- 最後登錄
- 2024-1-13
- 在線時間
- 0 小時
- 註冊時間
- 2007-9-11
- 閱讀權限
- 30
- 精華
- 0
- UID
- 2312938
- 帖子
- 1728
- 積分
- 1040 點
- 潛水值
- 48251 米
| 若新密碼無法使用,可能是數據未更新。請使用舊密碼看看。 於7月時舉辦的SEMICON West AI設計論壇上,半導體業界人士紛紛表達對人工智慧(AI)未來發展看法,相信將為半導體元件開啟一個新世代,並創造許多新商機,但同時也可能面臨諸多挑戰。
如IBM認知解決方案暨IBM研究(Cognitive Solutions and IBM Research)副總裁John E. Kelly III博士表示,我們正迎來一個新的運算世代,其規模將使得前一個世代相形見拙,可望徹底改變既有商業及工業運作,甚至是所有人的生活模式;這將是個推動半導體產業發展的重要世代,未來商機無限。
對國際半導體產業協會(SEMI)總裁暨執行長Ajit Manocha來說,AI將使半導體產業「重生」。他認為AI正在改變一切,並讓半導體重新成為人們關注焦點。基於新半導體架構及運算平台的AI潛在市場規模高達數以百計的皆位元組(zettabyte;ZB)及數兆美元;而要成功推動AI半導體市場將需要一系列創新的新材料、設備以及設計方法。
應用材料(Applied Materials)執行長Gary Dickerson則表示,AI必須在邊緣及雲端上有所創新,包括在邊緣的數據產生、儲存以及處理,才能彰顯其價值。他指出,過去18個月以來,產業投資在晶片新創公司的資金更甚於過去18年來的總和。
除了英特爾(Intel)及高通(Qualcomm)等傳統IC製造商積極投入AI晶片研發外,有超過45家新創公司都投入研發新AI晶片,光是創投公司的投資就超過15億美元,其中有至少5家融資規模超過1億美元。此外,包括Google、Facebook、微軟(Microsoft)、亞馬遜(Amazon)、百度及阿里巴巴等科技大廠也紛紛投入研發自家AI晶片。
Dickerson認為,若在AI晶片技術上能夠領先競爭對手12個月以上,轉換為市場商機可達1,000億美元,因此,在應材內部追求的是每分每秒的進步,因為一旦落後幾分鐘、幾天或是幾個月,損失的規模都相當可觀。
Kelly博士則表示,在既有的15億美元至20億美元資訊科技產業外,還要加上AI的2兆美元決策支援商機;這也意謂著,基本上世界上所有產業都將受到AI技術的衝擊及改變。
據IBM Research旗下Almaden Lab副總裁Jeff Welser博士此前表示,AI之所以迎來爆發性成長,主要是受到處理大量非結構性資料的需求所推動。他舉例指出,如今只需兩天時間,就能夠產生截至2003年為止人類史上所產生的所有資料總和;預計到2020年時,全世界將產生超過50ZB的資料量,即50後面再加上21個零。
不過,這些資料中有高達8成都屬於非結構性,且成長速度要比結構性資料快上15倍。他指出,這些非結構性資料包括語音數據、社群網站資料,參雜著一堆影像、視訊、音訊及非結構性的文字等;另外還要加上物聯網(IoT)感測裝置所蒐集的資料。
有許多方式可對上述這些資料進行壓縮。中央處理器(CPU)適用於處理結構性浮點(floating point)數據,而圖形處理器(GPU)則在AI應用上表現更佳,但這不表示不能將傳統CPU用於處理AI應用。據路透(Reuters)報導,英特爾資料中心負責人Navin Shenoy曾表示,該公司已成功修改CPU,並在過去7年的AI訓練中讓效率提升200倍之多;這也為該公司的Xeon處理器在2017年創下10億美元銷售額的佳績。
事實上,AI客製化硬體並不是什麼新鮮事,如Google於2016年推出的Tensor Processing Unit(TPU)便是個特殊應用IC(ASIC)晶片,專用於機器學習應用,讓晶片更能容忍降低的運算精準、即每次運作所需的電晶體更少。
不過,當2008~2009年GPU推出後,市場發現除了預期的圖像處理應用外,GPU在神經網路所需的數學運算處理上表現更佳;自此,用於AI運算的不同GPU架構便如雨後春筍般冒出。
但無論是CPU、GPU、ASIC或可程式化邏輯閘陣列(FPGA)等,現有技術面臨的問題是,所需的預期處理能力與現有可用處理能力間仍有很大的差距,據Dickerson認為,兩者間的每瓦性能差距高達1,000倍,而這是目前業界正積極克服的問題之一。不僅要降低資料中心AI處理器的能源消耗,同時也要減少如汽車及保安等必須即時做出決策的行動應用能耗。因此,可能必須依據不同需求來制定不同類別的AI晶片。
應材市場情報主管Sundeep Bajikar表示,為解決處理器到記憶體接入以及寬頻瓶頸問題,將產生新的AI記憶體架構,並最終可望促成邏輯及記憶體製造程序技術的融合。IBM的TrueNorth推論晶片便是一例,其架構可讓每個神經元(neuron)接入專屬本地記憶,而不須在晶片外存儲記憶。
他指出,包括ReRAM、FE-RAM及MRAM等新記憶體裝置可催化以記憶為中心運算領域的創新。過去將高性能邏輯處理技術與高性能記憶體分拆的傳統途徑,在低精度運算的新AI世界可能不再那麼適用。... |
|