AI科技评论：据您了解，您的团队所提出的理论影响的设计芯片的公司有哪些？
陈云霁：引用我们的发现的单位非常多。我们这里有一个大概的统计，说现在全球有5大洲、30个国家/地区、200个机构在引用或跟踪我们的工作，其中接近一半是美国的机构，引用者包括15位中美院士和120余位ACM/IEEE Fellow。全球前一百的大学（QS排名）一大半在引用我们的工作，包括哈佛、斯坦福、麻省理工、普林斯顿等等。很多业界顶尖的芯片公司，包括英伟达、谷歌、华为、联发科、英特尔、三星、IBM、高通、微软、台积电、苹果、AMD等，都在引用我们项目的成果，开展相关研究。
所以深度学习领域最权威的教科书《Deep Learning》（又称「花书」），由图灵奖获得者Yoshua Bengio所著，也引用了我们的工作。
我记得有位院士说过，做科研就两个目标，一个是进教科书，一个是进货架。能实现哪一个都是很好的。对我们计算所来说，我们最期望的事情是进教科书里。过去我们基础理论的工作能够进教科书的还是不多的。
AI科技评论：所以您是更关注它在学术上的突破对吗？
陈云霁：对。学术的突破也会受到我们国际同行企业的关注。举个例子，光英伟达就引用了我们的工作超过50次，英伟达的首席科学家 Bill Dally 在他的一些核心研究中也多次引用我们的工作，而且明确地指出他们的方法跟我们之前的工作类似。包括谷歌做的第一篇深度学习处理器论文，里面的作者有一位图灵奖得主和三位美国工程院院士，也引用了我们这个项目里的多个成果。
AI科技评论：您在深度学习处理器上的研究是否主要分为体系架构设计阶段与理论完善阶段？还是有其他分法？
陈云霁：应该不是这样划分。我们从2007年、2008年开始，就是将理论与实践紧密结合。中科大的校训就是「理实交融」。一方面， 我要设计一个具体的芯片，但另一方面，我们也要找出芯片背后的规律是什么。
就拿冯诺依曼体系结构来说。它是怎么出来的呢？是美国造了第一台通用计算机，叫「伊尼亚克」（ENIAC）。设计ENIAC的两个工程师，一个叫John Mauchly，一个叫Presper Eckert。造ENIAC的人当然有很多宝贵的经验，但也有很多地方没想清楚，所以在初步建成ENIAC后，他们就请了冯·诺依曼来当顾问。

文章插图

图注：第一台通用计算机ENIAC
冯·诺依曼仔细分析了这台机器的优劣之处，然后提出了冯诺依曼架构，在此之后，我们造计算机都按照冯诺依曼机构来。所以从某种意义上说，没有ENIAC，就没有冯诺依曼架构。但如果没有冯诺依曼架构，不做理论突破，只照着当年的ENIAC，就没有现在的计算机，因为当时的ENIAC有很多问题。
我举个例子。如果你想听歌，听完歌后看电影，换个App就行，不需要将手机拆开、电路板拆开重组。但那个时候的ENIAC不是这样的。你想让它干别的事，得把机器里面的电线管子拔来插去，弄半天才能换个任务。然后冯·诺依曼总结了ENIAC的得失，进行了科学探索，形成了冯·诺依曼架构，才形成了我们现在计算机的最基本范式。
AI科技评论：所以从2008年开始，你们就是理论与实践双管齐下。
陈云霁：对，我们一直都是这样。理论与实践要相互印证。我记得毛主席的实践论里面就谈到，认识的第一次飞跃是从感性认识到理性认识，然后第二次飞跃再从理性回到实践中，如此螺旋交替上升。理论与实践是密不可分的。
AI科技评论：您会怎样划分您在深度学习处理器上的研究内容？
陈云霁：这十多年来，我们其实就干了两件事，一个是开发深度学习处理器来帮助人工智能处理，另一个是用人工智能来帮助芯片设计。
现在这个问题（用人工智能帮助芯片设计）也很热门。比如，我们在设计一个具体的芯片时，里面有很多参数，我们不知道哪一个选择是最好的，就可以用人工智能方法帮我们挑出来。还有布局、布线问题。现在谷歌也在用人工智能去做芯片的布局与布线（Placement & Routing）。一个芯片里有几十亿甚至上百亿个晶体管，要用线将它们连接起来，那么某个晶体管应该放在什么地方？它们之间怎么连线？这是一个非常复杂的问题，全靠人工去做不太现实。
AI科技评论：你们的一个标志性工作在2014年拿了ASPLOS最佳论文奖，所以从2008年到2014年间主要是做了这两件事对吗？
陈云霁：是的。这个过程其实非常痛苦，挑战性也比较大。在当时，我们做人工智能和芯片设计的交叉研究，就像在一个迷雾森林里，不知道东西南北，甚至不知道有没有出口，很茫然。当我们告诉大家我们做了一个深度学习处理器的时候，其实最艰难的地方已经过去了。最难的时候，我们甚至不知道自己在干什么，只知道想把人工智能与芯片设计结合起来，那结合起来到底会产生什么？我们不知道。

稿源：(雷峰网)

【傻大方】网址：/c/1123a25W2021.html

标题：对话陈云霁：深度学习处理器之外，用人工智能指导芯片设计也渐成趋势|独家 | 陈天石( 三 )