人工智能正在推動硅的復興

半導體是數(shù)字時代的基礎技術。它給硅谷起了個名字。它是過去半個世紀改變了社會各個方面的計算機革命的核心。

自從英特爾在1971年推出世界上第一個微處理器以來，計算能力的提高步伐令人嘆為觀止，而且不懈。根據摩爾定律，當今的計算機芯片比50年前的功能強大了數(shù)百萬倍。

然而，盡管數(shù)十年來處理能力飛速增長，但直到最近，計算機芯片的基本體系結構仍基本上保持靜態(tài)。在大多數(shù)情況下，硅的創(chuàng)新需要進一步使晶體管小型化，以便將更多晶體管壓縮到集成電路中。幾十年來，英特爾和AMD等公司通過可靠地提高CPU性能而取得了長足發(fā)展，克萊頓·克里斯滕森(Clayton Christensen)將其視為“持續(xù)創(chuàng)新”。

今天，這種情況正在以戲劇性的方式改變。AI迎來了半導體創(chuàng)新的新黃金時代。數(shù)十年來，機器學習的獨特需求和無限的機會第一次激發(fā)了企業(yè)家重新思考和重新思考芯片架構的最基本原則。在計算的大部分歷史中，主要的芯片體系結構一直是CPU或處理器。如今，CPU無處不在：它們?yōu)楣P記本電腦，移動設備和大多數(shù)數(shù)據中心供電。

1945年，傳奇的約翰·馮·諾伊曼(John von Neumann)設計了CPU的基本體系結構。值得注意的是，此后其設計基本上保持不變：今天生產的大多數(shù)計算機仍是馮·諾依曼機器。

CPU在用例中的優(yōu)勢是其靈活性的結果：CPU是通用計算機，能夠有效執(zhí)行軟件所需的任何計算。但是，盡管CPU的主要優(yōu)勢是多功能性，但是當今領先的AI技術需要非常特殊且密集的一組計算。

深度學習需要迭代執(zhí)行數(shù)百萬或數(shù)十億個相對簡單的乘法和加法步驟。在接地的線性代數(shù)，深學習是根本試錯誤基于：參數(shù)微調，矩陣相乘，和附圖被求和一遍一遍整個神經網絡作為模型逐漸本身優(yōu)化。

這種重復的，計算量大的工作流程對硬件體系結構具有一些重要意義。并行化(處理器能夠同時而不是一個接一個地執(zhí)行許多計算的能力)變得至關重要。與此相關的是，由于深度學習涉及大量數(shù)據的連續(xù)轉換，因此將芯片的內存和計算核心盡可能靠近地放置，可以通過減少數(shù)據移動來獲得巨大的速度和效率。