格明显提高时 , 市场会很难接受 。
04.感存算一体新趋势 , 让传感器先处理数据蔡一茂教授还提到一个新趋势——感存算一体 , 这可以被理解为存算一体与传感、模拟计算甚至神经拟态的结合 。
我们周围的物联网服务 , 很多不是0、1编码直接进来 , 可能是一些传感器信号包括视频信号、声音信号、压力信号以及生物信号等其他参量的信号 。
而且随着电子设备对外围环境感知的需求增大和更加精细 , 通常会需要多个传感器来采集数据 。
这些信号如果全部经过传感器往下传 , 传输编码过程存在带宽限制和能耗挑战 , 通常会导致性能和能效下降 。
但如果在传感器端就开始对感知到的信号做初步处理 , 这些经处理的数据再往后传 , 对后面系统的负担就小了很多 。
一个例子是索尼公司的方案 , 它在CIS芯片开始做感知那一段进行运算 , 这通常被称作“感存算” 。 拥有庞大数据量的自动驾驶场景对感存算一体也有需求 , 将来激光雷达或其他传感器端如果能先对数据做处理 , 则可以减少后端芯片的压力 。

北大蔡一茂教授:解读AI芯片技术趋势,架构创新、新型存储与先进封装

文章插图

▲北京大学集成电路学院
05.类脑芯片是有益补充 , 不会取代现有AI芯片除了新型存储器技术外 , 蔡一茂教授的团队也在进行类脑芯片关键技术的研究 。
类脑芯片同指受人脑架构和信息处理方式启发 , 引入生物神经计算方式 , 有望获得像人脑般的低功耗和强智能的信息记忆及处理功能 , 这也是AI芯片的一个前沿方向 。
从学术角度讲 , 蔡一茂教授提到国内外类脑计算差距并不大 , 各有优势和特色 。 国内科研团队有多篇文章发表在Nature等顶级学术期刊上 , 相关演示芯片的规模也足以与国外相匹敌 。
在产业上 , 类脑芯片在国内外尚未出现大规模商用 。 就连已被NASA采购的早期类脑芯片代表IBM TrueNorth芯片 , 迄今也未在民用方面实现大规模推广 。 目前类脑芯片已有多项应用演示 , 但要真正落到应用层 , 还面临基本器件、架构与算法等多层面的挑战 。
与AI常用的卷积神经网络(CNN)、深度神经网络(DNN)不同 , 类脑计算采用增加了时域信息处理的脉冲神经网络(SNN)或相关偏生物类的算法 , 以模拟人脑神经突触通过电脉冲传递信息的编码方式进行信息处理 。
SNN之于CNN是一个有益的补充 , 类脑芯片与传统深度学习AI芯片是齐头并进的关系 , 类脑芯片不会完全取代深度学习AI芯片 , 正如加速AI芯片也不能完全取代CPU和GPU 。
将来有些AI任务 , 比如涉及情感化、超低功耗、非结构数据处理等应用场景 , 可能需要人脑的启发来进行优化或者另辟蹊径 。 但是要满足这样的应用需求 , 不是一个单点任务 。 首先需要处理该任务时更具优势的算法 , 然后需要专门的类脑芯片来与算法紧密结合 , 如果没有一个算法来引导芯片怎么工作 , 则都是空中楼阁 。


特别声明:本站内容均来自网友提供或互联网,仅供参考,请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系,我们将在24小时内删除。