軟件一直是智能應用領域的創新助推器，而硬件正迅速成為人工智能(AI)領域的核心引擎。人臉識別、自動駕駛、虛擬輔助，以及眾多其他應用都要依賴AI硬件。預計到2025年，AI的市場規模將達到650億美元。

 

 

神經網絡等并行計算系統對于能夠處理海量數據并執行自我迭代訓練有著巨大的需求，硬件也因此成為這一領域的主導力量。在這個數據量巨大的環境中，AI加速器等硬件系統占據了舞臺中心。

 

AI加速器具有如下眾多優勢：

 

● 能效相較于通用型計算設備顯著提高

 

● 降低計算延遲以支持實時應用

 

● 具備可擴展性，能夠取得性能速度改善，其程度甚至能與所用的內核數達成線性擴展

 

● 異構架構支持系統容納多個專用處理器以執行特定任務

 

AI加速器支持數據中心和邊緣

 

AI加速器主要在兩大領域發揮作用：數據中心和邊緣。現在的數據中心需要大規模的可拓展計算架構，尤其是那些可支持多達數千臺物理服務器和數百萬臺虛擬機的超大規模數據中心，對大規模可擴展計算架構的需求極為迫切，這一市場需求使得一些企業憑借加速AI工作負載這一業務發展壯大。例如，Cerebras為Cerebras CS-1深度學習系統創造了晶圓級引擎(WSE)。WSE面積為46,225mm²，擁有1.2 萬億個晶體管和40萬個經過AI優化的內核，是迄今為止最大的芯片。WSE可提供更大的算力、存儲和通信帶寬，能夠支持AI研究達到前所未有的速度和規模。與之相對的是硬件基板面有限且節能至為關鍵的邊緣應用。如果邊緣SoC內部集成了AI加速器IP ，則它可以快速提供必要的智能功能從而支持各種應用，例如智能手機或自動化工廠機器人中運行的交互式程序。對于在邊緣提供智能應用，支持它們的 AI加速器必須經過優化，以具備諸如實時計算延遲、超高能效、失效安全運行以及高度可靠性等特征。

 

并不是所有AI應用都需要像WSE這么大的芯片，例如以下類型的硬件AI加速器：

 

● 能夠執行時間神經網絡處理的圖形處理單元 (GPU)

 

● Google張量處理單元 (TPU) 等空間加速器

 

● Sambanova的DataScale等粗粒度可重構計算架構 (CGRA)

 

● 經過向量處理擴展的大規模多核標量處理器

 

所有此類芯片均可以幾十個或幾百個組合使用，形成更大的系統，處理更大型的神經網絡。比如說，如果將Google的TPU合并到pod配置中，那么可以帶來超過100 petaFLOPS的處理能力來訓練神經網絡模型。NVIDIA旗下應用深度學習研究團隊推出的Megatron創造了一個帶有83億參數轉換器的語言模型，可提供8路模型并行和64路數據并行功能用于自然語言處理。要執行這一模型，就必須開發出具有 312 teraFLOP FP16計算能力的NVIDIA A100 GPU。另一種新興的硬件類型是 CGRA，它能在編程不同網絡時，在性能、能效與靈活性方面巧妙地實現權衡。

 

在這場關于AI硬件的討論中，軟件棧是不容忽視的存在，因為它能實現系統級性能表現，并確保充分利用硬件。TensorFlow等開源軟件平臺為開發人員提供各類工具、庫和其他資源，幫助他們輕松構建和部署機器學習應用。Facebook Glow等機器學習編譯器不斷涌現，有助于促成高級軟件框架與各種AI加速器的連接。

 

 

硬件已經成為AI應用的關鍵組件，但此類組件仍然面臨特有的設計難題，在云和邊緣應用想要突破當前硅技術的功耗、性能和面積(PPA)極限時尤其如此。對數據中心來說，件設計呈現多級物理分層、局部同步和全局異步架構、尺寸龐大和布局分散等特征。在邊緣應用中， AI設計必須能夠處理數以百計的設計角，以滿足超低功耗要求，實現異構集成并具備超乎尋常的多變性。

 

新思科技能夠為AI硬件設計人員提供業內最為全面的AI設計產品組合，幫助他們攻克此類難題。我們的產品，以邊緣設備IP、Zebu® Server 4仿真系統，全面輻射整個范圍，并能快速將載復雜的工作負載引入到Fusion Design Platform，實現全流程的、且經AI改進結果質量(QoR)和結果轉化時間(TTR)的IC設計。

 

新思科技還推出DSO.ai™（設計空間優化AI），這是業內首款針對芯片設計的自主AI應用。DSO.ai™ 在非常大的芯片設計解決方案范圍內尋找優化目標。它減少了設計工作流中自動執行的間接決策，從而大幅加快了專用AI加速器的設計進度。