作為工業和資訊化部人才交流中心針對整合電路產業專門推出的一項人才計劃, '芯動力' 人才計劃猶如一棵大樹, 國內乃至國際整合電路的專家, 院校及投融資機構等資源附著在其繁茂的枝幹上, 構建出良好的產業人文生態環境. 此次研討會更是緊跟熱點, 名家雲集, 吸引來自人工智慧晶片及相關領域的高校, 企業, 研究院所, 投融資機構的相關從業者, 研究員200餘人前來參加. 來自中美英等國的高校, 企業界技術大咖深入淺出地解讀了當前人工智慧的前沿技術和熱門話題.
芯動力人才計劃 IC智慧穀項目辦公室主任王喆對各位嘉賓的到來表示歡迎, 並詳細介紹了工業和資訊化部人才交流中心職能及芯動力人才計劃發展思路. 他表示, 芯動力人才計劃是以人才為抓手, 通過整合國內外優質智力資源, 搭建園區, 企業, 專家, 人才等資源共用的交流平台, 從而構建一個充滿活力, 富含價值的整合電路產業人文生態環境. 今年線上線下活動加起來有170餘場. 為進一步提升我國人工智慧的發展優勢, 加快建設創新型國家, 中心組織舉辦了此次人工智慧研討會, 希望大家藉助這個平台, 資源共用, 學習交流. 中心愿與大家攜手搭建國內外, 產學研人員間交流合作的平台, 聚集廣大業界同仁, 為我國整合電路產業的蓬勃發展貢獻力量.
南京大學電子科學與工程學院特聘教授王中風在《VLSI Optimization for DSP and Deep Learning》的演講中介紹了VLSI訊號處理, 從高速設計, 低功耗設計兩方面闡述了渦輪解碼的VLSI優化, 並講解了深度學習和深度神經網路的VLSI優化, 總結出在現代整合電路設計中, 對訊號處理系統的超大規模整合電路的優化可以極大地提高功率或速度; DNNs是深度學習的基礎; 在實際應用中, 非常需要DNNs的有效實現.
英國帝國理工學院教授, 英國皇家工程院院士Wayne Luk在《可重構系統的發展: 從研究到實踐》的演講中介紹了人工智慧技術如何提高應用效率, 定製計算, 可重構技術, 通過微軟與亞馬遜舉例說明了硬體加速雲伺服器, 並指出從研究到實踐的三個轉化方向為人工智慧功能需求到可定製硬體和軟體計算架構, 計算架構到可定製科研平台: 硬體和軟體自動化設計及優化工具, 科研平台到生態系統: 加快AI應用開發降低成本.
中國科學院研究生院教授吳南鍵在《人工智慧視覺系統晶片研究及發展趨勢》的演講中從映像感測器, 存儲器, 處理器, 神經網路等方面介紹了異質整合, 分析了數據頻寬, 工作功耗等.
複旦大學資訊科學與工程學院院長鄭立榮做了題為《物聯網邊緣計算與片上智能系統》的演講.
美國加州大學洛杉磯分校教授何磊在《AI晶片體繫結構和趨勢》的演講中分享了深度學習和AI晶片以及大公司的AI Chips戰略, 從CPU, GPU, FPGA, ASIC及類腦晶片(NPU)闡釋了AI產業中主處理器, 舉例說明了AI Chip的三大應用領域: 培訓, 雲端推理, 邊緣端推理, 並對統一AI以及未來AI晶片進行了展望.
下午研討會繼續進行, 南京凱鼎資訊科技有限公司CEO王琦在《人工智慧和EDA的互相促進和發展》的演講中指出, 人工智慧是EDA涅盤重生的機會, EDA和人工智慧可以互相促進, 從半導體IC工藝, IP設計, 晶片設計製造, 大系統設計等方面闡釋了半導體產業趨勢與挑戰, 並舉例說明了人工智慧在布局布線上的應用, 機器學習在類比設計中的應用, 分析了視覺處理的演算法演化等.
深鑒科技晶片研發副總裁陳忠民在《Hardware / Software co-design for Efficient Deep Learning Inference》的演講中闡釋了AI時代的發展是由演算法, 數據和算力驅動, 分析了專用AI計算硬體的發展邏輯, 應用場景對專用AI計算硬體的需求, 闡釋了為什麼AI硬體需要高能效, 如何提升計算效率, 降低功耗, 並從軟硬體協同設計分享了深鑒的AI推理解決方案.
科大訊飛研究院副院長王士進在《人工智慧技術最新進展以及面向人工智慧的深度學習平台介紹》的演講中指出, 人工智慧的趨勢是關鍵技術硬體化, 技術方法整合化, 演算法框架開源化, AI服務專業化, 從深度學習, 大數據, 計算能力等方面介紹了迄今為止工業界人工智慧成功的經驗, 從計算智能, 感知智能, 認知智能舉例說明了人工智慧三階段, 分享了認知智能在口語翻譯, 知識推理, 常識推理方面的突破及人工智慧創新應用. 王士進還指出了企業應用深度學習的痛點包括數據安全與低成本開源學習平台的使用無法相容; 僅利用開源框架簡單搭建, 大規模部署性能, 平台穩定性難以保證; 企業自行建設學習平台難度較大.
美國聖母大學計算機科學與工程系副教授史弋宇在《Chip.ai v.s. Net.ai: Scaling for Edge Inference of Deep Neural Networks》的演講中舉例分析了人工智慧的普遍應用, 人工智慧硬體, 人工智慧晶片的挑戰, 闡述了性能差距, 能源效率差距等, 提出了彌補差距的補救措施, 並舉出了成功的量子化的例子. 同時提出了幾個問題: 為什麼即使是二進位的網路, 那些最量化的, 位寬減為1的網路, 在某種程度上仍能運行良好? 為了保持同樣的精度, 重量量化引起的開銷是多少? 如何確定最優比特數以獲得最佳壓縮結果?
圓桌論壇上, 嘉賓們就《我國人工智慧晶片面臨的機遇和挑戰》進行了激烈的討論.
'我帶的頭三個博士生, 剛畢業都去了硬體公司, 去年我卻在穀歌遇到他們三個. ' 美國聖母大學計算機科學與工程系副教授史弋宇說起這個話題忍不住要吐槽.
近年來互聯網產業大行其道, 以深度學習為代表的人工智慧演算法成為熱點, 導致許多人認為軟體主宰了人工智慧技術的發展, '很多學生不管學什麼的, 都想著要去做軟體的公司, 一是因為待遇高, 還有就是上手快. ' 史弋宇說到.
但專家們表示, 人工智慧, 大數據, 雲計算快速發展的背後, 還是需要晶片作為支撐.
史弋宇認為, 人工智慧晶片還會持續地火爆, '許多AI晶片是為某些特定場景服務, 比如無人駕駛, 隨著AI應用的場景越來越多, 需要專用的AI晶片也越來越多, 對它的性能要求也會提高, 還會形成應用的生態圈, 帶動晶片的需求不斷擴大. ' .
'我們提交一個產品出去, 客戶體驗才是根本, 那麼為了提高客戶體驗, 演算法和晶片缺一不可. ' 深鑒科技晶片研發副總裁陳忠民認為, 演算法與晶片互為促進將是一個長期的現象.
在CPU主導的時代, 我國的晶片產業落後太久. 隨著人工智慧技術的興起, 我們已在AI晶片領域與發達國家同步起跑.
這種情況下, 一些中國AI晶片宣稱 '全球領先' . 但是專家認為, 性能高低並不是最重要的, 真正應該關注的是這些晶片與應用結合得是否緊密.
'就單個運算核心來說, (中外) 都做的差不多. ' 陳忠民說, 但是AI晶片的指令集都是自定義的, 當用戶去用的時候就必須學會使用這一家硬體廠商的工具, 所以必須重視工具鏈的開發和推廣, '就好比把車造出來了, 但是沒有教會別人怎麼開, 這會非常影響你的晶片有沒有人買單. '
業內人士認為, 英偉達的GPU成為主流, 原因就在於生態做得好, 開發方便. 從使用友好度, 開發難易度以及移植演算法等生態系統來說, 我們與發達國家還有差距.
史弋宇則指出, 我國在晶片的某些領域仍然落後較多, 如高速ADC/DAC部件的核心技術還掌握在美國, 並禁止出口, 將來有可能成為產業瓶頸. 而且, 國內的晶片人才荒也已顯現, '就這麼多半導體的畢業生, 做晶片的人從哪裡來? ' 南京凱鼎電子科技有限公司CEO王琦說, 全國半導體產業還缺40萬工程師, '短期內市場有需要去做晶片, 但是 (人才) 限制又使我們無法滿足市場的需求. '