人工智慧技術正重塑晶片設計
http://bit.ly/2yXjC09
AI開始影響半導體設計，因為架構師開始利用其功能來提高性能和降低功耗，為未來晶片
的開發，製造和更新方面的一些基礎轉變奠定了基礎。
AI和機器學習以及深度學習子集，可用於極大地改善晶片內特定的功能控制和功率/性能
。出於這些目的，它可以在現存裝置之上分層，並且可以整合到新設計中，允許它應用於
大範圍的功能或針對非常窄的功能。
AI為晶片提供了許多好處。首先：它通過更稀少的演算法或數據壓縮來改變特定功能的準
確性，從而增加了粒度，從而提高了性能並降低了功耗。其次，它提供了將數據作為模式
而不是單個位進行處理的能力，有效地提高了計算的抽象級別並增加了軟體的密度。第三
，它允許處理和儲存器讀/寫就像矩陣一樣，大大加快其運作。
但AI還需要重新思考數據如何在跨越晶片或晶片之間的移動或不移動。無論是應用於邊緣
還是應用於數據中心，還是涉及培訓或推理，處理和儲存的數據量都是巨大的。
從好的方面來說，AI提供了一種平衡高精度結果的方法，而不是使用更多精度更低的元素
來實現足夠高的精度。在語音識別的情況下，精密度遠不如安全應用中的臉部識別或自動
駕駛車中的物體識別那麼重要。
對於AI，重要的不是硬體和軟體，而是關於數據的質量、數量和移動。這需要一種不同的
方式來看待設計，包括過去設計經常忽略團隊之間的協作。對於AI要建構新系統，需要特
定專業領域的專家、機器學習專家以及優化和性能專家，尤其是它們之間的協作。
AI最適合神經形態方法和不同的記憶體架構。使工作最佳化需要遠遠超出處理器的架構。
它需要在記憶體中來回傳輸大量數據，並且需要更改記憶體，以便可以從左到右和上下左
右寫入和讀取數據。實際上，軟硬體整合允許軟體方面的設計獲得更高的密度，並且它加
速了數據在記憶體中的移動。
但是，AI也存在一定程度的風險，具體取決於應用和精確度。
總體來說，在產業競爭的背景下，半導體想要在更低功率下提高性能，的確需要一些新的
設計方式。隨著摩爾定律在16 / 14奈米之後的每個節點的功率和性能都能逐步提升20%，
因此每一家公司都在尋找替代或補充這些優勢的新方法。AI就是關鍵之一。