赛灵思姚颂：数字AI芯片进步趋缓，颠覆式创新难 | GTIC2020 智东西（公众号：zhidxcom）编辑

文章插图
智东西（公众号：zhidxcom）
编辑 | 信仪
GTIC 2020全球AI芯片创新峰会刚刚在北京圆满收官！在这场全天座无虚席、全网直播人数逾150万人次的高规格AI芯片产业峰会上， 19位产学界重磅嘉宾从不同维度分享了对中国AI芯片自主创新和应用落地的观察与预判。
在峰会下午场，赛灵思人工智能业务资深总监、前深鉴科技CEO姚颂发表了题为《AI芯片：新格局与新出路》的演讲。
文章插图
赛灵思人工智能业务资深总监姚颂
从两年前登台GTIC 2018峰会至今，姚颂经历了全球FPGA龙头赛灵思并购深鉴科技、AMD收购赛灵思两个大事件，此次以全新身份出席GTIC峰会的姚颂，不再作为一家创业公司的代表，因而从相对更为中立的角度输出对AI芯片行业的看法。
在姚颂看来，目前数字AI芯片进步趋缓，颠覆式创新难， AI芯片最重要解决的是宽带不足的问题，软件生态才是AI芯片的核心壁垒，他认为未来AI芯片行业最终将会形成“云端相对统一，终端相对垂直”的竞争格局。
以下为姚颂演讲实录整理：
一、 AI和芯片互相需要，算力仍有很大提升空间姚颂认为， AI和芯片紧密相连， AI需要芯片，芯片需要AI 。
从背景上来讲，例如反向传播等算法在上世纪80年代就已经出现了，现在的一些神经网络与上世纪90年代Yann LeCun教授做的手写数字识别几乎没有本质上的区别，由此可见很多算法在上世纪已经全部具备了。
直到最近几年，行业内才感觉到AI的爆发，才感觉到芯片有这么强的需求。 2012年以后，业内在算法方面看到突破，看到深度学习能够发挥很大的作用。
其中有一个原因在于，英伟达当时在2017年、2018年着力推进生态系统，搭了很多芯片，但芯片的性能并没有太多实质性的增长，这令英伟达有一段时间陷入低谷中。在这个过程中，英伟达更换了一位首席科学家，最终等到了春天。
有一个很明显的例子， 2012年谷歌的吴恩达和Jeff Dean做猫脸识别项目，用了1000台服务器、16核CPU ，同期ImageNet用更少的服务器完成了相同的事情。至此，人们开始充分把深度学习随着数据增长性能越来越好的特点发挥出来。
人工智能是将算法、数据和算力结合起来才有今天，而不是单独一点就可以推进的，因此如今人工智能的发展要感谢各种基础设施、网络、存储、计算等的进步。
另一方面，整个半导体行业的进展由新的应用驱动和引领。比如最开始的雷达，后来的大型机、小型机、Mobile ，现在的AI、IoT ，这些行业都有很大的新的应用需求，也因此需要做新的芯片满足这些行业的需求，这也引领了AI芯片的出现。
2012年Learning出现一些突破， 2014年旷视、商汤等公司成立，最近AI在很多领域都有突破，在人脸识别、自动驾驶等领域也有了非常多的应用，行业对芯片有了更大更新的需求，因此目前也有不少AI芯片出现。
文章插图
AI芯片在计算能力上还有很大的进步空间
从2012年到2020年，从AlexNet到最新的ImageNet ，过去8年里， AI芯片算法效率提升了44倍，同样实现90%的精确度，计算量只有原来的1/40 ，而计算性能需求却翻了几十万倍甚至数百万倍。以AlphaGo Zero举例，该算法用了1750亿个参数，有非常庞杂的神经网络，对算力的需求还需要非常多倍数的提升。
因此当前业界对AI芯片的算力需求还有很大的提升空间，绝不仅仅是现在看到很多公司出来做AI芯片，这个事情就结束了。
二、 AI芯片最需解决的是宽带问题紧接着，姚颂谈及对行业现状的看法。他说， AI芯片这个词用得特别泛， AI领域本身就特别宽泛，有一小部分才是机器学习，机器学习中的一小部分才是深度学习，深度学习天然切分为训练和推理两个阶段，其中有数不过来的各种神经网络。
一个AI芯片可以指代的东西有很多，因此这是一个很宽泛的概念，按稍严格的分类，它可以分成训练、推理两个阶段，以及云端、终端两个应用场景。大家目前基本不在终端做训练，因此终端的场景象限基本是空的。
文章插图
AI芯片分类：根据AI的阶段与应用场景