- 林育中
量子電腦已有商用機器。圖為IBM最新型的量子電腦IBM Q。IBM
人工智慧(AI)晶片的研發在半導體業界，有變成全民運動的趨勢，就連原先的用戶也將觸角伸進這領域，開始擴張到產品設計公司。
雲端人工智慧是四戰之地，這是目前這領域所有重要廠商都競相折腰的地方，包括雲端公司、整合元件廠(IDM)、晶圓代工廠、記憶體廠、設計公司甚至封裝廠—如果不是，你可以解釋為什麼記憶體公司要蓋封裝廠、買處理器公司嗎？
雲端人工智慧晶片主要是通用型的，大量數據的計算通常只是矩陣乘法的線性代數，例如GPU、TPU等。使用的場景要求高效能、大量記憶體空間、可擴充性。但是由於目前計算機的馮諾曼架構，計算能力與記憶體速度不匹配造成的DRAM wall，需要近記憶體計算(near memory computing)來緩解傳輸所造成的延遲和能耗，另外記憶體頻寬也需要拓寬，這就是HBM(High Bandwidth Memory)的驅動力之一。
近記憶體計算則是由封裝來實施，這也是為什麼HIR 2019(異構整合路線圖2019版)於第一章總覽之後，第二章即隨以HPC (High Performance Computing)為起頭的領導主題。這是目前整個半導體產業的核心利益，用來帶動技術的進展有足夠的支持動力，大陸新的半導體發展策略即是以人工智慧來驅動半導體發展。
邊緣計算目前的應用以行動與自駕車為大宗，應用的場景注重能耗、反應時間、體積、成本、隱私等問題。由於應用時可能有帶寬、時延和隱私等問題，邊緣計算比較偏重推論。未來功能進一步加強，也可能將所收集的數據在地訓練，減少數據傳輸的負擔。邊緣計算往往是終端系統的一個部分，與CPU、DSP等可能以異構的形式結合以對系統極大的優化，所以這也是異構整合技術的推動力之一。
以上兩種人工智慧晶片基本上以神經網路為基礎架構，能夠改進的包括演算法的優化、晶片設計架構的變更與週邊元件的整合架構等，但是這些改進受限於神經網路只是人類智慧極粗略的近似，所以目前從各方向著手的改善從大局看來只是漸進式的。兼之應用情境目前開拓的不夠廣濶，所以外界開始有人工智慧生產力悖論(AI productivity paradox)的質疑。嚴苛一點的，還談及另一波人工智慧冬天(AI winter)可能來臨。
對於這漸進式的發展現在有新半導體技術來持續實現其進展。可重構晶片(reconfigurable chip)可以用高階語言程式動態重構電子線路，所以兼具部分通用處理器的彈性、ASIC的效能、FPGA的可編程表現，但是線路重構的速度進展比當初的預期要好，巳進入幾十奈秒的範圍。
目前有些邊緣計算晶片已開始採用此一技術，譬如自駕車用晶片。這種架構對於整個人工智慧晶片的發展還引入一個嶄新的仿生元素—演化。可重構人工智慧晶片可以依其局部應用生態所收集的數據不斷的修正最佳線路，成為局部區域應用的最適者，這對於人工智慧晶片的發展是跳躍式的進展。
更直指仿生核心的是腦神經形態晶片(neuromorphic chip)。腦神經的基本組成由神經元(neuron)以及一連串的電、化學訊號傳遞機構包括軸穾(axon；負責長訊號距離傳送)、突觸(synapse)、樹突(dendrite)等構成，一個神經元平均有1,000個突軸連接其他神經元。腦的重要功能之一記憶就是由這些突觸的連結建立、強化、修整等以類比的方式來調控。
初期的神經形態晶片多以NVM來仿生，以記憶體單元當神經元，並且創造、記憶虛擬突觸。
現在以更接近突觸真正工作方式的憶阻器(memristor，可以記憶先前變化的電阻值)、甚或化學物品來模擬。一般神經形態晶片設計通常會配有一個腦神經研究團隊，以貼近對腦工作方式的高度仿真，也持續引入腦神經科學最新進展結果。這是人工智慧對於仿生這一條路的終極講究，雖然初步的結果已顯示腦神經形態晶片優秀的成積，但是這一方向的研究還路漫漫其修遠兮。
最後是量子計算。量子機器學習是預計短期內有機會被實施的應用之一。儘管真正有量子糾纏的量子計算機距離實用階段尚遠，但是對於人工智慧的部分工作—譬如極大化(optimization)，比較簡版的量子計算如量子退火爐(quantum annealer)、光子(photonics)晶片已有機會有所貢獻，而且這是較短期內就可以達成的，量子退火爐已有商用機器。
人工智慧要模仿人類心智的運作方式，而人類心智有沒有自由意志？這是一個長久以來爭辯不休的哲學問題，現在卻已有真實應用上的價值。如果在機械觀決定論的世界，人不可能有自由意志；但是在量子機率的世界，沒有事情是必然的，因而人類有自由意志的可能。這是量子計算可以提供給人工智慧的最後一塊重要拼圖！
發表文章
沒有留言:
張貼留言