人工智能近年来已成为科技行业的宠儿，并促进了IT行业的进一步变革。对于芯片设计和制造，全球PC芯片产量为2.5亿，假设双核CPU，每个核心每个周期完成4个浮点运算，主频为2.5GHz，3年的使用寿命，然后是PC的总计算能力筹码15 Exa FLOPS。手机的年产量为15亿。假设它是一个双核CPU，每个周期有4个浮点运算，频率为1.5 GHz，使用寿命为2年。
手机芯片的总计算能力约为36 Exa FLOPS。因此，2017年上述三大应用对深度学习能力的需求比PC和手机芯片提供的当前计算能力高出近一个数量级。如果没有高性能深度学习专用芯片，以及目前的全球集成电路制造能力，就不可能制造出满足当前应用要求的芯片数量。
人工智能给芯片设计行业带来了哪些挑战和机遇？
假设PC和手机工作时间为30％，服务器工作时间为80％，比特币采矿机工作时间为100％，那么这三种芯片的总全球功耗在1000-3000MW之间。 。如果以每TFLOPS 10瓦计算，300 Exa FLOPS深度学习计算消耗大约3,000兆瓦，相当于全球PC消耗的总功率，这是服务器总功耗的两倍。该服务的基础设施构成了巨大的挑战。因此，为了继续推动深度学习应用，我们需要更多省电的深度学习芯片。
在过去的30年中，超级计算的表现每10年大约翻一番。随着摩尔定律的放缓甚至结束，我们能否在未来10年内实现1000倍以上的性能提升？超级计算面临的最大挑战仍然是功耗，包括芯片本身和大型集群的功耗。另一个重大挑战是记忆墙。
为此，研究人员开发了大量的内存计算技术，但可能无法解决所有问题。此外，并行软件编程的许多技术还不成熟，需要进一步探索。深度学习所需的计算量和数据量非常大，但计算功能并不复杂，数据相对规律，受到摩尔定律减慢的限制。因此，深度学习应该开发出专用芯片来解决问题。
此文章为IT科技察觉原创，特此声明！
