【新智慧导论】传统集成电路设计耗时费力。人工智能能否提高工作效率？在今年的集成电路固态电路大会上，包括谷歌人工智能负责人杰夫·迪恩在内的四位行业领袖阐述了人工智能应用对处理器、量子计算、结构创新等领域的重大影响。“新知源急聘首席撰稿人、编辑、运营经理和客户经理。添加人力资源微信（Dr-wly）或扫描文章末尾的二维码了解更多信息。”

今年的集成固态电路会议（ISSCC）的主题是“集成电路驱动人工智能时代开幕全体会议旨在探讨人工智能在多大程度上“改变”了半导体领域。
 

谷歌人工智能负责人 Jeff Dean、联发科高级副总裁卢光宏、Imec 项目总监 Nadine Collaert 和 IBM 研究院总监 Dario Gil 分别阐述了电子领域对人工智能的期望和要求，例如如何推动专为人工智能应用设计的新型处理器（以及 CPU 和 GPU）；促进结构创新（例如小型芯片、多芯片封装、中介层）；甚至影响量子计算的发展。
 
布局和路径规划太耗时？Google AI 可帮助您降低成本并提高效率。
   
上周，ISSCC大会在旧金山举行。会议期间，谷歌表示人工智能与电路设计同等重要，并宣布谷歌正尝试利用机器学习来解决集成电路设计过程中的自动化布局和布线问题。并取得了良好的效果。  
近年来，人工智能的应用一直是电子领域的研究热点和关注焦点。这一方向吸引了大量半导体研究人员投身于传统方法与人工智能相结合的研究。尤其值得一提的是，今年的集成固态电路会议（ISSCC）甚至将会议主题定为：“利用集成电路推动人工智能新时代的到来开幕式还阐明了本次会议的宗旨，即探讨人工智能对半导体领域研究的影响。
开幕式上的四位演讲者解释了人工智能的需求如何推动新型人工智能专用处理器（与 CPU 和 GPU 相比）的设计，如何促进结构创新（例如使用小型芯片、多芯片封装或插件设计），甚至如何影响未来量子计算的发展。  
大会的第一位发言人是谷歌人工智能负责人杰夫·迪恩。杰夫·迪恩提到，谷歌正在进行以下方面的试验：利用机器学习在集成电路设计中执行布局布线任务也就是说，让人工智能学习集成电路的布局和布线，从而节省设计专家的人力劳动。      对比人类ASIC专家和低功耗机器学习加速芯片的布局布线结果。谷歌有意模糊了图像的部分内容。（来源：谷歌研究院/ISSCC）
杰夫·迪恩首先简要介绍了人工智能和机器学习的发展历程，然后讲解了机器如何学习下西洋双陆棋、深蓝如何下国际象棋以及AlphaGo如何擅长下围棋。如今，人工智能已经能够处理非常复杂的电子游戏（例如《星际争霸》），并取得“里程碑式的成果”。与此同时，机器学习也被广泛应用于医学影像领域。机器人学、计算机视觉、自动驾驶、神经科学、农业、天气预报及其他领域。  
  几十年来，推动计算机技术发展的基本理念一直是：问题越大，我们投入的计算能力就越多。处理能力越强，就能解决更大的问题。这条规则一度也适用于人工智能问题。然而，随着问题规模的爆炸式增长，这条规则很快就被打破了。因为我们根本无法腾出足够的CPU/GPU资源来解决如此庞大的问题。  
事实已经证明人工智能/机器学习不需要像传统CPU/GPU那样复杂的运算能力，所需的数学运算更简单，所需的精度也低得多。这一发现意味着专用的AI/ML加速器不必像CPU/GPU那样复杂。基于此，谷歌设计了TensorFlow加速器，并推出了第三代产品，第四代产品也即将发布。AI/ML处理器设计相对简单，因此成本也相对较低，所有这些都使得将机器学习进一步推向网络边缘变得更加容易。截至2019年，谷歌已经推出了一款非常紧凑的智能手机专用型号。  
目前所有基于人工智能的应用（自动驾驶、医学成像、游戏）都是通过训练专门的人工智能/机器学习系统来实现的。那么，人工智能能否将从一个系统中学到的知识应用到它从未见过的新系统中呢？答案很明确：“可以”。  
“我之所以提出这个问题，是因为我们开始考虑在 ASIC 设计中使用 AI 进行布局布线，”杰夫·迪恩说道。布局和路由比 Go 语言难得多：目标更加模糊，问题的规模也更大。谷歌创建了一个地点和路线学习模型，然后尝试进一步推广该工具。“到目前为止，我们所有的尝试都取得了非常好的结果，”杰夫·迪恩说。“它的性能略优于人类，有时甚至远胜于人类。”谷歌对比了使用机器学习进行布局布线与使用商业软件的有效性。测试电路包含多个不同的模块，其中包括一个 Ariane RISC-V CPU。（来源：谷歌研究院/ISSCC）
“更好”指的是在极短时间内完成布局和路径规划。这项任务通常需要人类设计专家花费一周甚至数周的时间才能完成。ML布局布线器通常可以在24小时内完成相同的工作量，而且布局布线通常更短。. 要了解 ML 布局布线器在自动布局布线方面的更出色性能，请参阅 Cadence 公司的 Rod Metcalfe 撰写的文章“EDA 中的机器学习加速设计周期”。  
Jeff Dean表示，机器学习还可以扩展到集成电路设计流程的其他环节，例如利用机器学习生成测试用例，从而更全面地验证ASIC设计；以及利用机器学习改进高级代码综合，以实现更优化的设计。这些潜在的应用方向对于机器学习本身的普及至关重要，对于加速集成电路设计的发展也同样重要。  
高成本、高功耗的CPU/GPU并非必需，边缘计算可以定制。
   
联发科高级副总裁兼首席战略官罗国雄指出，物联网设备将数百亿个事物连接在一起，但人工智能正在改变所有与互联网连接的事物。  
人工智能向边缘计算发展的部分原因正如迪恩在本节前面提到的那样，还有许多其他原因，包括：减轻数据中心日益增长的处理负担，并最大限度地减少网络流量以及那些需要近本地处理的实时应用。本地处理要求：速度快（必须专为人工智能计算设计）且功耗低。这些专为人工智能设计的处理器被称为人工智能处理器单元 (APU)。APU 的灵活性可能不如 CPU，但由于它是专用的，APU 的性能是 CPU 的 20 倍，功耗却比 CPU 低 55 倍。。  
协同设计多个系统是否困难？人工智能助您开启奇经八脉。
   
Imec项目总监Nadine Collaert指出，摩尔定律在未来几年可能仍然适用。尽管CMOS尺寸的缩小越来越困难，但FinFET、纳米片、叉状片等技术可用于进一步缩小芯片级CMOS的尺寸。人们普遍认为，3D技术是最佳方法，包括多层封装、硅通孔以及与其他标准单元的精细连接。具体技术的选择需要根据系统设计要求和可用器件属性来确定。“这将是一项复杂的工作，”Collaert说道。这将给EDA供应商带来巨大压力，因为这要求EDA供应商在工具层面支持不同解决方案的试验和比较。  
无线通信系统的前端模块将面临特殊的挑战。“通常，这些系统种类繁多：使用来自不同技术的多种不同组件，而且随着天线、功率放大器和滤波器的加入，前端模块会变得更加复杂。”无线通信行业正朝着更高频率和更高效率的方向发展。一种方案是将GaN和SiC等III-V族材料与CMOS工艺相结合，以充分发挥两种材料的优势。Nadine Collaert举例说明了在绝缘体上硅（SOI）衬底上生长的III-V族材料的三维纳米脊结构，同时指出这方面仍有许多工作要做。      Imec展示了其在绝缘体上硅（SOI）衬底上生长III-V族材料三维纳米脊的能力
至于机器学习对内存的影响，则更为显著。人工智能和机器学习等新兴应用需要快速访问内存。人们迫切需要关注并发展内存计算。随着逻辑和存储的日益融合，3D封装必将发挥重要作用。  
量子计算和人工智能可以相互促进、相辅相成。
   
 

IBM 研究总监达里奥·吉尔在会上进一步提到了通用人工智能：他总结道，几乎可以肯定的是，通用人工智能将在量子计算机上实现。最大的益处可能来自于比特（数字处理）、神经元（人工智能）和量子比特（量子计算）的互补使用。IBM 于 2016 年开放了第一台量子计算机的使用权限，现在拥有 15 台量子计算机的使用权限，其中包括其最新的 53 量子比特型号。

免责声明：本文转载自“新知源”。本文仅代表作者个人观点，不代表Sacco Micro及业界立场。转载分享仅为支持知识产权保护。转载请注明原出处及作者。如有侵权，请联系我们删除。

公司电话号码：+86-0755-83044319
传真：+86-0755-83975897
电子邮件：1615456225@qq.com
QQ：3518641314 李经理

QQ：332496225 邱经理

地址：深圳市龙华新区民治大道1079号展涛科技大厦C座809室