人工智能的过去、现在和未来

Ty Garibay

（Arteris IP公司CTO）

　　人工智能（AI）如今已成为新闻界的热门话题。人工智能大量地用于医学诊断、合成新的化学物质、在人群中识别罪犯的面孔、驾驶汽车，甚至用于创作新的艺术作品。有时看起来似乎没有什么事情人工智能做不到，我们将很快不用工作，只需要看著人工智能替我们把一切事情做了。

为著了解人工智能技术的起源，这篇博文介绍了这门技术是如何发展到今天的，讨论了人工智能芯片的现状，以及这门技术还需要做些什麽，以促成高级驾驶辅助系统（ADAS）和自驾汽车，从而对我们的日常生活产生真正的影响。我们先从人工智能历史的先河开始吧，随着人工智能的发展，出现了更加专门的技术，人们称之为机器学习，它是通过实际的学习而不是依靠程序作出决策。同样地，机器学习为深度学习奠定了基础。深度学习利用多层算法来深度理解数据的含意。

图1 　人工智能（AI）导致机器学习，机器学习又演变成为深度学习（图片来源：NVIDIA）

人工智能技术的起源

          “人工智能”这个术语是John McCarthy、Claude Shannon和Marvin Minsky三位科学家于1956在达特茅斯会议上提出来的。在上个世纪五十年代末，Arthur Samuel为一个游戏程序创造了“机器学习”这个术语，这个游戏程序能够从错误中学习，学会玩棋盘游戏，甚至比编写程序的人玩得更好。在这个时期，计算机技术飞速发展，令人乐观的环境使得研究人员相信人工智能的问题会在短时间内“解决”。科学家们研究了基于人脑功能的计算是否能解决现实生活的问题，提出了“神经网络”的概念。在1970，Marvin Minsky告诉《生活》杂志，“再过三年到八年，将会出现一种具有普通人类一般智力的机器。”

到了二十世纪八十年代，人工智能走出了研究实验室，进入商业化，引发了投资狂潮。当人工智能技术的泡沫在八十年末破裂时，人工智能回到了研究领域，科学家们继续开发其潜力。行业观察家把人工智能称作超前于时代的技术，或者说是明天的技术……明天复明天，不知道何时到头。经过一个漫长的停顿，人们称之为“人工智能的严冬”，紧接著月是再次拉开商业开发的帷幕。

图2　人工智能发展的历史（图片来源：https://i2.wp.com/sitn.hms.harvard.edu/wp-content/uploads/2017/08/Anyoha-SITN-Figure-2-AI-timeline-2.jpg）    

在1986年，Geoffrey Hinton和他的同事发表了一篇里程碑式的论文，其中描述了一种称作“反向传播”的算法，介绍了如何用它显著地提高多层或“深度”神经网络的性能。1989，贝尔实验室的Yann LeCun和其他研究人员提出能够识别手写邮政编码的神经网络，展示了新技术在现实世界中的重要应用。他们只用了三天的时间来训练深度学习卷积神经网络（美国有线电视新闻网）。很快就到2009年，斯坦福大学的Rajat Raina、Anand Madhavan和Andrew Ng发表了一篇关于现代GPU的计算能力如何远远超过用于深度学习的多核CPU的论文。人工智能的欢乐派对已经淮备再次登场了。

寻找真正的人工智能芯片        

 为什么我们现在经常听到人工智能？关键的因素为这项技术的巨大进步奠定了基础，许多人相信它能够解决越来越多现实世界的问题。随着当今互联网提供的基础设施，全球的研究人员可以利用计算能力、大规模数据和高速通信来创造新的算法和解决方案。例如，汽车行业已经表明自己愿意提供研发经费用于人工智能技术，因为机器学习具有处理自动驾驶这样的高度复杂任务的潜力。

在人工智能芯片设计中，一个关键的挑战是把它们所有的功能集成在一起。我们在这里讨论的是非常大的定制片上系统（SOC），里面使用了许多类型的硬件加速器来实现深度学习。设计人工智能芯片是非常困难的事情，特别是考虑到汽车工业对安全性和可靠性的严格要求，但是人工智能芯片仍然只是芯片，也许在处理、存储器、I/O和互连技术方面有一些新的解决办法。像谷歌和特斯拉这样的芯片设计新玩家，以及AIMotive和地平线等人工智能芯片新锐，他们对深度学习计算的复杂性有深刻的了解，但是在研製这些最先进的系统级芯片时，他们可能面临严峻的挑战。为著确保行业中所有这些新的公司能够尽快设计出具有这些功能的硅芯片，可配置互连IP可以起到关键的作用。

图3　谷歌的张量处理单元（TPU）中的人工智能芯片的解剖图。    

         以针对汽车前摄像头设计的人工智能芯片的深度学习加速器做例子，它分析视觉图像，检测路边物体并将它们分类。每个人工智能芯片具有独特的存储器访问方式，以确保最大带宽。片上互连中的数据流必须优化，以便满足性能目标，同时确保需要的宽带宽路径，但在可能的情况下分配窄带路径以优化面积、成本和功耗。每一个连接也必须用更高层次的人工智能算法来优化。为了让它更引人入胜，每天都有新的人工智能算法出现。在某些方面，今天的深度学习芯片就像香蕉，没有人想要烂香蕉，或者说没有人要在他们的芯片上使用旧的算法。对这些前沿产品来说，上市时间比许多其他半导体产品更加重要。

人工智能的未来 

        虽然深度学习和神经网络迅速地推动著人工智能技术的发展，仍然有许多研究者认为，如果要满足人工智能的最奇妙的目标，仍然需要提出从根本上讲是新的和不同的方法。大多数人工智能芯片的设计是为了实现LeCun和Hinton等人在过去十多年中发表的相同想法的改进版本，但是没有理由指望，沿着这条道路走下去，即使出现指数般的进展，会导致人工智能像人类那样进行思考。正如我们今天所知道的，人工智能不能把针对一个任务经过如此巨大的努力获得的深度学习功能，应用于完成一个新的、不同的任务。此外，神经网络并没有一种很好的方法纳入先前的知识，或者纳入像“升的对应词是降”，或者“孩子们都有父母”这样的规则。最后，基于神经网络的人工智能需要大量的例子来学习，对人类来说，只要我们曾经有过一次触摸灼热炉子的难忘经历，以后不用触摸灼热的炉子我们就知道它是热的，目前我们还不能完全掌握如何将当前的人工智能技术应用到没有巨大数据集的应用。      

        以人类作为标淮，人工智能芯片目前还远远不够智能，但它们确实是聪明的，而且很有可能在不久的将来，它们会变得更加聪明。这些芯片将继续利用半导体处理技术、计算机体系结构和系统级芯片设计的进步，来提高处理能力，从而实现下一代人工智能算法。同时，新的人工智能芯片继续需要先进的存储器系统和片上互连架构，为新的专用硬件加速器与深度学习提供它们所需要的源源不断的数据流。

        Ty Garibay先生是Arteris IP公司技术总监，他在摩托罗拉、Cyrix、SGI和Algimy半导体等公司任职期间，担任架构和设计方面的领导，在微处理器和系统级芯片（SoC）架构和技术的发展中起着关键的作用。他曾管理ARM公司的奥斯丁设计中心，德克萨斯仪器公司的OMAP应用处理器组的ARM内核开发和IC工程。在加入Arteris IP公司之前，Ty Garibay先生是Altera的IC工程副总裁，后来在英特尔的可编程解决方案组中领导FPGA的设计。Ty Garibay先生是34项专利的发明人或者共同发明人，他曾在各种技术刊物和会议上发表许多论文。