清华大学教授魏少军：新型芯片架构需强化“软件定义”

8月16日，在英特尔2023中国学术峰会上，清华大学教授、国际欧亚科学院院士魏少军表示，未来人工智能技术需要从终端应用出发，以应用定义软件，再用软件来定义芯片，以满足各种人工智能终端设备的定制化需求，并提升算力的供给。

AI芯片要在通用的基础上更加“智能”

作为引领新一轮科技革命和产业变革的战略性技术，人工智能正加速发展，为数字经济社会的高质量发展提供了新动能。数字化新事物、新业态、新模式的不断涌现，推动了人工智能应用场景向多元化发展。在算力规模不断扩大、算力需求持续攀升的背景下，如何更加高效地配置、共享、调度并释放更多算力，成为人工智能发展的一个新的挑战。

魏少军表示，智能化发展已经取得了巨大进步，以谷歌为例，谷歌的智能玩家比人类专业玩家能力强10倍，智能唇语识别的精准度达93.4%，语音识别的错词率只有5.9%。“虽然，人们依旧难以完全了解人脑计算，但能基于现有的芯片和软件技术来构建类脑计算机，并实现成就，已实属不易。”魏少军说。

尽管，智能化发展已经取得了阶段性的进展，但人工智能依旧存在两个现实问题。第一，算法在不断演进，新算法层出不穷。第二，没有统一的算法，只能一种算法对应一种应用。深度学习需要一款“智能计算引擎”，既能具备各类应用的可编程能力，还具备计算和存储密集型功能以及实现数据从“云端”向“边缘端”迁移的能力。魏少军认为，这个“智能计算引擎”，便是如今人工智能领域万众期待的新芯片架构。

魏少军介绍，基于软件可编程性和硬件可编程性两方面，可以把AI芯片划分为四个维度。第一个维度是目前最通用的CPU、DSP等处理器，具有很强的软件可编程性，但硬件可编程性弱。第二个维度是ASIC、SoC等专用集成电路，此类芯片在运行过程中通常不需要软件，也意味着软件可编程性弱，但芯片一旦完成制作，硬件不可更改。此外，在芯片制程工艺进入纳米级后，高昂的成本使得具备多品种、小批量特点的专用集成电路难以维持。第三个维度是以FPGA、EPLD等为代表的可编程逻辑器件，在硬件编程方面具备高灵活性，但是软件可编程性弱，且成本高、价格贵。第四个维度便是如今业内追求的新型芯片架构，该架构既具备很强的软件可编程性，也具备很强的硬件可编程性。因此，魏少军认为，“通用”仍然是人工智能芯片的主流架构，然而此通用非彼通用，未来的通用人工智能芯片，需要在通用的基础上，变得更加“智能”，以满足各种各样终端应用的定制化需求。

实现智能，软件是核心芯片作支撑

若想让新的芯片架构变得更加“智能”，离不开软件的加持。

魏少军表示，如今，高性能计算机的计算能力已经进入到了E级时代。E级超算是指每秒可进行百亿亿次数学运算的超级计算机，是国际上高端信息技术创新和竞争的制高点，被全世界公认为“超级计算机界的一顶皇冠”。如今已经有企业实现了该技术，美国橡树岭国家实验室的新型超算“前沿”，是全球首台实现每秒浮点运算速度超过百亿亿次超算的超级计算机。

与此同时，人们对于更高算力的追求从未停滞。魏少军表示，到2024年，全球数据量将超过100ZB（1021），这也意味着业内对于计算能力的需求不仅限于E级，未来将很快达到Zetta级（数据量达到1021量级），且需求愈发迫切，但仅依靠现有的计算难以实现。例如，仅仅通过提升芯片工艺制程，难以实现Zetta量级的计算。“下一代超算处理器若达到Zetta级，即使使用尚未量产的3nm工艺，也会因为耗电量和投资额巨大而难以落地。”魏少军说。

此外， CPU、FPGA、GPU等现有的计算芯片也难以满足下一代计算的要求，这是由于，现有的计算芯片计算资源占比低，仅不到0.1%，技术资源利用率低，仅不到5%，但数据传输能耗高达90%。

因此，在强大算力需求的推动下，若想让芯片变得更通用、更智能，可以以应用定义软件，再用软件定义芯片，保证芯片在具备灵活性的同时，还能大幅提升效率。这不仅可以满足各种人工智能应用的定制化需求，也能有效增强算力供给。

魏少军表示，智能软件是实现智能的载体，应具备自我学习能力、形成知识和经验的能力、持续改进和优化的能力、再生和组织能力、思维逻辑推理的能力以及做出正确判断和决策的能力。智能芯片是计算的载体，需要具备高性能计算能力、多任务并行计算能力、足够的吞吐量、极高的能量效率、灵活高效的存储寻址功能以及实时动态功能变化能力。因此，软件和芯片是相辅相成的存在。

“实现智能的核心是软件，支撑智能的基础是芯片。”魏少军说。