AI科技评论：那是在哪一个节点稍微感觉有头绪了呢？
陈云霁：可能是2012年左右开始有一点感觉了。
AI科技评论：当时是取得了哪些突破、让你们感觉没那么茫然吗？
陈云霁：这个没有。我们不是坐在那突然灵光一现，都是慢慢摸索，有很多小的成功，最后汇成了一个大的突破。
在2014年以前，我们最大的挑战可能是，我们在做的这个研究在当时的学术界是不认可的，工业界是不关心的，然后做这个（深度学习处理器）也发不了论文、申不了项目。但是，我们相信自己的学术理想，所以最后能够坚持做下来。
其实世界上聪明的人很多，只要你看准了一个方向，能够坚持做起来，我觉得基本上都能够看到成果。
AI科技评论：2014年获得ASPLOS最佳论文后，你们的研究内容有变化吗？
陈云霁：2014年之后，我们还是在这方面继续做了一系列工作。比如，我们开发了国际上第一个深度学习处理器的指令集 Cambricon，发表在了ISCA 2016上（获得最高分）。我们获得国家自然科学奖的成果，有很多是从那篇文章（如下）体现出来的，因为它归纳了一些最基本的计算与访存知识。

文章插图

论文链接：https://max.book118.com/html/2019/0610/8003056114002027.shtm
AI科技评论：您在刚刚工作的时候就去做这种交叉研究，还是非常有勇气的。
陈云霁：是的，我现在想想也是挺无知无畏的。
我觉得当时最主要是有一个比较好的环境。坦率来说，现在国内学术界的青年科研人员的压力其实非常大，一会要评副高，一会要评正高，一会要评博导，在这么大的生存压力下，他们还有没有勇气去做一些国际主流学术界不认可的方向？反过来说，你想做一个国际上原创性的工作，那么在这个工作做出来之前，它一定是不被认可的。
去做一个全世界不认可的工作，然后通过自己的努力让这个工作被国际学术界认可，而且成为国际学术界的主流，这是最理想的情况。这条路的风险非常大，所以现在大部分青年科研人员只能屈从生存压力，在国际主流学术界已经认可的方向上做一些添砖加瓦的工作，比较容易发文章，评职称的风险会小一点。
但真正具有原创性的创新工作，往往是一个年轻博士在刚毕业时做出来的。比如，爱因斯坦提出狭义相对论的时候只有25岁。那现在我们25岁的人敢不敢去做这样的大问题？这是个问题。
不过人非圣贤，肯定都要考虑自己的实际生活。我觉得还有一种选择，就是青年科研人员能有一半的时间做国际主流的研究，再拿出一半的时间去做一些非共识的研究，能够平衡一下风险与收益。当时我们也是这样做的。
AI科技评论：您当时除了做深度学习处理器，还有做其他研究吗？
陈云霁：对。我从刚毕业到2012年评上研究员、博导之前，主要的工作是做龙芯的通用CPU。当时胡伟武老师让我担任龙芯3号的主架构师，做的是传统的芯片。所以我相当于大部分精力是花在了这上面。

文章插图

AI科技评论：如果当时是all in的话，可能也受不了。
陈云霁：对。我一个刚刚毕业的博士生，一篇论文发不了，就算计算所不会把我怎么样，我自己也会感觉不踏实。但是你不能说一个人等已经评上了教授，再去做真正原创性的创新。雷锋网
AI科技评论：您刚刚谈到冯诺依曼体系架构。上世纪90年代，国际上也曾经有过一阵研制神经网络计算机的热潮，现在的深度学习与神经网络处理器研究与当年相比有什么突破？解决了哪些当年无法解决的问题？
陈云霁：在上世纪90年代，不说国外，国内像李国杰院士、陈国良院士都做过这方面的工作。但当时最主要的问题是，他们那个时候能处理的神经网络规模很小，一般来说几层神经网络，1000个神经元。
在深度学习时代，我们要处理的神经网络是没有上限的，理论上可以达到几百层，几十亿个神经元，这就带来了一个质变：你怎么样用一个有限规模的硬件去处理一个无限规模的算法？这是上世纪90年代那些工作不一定能解决的。
AI科技评论：你们提出来的深度学习处理器可以解决多大的神经网络？
陈云霁：不受规模限制。雷锋网
AI科技评论：现在大模型预训练已经成为一种潮流，但由于对计算资源要求高、运行时间长、成本高，中小企业难以接受。您如何看这种趋势，您的研究是否可以补上中小企业AI研究的短板？

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( 四 )