人工智能在加速器等方面的应用

随着科技的发展，最近几年，人工智能越来越火，AI也在逐渐深入到各领域。

人工智能在云计算领域，阿里巴巴继亚马逊、谷歌之后，推出了自己的定制加速器。Facebook也参与其中，微软在Graphcore中持有大量股份。英特尔(Intel)和Mobileye在汽车领域拥有强大的边缘人工智能(AI)，而无线基础设施开发商正在为5G的小电池和基站增加AI功能。所有这些应用程序都依赖于大量灵活性和对未来的检验，以便在快速发展的环境中获得长期的相关性。

但是有许多应用程序，对于它们来说，功率、成本或透明的使用模型是更重要的度量标准。一个农业监视器在一个偏僻的地方，一个微波语音控制器，交通传感器分布在一个大城市。对于这些问题，一个通用的解决方案，甚至一个通用的AI解决方案，都可能是多余的。所以，一个特定的应用程序的AI功能将会更加引人注目。

在人工智能时代之前，你会立刻想到一个硬件加速器——它可以做任何它必须做的事情，但比在CPU上运行一个软件要快得多。这就是人工智能加速器的作用。它可能仍然是以软件驱动的，但与通用CPU方式不同。软件是在大型平台(如TensorFlow或Torch)上用Python开发的，然后通过多个步骤编译到目标加速器上。

这就是神奇之处。只要加速器保持在神经网络架构的一般范围内，它就可以像你希望的那样狂野。它可以支持多个卷积引擎，每个引擎又由SRAM作为一个整体来支持，同时还支持本地内存，以优化对操作的优先顺序的访问。

它可能支持专业功能池等常用操作。为了提高速度和性能，它通常会在不同的推理阶段支持不同的字宽，并在处理稀疏数组时支持专门的优化。这两个领域都是神经网络架构的创新热点，一些架构师甚至尝试使用单比特权值——如果一个权值只能是1或0，那么你就不需要在卷积和稀疏性增加中进行乘法运算了!

所有这些的挑战在于，当你想要致力于最终架构时，你会发现有太多的旋钮，以至于很难知道从哪里开始，或者你是否真正探索了全部的可能性空间。更加复杂的是，你需要在大范围的大型测试用例(大图像、语音样本等等)上测试和描述。

用C语言而不是RTL来运行大部分测试是常识，因为它比RTL运行速度快几个数量级，而且比RTL更容易调优。此外，神经网络算法可以通过高级合成(HLS)很好地映射，因此你的C模型可以不仅仅是一个模型，它还可以是生成RTL。你可以探索你正在考虑的选择的能力、性能和区域含义——多个卷积处理器、本地内存、字宽、广播更新。所有这些都具有快速的周转时间，允许你更充分地探索可能的优化范围。