原文標題：
AI晶片設計不再單純考慮性能 如何降低成本與提高效率將成為重點
(請勿刪減原文標題)
原文連結：
https://bit.ly/3Beh3nM
(請善用縮網址工具)
發布時間：
2021年10月26日
(請以原文網頁/報紙之發布時間為準)
原文內容：
由於數十億美元已投入AI新創公司，使得初期討論重點都放在性能上。但是，隨著AI訓練
模型需要更多的運算資源，使得重點工作正在轉移到晶片的運算成本之上。也就是說，AI
晶片的性價比反而變得更重要了。
AI晶片設計有不同的方法，如今的爭論是採取整合晶片還是解耦（Decoupled）的方法更
為經濟。對於晶片製造商來說，這是一場熟悉的戰場：到底零組件應該整合在AI大型晶片
中，或分佈在電路板或網絡上的網路處理單元上。
當今流行的AI系統是利用分佈在電腦中的數百個輝達繪圖處理器來完成。英特爾於2016年
併購的Nervana Systems就是這種分佈式方法的支持者，其AI處理是分別由更便宜的晶片
和零組件上運行，其中包括低成本DDR記憶體和 PCI-Express互連。建構大規模晶片的成
本遠高於用於將多個晶片連接在一起的微型晶片。
Cerebras Systems認為，將一系列晶片串在一起作為AI群聚是會增加硬體和費用，非線性
擴展並將它們聯繫在一起，甚至將所有其他基礎設施相結合，是會導致能源效率低下。
Cerebras於2021年8月出貨WSE-2 AI超級晶片以來，擁有850,000顆核心，是前一代的兩倍
。透過將互連頻寬加快至220 Pb/s，使其比繪圖處理器之間提供的頻帶還要快45,000倍以
上。即使Cerebras的設備很貴，但購買輝達12 DGX A100也是如此；而且Cerebras設備功
率更少，也沒有其他隱藏成本。
不過，有專家表示，AI晶片開發是如此多樣化，以至於廠商不能採取一刀切的方法來評斷
。軟體可以定義硬體，一些晶片可以在將相關數據輸入神經網絡之前，促進在邊緣運算的
處理。
Deepvision認為，通常硬體平台的開發並沒有太多考慮軟體，以及它如何在平台之間擴展
。因此，該公司才開發了一種軟體開發工具包，可將AI模型映射到各種硬體上。
未來，AI晶片設計也可能遵循Koomey定律，這是一個用來計算設備的耗電量每18個月就會
下降一半的定律。在晶片製造商停止提高晶片頻率後，持續了數十年的CPU爭奪戰已經轉
移到效率上。畢竟，AI應用變得越來越複雜，解決複雜問題的電量將必須受到限制。不能
為了提高性能而犧牲效率，這也是AI晶片未來的挑戰。
心得/評論： ※必需填寫滿20字
企業投資開發AI晶片，初期著重提升性能，如今如何打造性價比高的晶片反而成為關鍵。