作为工业和信息化部人才交流中心针对集成电路产业专门推出的一项人才计划, '芯动力' 人才计划犹如一棵大树, 国内乃至国际集成电路的专家, 院校及投融资机构等资源附着在其繁茂的枝干上, 构建出良好的产业人文生态环境. 此次研讨会更是紧跟热点, 名家云集, 吸引来自人工智能芯片及相关领域的高校, 企业, 研究院所, 投融资机构的相关从业者, 研究员200余人前来参加. 来自中美英等国的高校, 企业界技术大咖深入浅出地解读了当前人工智能的前沿技术和热门话题.
芯动力人才计划 IC智慧谷项目办公室主任王喆对各位嘉宾的到来表示欢迎, 并详细介绍了工业和信息化部人才交流中心职能及芯动力人才计划发展思路. 他表示, 芯动力人才计划是以人才为抓手, 通过整合国内外优质智力资源, 搭建园区, 企业, 专家, 人才等资源共享的交流平台, 从而构建一个充满活力, 富含价值的集成电路产业人文生态环境. 今年线上线下活动加起来有170余场. 为进一步提升我国人工智能的发展优势, 加快建设创新型国家, 中心组织举办了此次人工智能研讨会, 希望大家借助这个平台, 资源共享, 学习交流. 中心愿与大家携手搭建国内外, 产学研人员间交流合作的平台, 聚集广大业界同仁, 为我国集成电路产业的蓬勃发展贡献力量.
南京大学电子科学与工程学院特聘教授王中风在《VLSI Optimization for DSP and Deep Learning》的演讲中介绍了VLSI信号处理, 从高速设计, 低功耗设计两方面阐述了涡轮解码的VLSI优化, 并讲解了深度学习和深度神经网络的VLSI优化, 总结出在现代集成电路设计中, 对信号处理系统的超大规模集成电路的优化可以极大地提高功率或速度; DNNs是深度学习的基础; 在实际应用中, 非常需要DNNs的有效实现.
英国帝国理工学院教授, 英国皇家工程院院士Wayne Luk在《可重构系统的发展: 从研究到实践》的演讲中介绍了人工智能技术如何提高应用效率, 定制计算, 可重构技术, 通过微软与亚马逊举例说明了硬件加速云服务器, 并指出从研究到实践的三个转化方向为人工智能功能需求到可定制硬件和软件计算架构, 计算架构到可定制科研平台: 硬件和软件自动化设计及优化工具, 科研平台到生态系统: 加快AI应用开发降低成本.
中国科学院研究生院教授吴南键在《人工智能视觉系统芯片研究及发展趋势》的演讲中从图像传感器, 存储器, 处理器, 神经网络等方面介绍了异质集成, 分析了数据带宽, 工作功耗等.
复旦大学信息科学与工程学院院长郑立荣做了题为《物联网边缘计算与片上智能系统》的演讲.
美国加州大学洛杉矶分校教授何磊在《AI芯片体系结构和趋势》的演讲中分享了深度学习和AI芯片以及大公司的AI Chips战略, 从CPU, GPU, FPGA, ASIC及类脑芯片(NPU)阐释了AI产业中主处理器, 举例说明了AI Chip的三大应用领域: 培训, 云端推理, 边缘端推理, 并对统一AI以及未来AI芯片进行了展望.
下午研讨会继续进行, 南京凯鼎信息科技有限公司CEO王琦在《人工智能和EDA的互相促进和发展》的演讲中指出, 人工智能是EDA涅盘重生的机会, EDA和人工智能可以互相促进, 从半导体IC工艺, IP设计, 芯片设计制造, 大系统设计等方面阐释了半导体产业趋势与挑战, 并举例说明了人工智能在布局布线上的应用, 机器学习在模拟设计中的应用, 分析了视觉处理的算法演进等.
深鉴科技芯片研发副总裁陈忠民在《Hardware / Software co-design for Efficient Deep Learning Inference》的演讲中阐释了AI时代的发展是由算法, 数据和算力驱动, 分析了专用AI计算硬件的发展逻辑, 应用场景对专用AI计算硬件的需求, 阐释了为什么AI硬件需要高能效, 如何提升计算效率, 降低功耗, 并从软硬件协同设计分享了深鉴的AI推理解决方案.
科大讯飞研究院副院长王士进在《人工智能技术最新进展以及面向人工智能的深度学习平台介绍》的演讲中指出, 人工智能的趋势是关键技术硬件化, 技术方法集成化, 算法框架开源化, AI服务专业化, 从深度学习, 大数据, 计算能力等方面介绍了迄今为止工业界人工智能成功的经验, 从计算智能, 感知智能, 认知智能举例说明了人工智能三阶段, 分享了认知智能在口语翻译, 知识推理, 常识推理方面的突破及人工智能创新应用. 王士进还指出了企业应用深度学习的痛点包括数据安全与低成本开源学习平台的使用无法兼容; 仅利用开源框架简单搭建, 大规模部署性能, 平台稳定性难以保证; 企业自行建设学习平台难度较大.
美国圣母大学计算机科学与工程系副教授史弋宇在《Chip.ai v.s. Net.ai: Scaling for Edge Inference of Deep Neural Networks》的演讲中举例分析了人工智能的普遍应用, 人工智能硬件, 人工智能芯片的挑战, 阐述了性能差距, 能源效率差距等, 提出了弥补差距的补救措施, 并举出了成功的量子化的例子. 同时提出了几个问题: 为什么即使是二进制的网络, 那些最量化的, 位宽减为1的网络, 在某种程度上仍能运行良好? 为了保持同样的精度, 重量量化引起的开销是多少? 如何确定最优比特数以获得最佳压缩结果?
圆桌论坛上, 嘉宾们就《我国人工智能芯片面临的机遇和挑战》进行了激烈的讨论.
'我带的头三个博士生, 刚毕业都去了硬件公司, 去年我却在谷歌遇到他们三个. ' 美国圣母大学计算机科学与工程系副教授史弋宇说起这个话题忍不住要吐槽.
近年来互联网产业大行其道, 以深度学习为代表的人工智能算法成为热点, 导致许多人认为软件主宰了人工智能技术的发展, '很多学生不管学什么的, 都想着要去做软件的公司, 一是因为待遇高, 还有就是上手快. ' 史弋宇说到.
但专家们表示, 人工智能, 大数据, 云计算快速发展的背后, 还是需要芯片作为支撑.
史弋宇认为, 人工智能芯片还会持续地火爆, '许多AI芯片是为某些特定场景服务, 比如无人驾驶, 随着AI应用的场景越来越多, 需要专用的AI芯片也越来越多, 对它的性能要求也会提高, 还会形成应用的生态圈, 带动芯片的需求不断扩大. ' .
'我们提交一个产品出去, 客户体验才是根本, 那么为了提高客户体验, 算法和芯片缺一不可. ' 深鉴科技芯片研发副总裁陈忠民认为, 算法与芯片互为促进将是一个长期的现象.
在CPU主导的时代, 我国的芯片产业落后太久. 随着人工智能技术的兴起, 我们已在AI芯片领域与发达国家同步起跑.
这种情况下, 一些中国AI芯片宣称 '全球领先' . 但是专家认为, 性能高低并不是最重要的, 真正应该关注的是这些芯片与应用结合得是否紧密.
'就单个运算核心来说, (中外) 都做的差不多. ' 陈忠民说, 但是AI芯片的指令集都是自定义的, 当用户去用的时候就必须学会使用这一家硬件厂商的工具, 所以必须重视工具链的开发和推广, '就好比把车造出来了, 但是没有教会别人怎么开, 这会非常影响你的芯片有没有人买单. '
业内人士认为, 英伟达的GPU成为主流, 原因就在于生态做得好, 开发方便. 从使用友好度, 开发难易度以及移植算法等生态系统来说, 我们与发达国家还有差距.
史弋宇则指出, 我国在芯片的某些领域仍然落后较多, 如高速ADC/DAC部件的核心技术还掌握在美国, 并禁止出口, 将来有可能成为产业瓶颈. 而且, 国内的芯片人才荒也已显现, '就这么多半导体的毕业生, 做芯片的人从哪里来? ' 南京凯鼎电子科技有限公司CEO王琦说, 全国半导体产业还缺40万工程师, '短期内市场有需要去做芯片, 但是 (人才) 限制又使我们无法满足市场的需求. '