随着傳統市場走向(xiàng)下坡路和摩爾定律的逐漸失效，半導體行業正在不斷革新，力求了解人工智能(néng)、自動駕駛汽車、物聯網等新市場的需求。
而其中最奇特的也許當屬人工智能(néng)，因爲它的計算範式與傳統的“處理器-内存”方法有着明顯差異。在近期于舊金山舉辦的國(guó)際電子器件大會上，法國(guó)研究員Damien Querlioz在談及“神經(jīng)形态計算的新型器件技術”時說道(dào)，“長(cháng)期以來，模式識别和認知任務都(dōu)是計算機的弱點，比如識别和解讀圖像、理解口語、自動翻譯等。”
大約從2012年起(qǐ)，訓練和推理階段的人工智能(néng)技術開(kāi)始加速發(fā)展，但當使用傳統計算架構時，功耗仍是一個巨大挑戰。
Querlioz是法國(guó)國(guó)家實驗室CNRS的一名研究員，他舉了一個活生生的例子：2016年Google的AlphaGo與圍棋世界冠軍李世石之間的著名圍棋大戰。李世石的大腦在比賽中消耗了大約20瓦，而AlphaGo估計需要超過(guò)250,000瓦才能(néng)使其CPU和GPU保持運轉。
雖然從那以後(hòu)Google和其他公司均在功耗方面(miàn)做出了改進(jìn)，但越來越多的工作開(kāi)始側重于爲神經(jīng)形态計算技術設計耗電更少的新器件。
Ted Letavic是格芯的高級戰略營銷人員，他表示，回想人工智能(néng)的各個階段，從改進(jìn)傳統計算技術，到設計耗電更少的全新器件和架構，在整個過(guò)程中，先進(jìn)高效的封裝將(jiāng)發(fā)揮關鍵作用。
Letavic稱，“人工智能(néng)時代正在逐步到來，我們可以利用現有的技術，再加上衍生技術，通過(guò)DTCO（設計技術協同優化）進(jìn)行全面(miàn)優化，一直深入到位單元設計層面(miàn)。”
格芯的技術人員正在努力降低14/12 nm FinFET平台的功耗并提升其性能(néng)，所采用的辦法包括雙功函數SRAM、更快且功耗更低的累加運算(MAC)元件、對(duì)SRAM的更高帶寬訪問等。基于FD-SOI的FDX處理器的功耗也將(jiāng)降低，尤其是在部署背栅偏置技術時。Letavic表示，設計師掌握了這(zhè)些技術後(hòu)，客戶便可以“重新設計功耗包絡更低的人工智能(néng)固有元件，甚至達到7 nm。”
除了這(zhè)些DTCO改進(jìn)以外，全球各地也在開(kāi)展其他研發(fā)工作，希望實現基于相變存儲器(PCM)、阻性RAM (ReRAM)、自選扭矩轉換磁性RAM (STT-MRAM)和FeFET的嵌入式内存與内存中計算解決方案。
Querlioz在IEDM專題會議上提到，在IBM Almaden研究中心，由Jeff Welser領導開(kāi)發(fā)的基于PCM的芯片已取得顯著進(jìn)展，而基于STT-MRAM和ReRAM的人工智能(néng)處理器也前景光明。Querlioz表示，“現在，我們極有可能(néng)成(chéng)功爲認知類型的任務和模式識别重新發(fā)明電子器件。”
Letavic稱，降低功耗的道(dào)路還(hái)很長(cháng)，對(duì)于推理處理而言尤其如此，而這(zhè)正促使衆多初創公司開(kāi)發(fā)新的人工智能(néng)解決方案，格芯也與其中部分公司及長(cháng)期合作夥伴AMD和IBM保持着密切合作關系。
Letavic認爲，憑借對(duì)馮諾依曼計算模式的DTCO改進(jìn)，我們隻能(néng)發(fā)展到這(zhè)一步。除了分類邏輯和内存，下一步是發(fā)展内存中計算和基于模拟的計算。此外，爲計算行業服務了35年的指令集架構(ISA)將(jiāng)需要被新的軟件堆棧和算法取代。他說道(dào)：“對(duì)于特定領域的計算，必須重新發(fā)明軟件。IBM對(duì)軟件堆棧有着深刻的見解。”
“各方都(dōu)必須一同轉向(xiàng)人工智能(néng)。格芯將(jiāng)與主要客戶緊密合作，我們不能(néng)將(jiāng)算法與技術分開(kāi)，”Letavic在談及該系統技術協同優化(STCO)方面(miàn)的緊密合作時說道(dào)，“随着我們邁入計算發(fā)展的第四個時代，STCO將(jiāng)是DTCO的自然延伸。我們將(jiāng)朝着特定領域的計算發(fā)展，共同迎接這(zhè)一轉變。”