對(duì)于芯片產(chǎn)業(yè)來說，AI正在掌舵整個(gè)全球芯片產(chǎn)業(yè)的發(fā)展風(fēng)向。

　　眾所周知，人工智能帶來的指數(shù)級(jí)增長(zhǎng)的算力需求，使得整個(gè)計(jì)算產(chǎn)業(yè)正面臨著多元化、巨量化、生態(tài)離散化交織的趨勢(shì)與挑戰(zhàn)。一方面，多樣化的智能場(chǎng)景需要多元化的算力，巨量化的模型、數(shù)據(jù)和應(yīng)用規(guī)模需要巨量的算力，算力已經(jīng)成為人工智能繼續(xù)發(fā)展的重中之重；另一方面，從芯片到算力的轉(zhuǎn)化依然存在巨大鴻溝，多元算力價(jià)值并未得到充分釋放。如何快速完成多元芯片到計(jì)算系統(tǒng)的創(chuàng)新，已經(jīng)成為推動(dòng)人工智能產(chǎn)業(yè)發(fā)展的關(guān)鍵環(huán)節(jié)。

　　作為發(fā)揮人工智能商業(yè)價(jià)值最核心載體的芯片，也在這波算力轉(zhuǎn)化中迎來新的挑戰(zhàn)。

　　AI數(shù)據(jù)流時(shí)代 計(jì)算架構(gòu)遭遇空前“瓶頸”

　　從CISC到RISC，再到Multi-core，從感知-處理-反應(yīng)。如今的芯片產(chǎn)業(yè)必須提升新一代的算力演進(jìn)，才能給下一代技術(shù)革命提供充沛算力。

　　日前，在深圳舉辦的“ASPENCORE 2021年全球CEO峰會(huì)”上，安謀科技 (中國(guó)) 執(zhí)行董事長(zhǎng)兼首席執(zhí)行官吳雄昂表示：“數(shù)據(jù)流，特別是機(jī)器產(chǎn)生的數(shù)據(jù)流，如今正呈現(xiàn)出高密度、實(shí)時(shí)性和多樣性的特征。例如車上的視覺感應(yīng)器正從一個(gè)、兩個(gè)到四個(gè)、八個(gè)，不斷演進(jìn)，高清也從2K到4K持續(xù)演變，這種多感知計(jì)算流，是同時(shí)需要實(shí)時(shí)處理的，也對(duì)我們未來的計(jì)算提出了非常有挑戰(zhàn)的高要求。”

安謀科技 (中國(guó)) 執(zhí)行董事長(zhǎng)兼首席執(zhí)行官吳雄昂 

　　以當(dāng)下最火爆的汽車芯片賽道為例。過去，汽車芯片比較先進(jìn)的制程是28nm，其他大量的都是40nm，甚至更低制程的芯片。但如今步入智能駕駛的時(shí)代，芯片復(fù)雜度越來越高，制程技術(shù)也從28nm演變到16nm，而且正在往7nm演進(jìn)，因此需要有非常強(qiáng)大的計(jì)算能力。

　　黑芝麻智能科技創(chuàng)始人單記章告訴記者：“以前汽車ECU的功能，基本都是比較單一的，現(xiàn)在的智能駕駛時(shí)代，車上有非常多的傳感器，有十幾個(gè)攝像頭、超聲波雷達(dá)，也有不少毫米波雷達(dá)，甚至有激光雷達(dá)，還有一些做定位用的傳感器，甚至有車路協(xié)同，從路端傳過來的感知信息。”

　　如此多的信息綜合在一起，必然要有協(xié)調(diào)的控制和處理，這就需要計(jì)算能力非常強(qiáng)的中央處理器。首先，處理大量的數(shù)據(jù)流信息，計(jì)算能力不可或缺。自從2012年，人工智能深度學(xué)習(xí)技術(shù)的突破，產(chǎn)生了CNN神經(jīng)網(wǎng)絡(luò)的計(jì)算能力，如今很多時(shí)候產(chǎn)業(yè)都把這個(gè)能力作為性能的重要指標(biāo)。低級(jí)別的自動(dòng)駕駛（如L1、L2），需要神經(jīng)網(wǎng)絡(luò)的計(jì)算能力已經(jīng)達(dá)到了10Tops，但是到了L3、L4甚至L5級(jí)別的自動(dòng)駕駛，他們計(jì)算能力的需求無疑將呈指數(shù)級(jí)增長(zhǎng)。

　　單記章表示：“到了L4級(jí)別，可能需要500-1000Tops的計(jì)算能力，到了L5可能需要更高，可能是超過幾千Tops的計(jì)算能力，這是神經(jīng)網(wǎng)絡(luò)的計(jì)算能力發(fā)展趨勢(shì)。而在芯片當(dāng)中，除了神經(jīng)網(wǎng)絡(luò)的計(jì)算能力之外，對(duì)CPU的計(jì)算能力也有非常強(qiáng)的需求。比如L5級(jí)別，CPU的計(jì)算能力需要超過500k，還有更多的處理能力，比如圖像處理。過去智能駕駛用到的傳感器，可能是100萬像素、200萬像素，但今天我們已經(jīng)看到了，很多智能駕駛的車輛會(huì)用到800萬像素，甚至更高用到1500萬像素，以及更高的處理能力。這么多的圖像傳感器在一起，對(duì)芯片的要求非常之高。”

　　與汽車場(chǎng)景類似，在工業(yè)場(chǎng)景，大規(guī)模數(shù)據(jù)處理的需求也日益激增。譬如當(dāng)下智能物流機(jī)器人被廣泛應(yīng)用在智能物流領(lǐng)域和智能倉儲(chǔ)領(lǐng)域，每天面對(duì)的都是非常復(fù)雜的外部環(huán)境，它需要有視覺傳感、激光雷達(dá)、毫米波雷達(dá)，幫它快速獲取周圍環(huán)境的變化。同時(shí)，也需要有能力處理外部環(huán)境變化從傳感器進(jìn)來的數(shù)據(jù)。

德州儀器公司副總裁及中國(guó)區(qū)總裁姜寒

　　德州儀器公司副總裁及中國(guó)區(qū)總裁姜寒表示：“所以，在智能機(jī)器人的硬件和軟件上，一定要支持邊緣計(jì)算的能力，才能讓智能機(jī)器人在非常復(fù)雜的環(huán)境中，同人和環(huán)境安全地相處。”

　　由此可見，任何一個(gè)單一的傳感器或數(shù)據(jù)處理，都是不可能完成這個(gè)任務(wù)的。所以，如今的電子電氣架構(gòu)正飛速演變，從完全的分散式，到域控制器的非域控制方式，開始演變到未來中央計(jì)算的方式，這些都是有其底層技術(shù)需求驅(qū)動(dòng)。

　　面對(duì)數(shù)據(jù)流時(shí)代的這些“新挑戰(zhàn)”，吳雄昂表示：“我們提出了超域架構(gòu)，通過一個(gè)新的融合計(jì)算架構(gòu)，既能有DSA高效率的優(yōu)點(diǎn)，同時(shí)提供足夠的通用性。今年，我們也和產(chǎn)業(yè)鏈上下游一起合作，發(fā)起了針對(duì)新一代MPU超域計(jì)算架構(gòu)的開源聯(lián)盟（ONIA），在短短不到半年的時(shí)間，有近百家芯片公司、系統(tǒng)公司、軟件公司，包括我們很多深圳的合作伙伴。我們也會(huì)在今后所有的MPU相關(guān)的IP產(chǎn)品上，對(duì)這個(gè)開源架構(gòu)進(jìn)行全面兼容。”

　　芯片設(shè)計(jì)如何搭上AI“順風(fēng)車”？

　　芯片設(shè)計(jì)與AI的結(jié)合，已經(jīng)成為當(dāng)下整個(gè)產(chǎn)業(yè)公認(rèn)的主流趨勢(shì)。尤其是身處上游的EDA環(huán)節(jié)，對(duì)此感受最為深刻，從過去的摩爾定律“加速”到如今的“放緩”，芯片制程每一個(gè)節(jié)點(diǎn)依次上量的時(shí)間點(diǎn)越來越長(zhǎng)，過去每?jī)赡暧袝?huì)出現(xiàn)一個(gè)新節(jié)點(diǎn)，但到了14nm已經(jīng)開始變慢，10nm、7nm到5nm、3nm的發(fā)展正越來越慢。

Cadence公司全球副總裁兼亞太區(qū)及日本地區(qū)總裁石豐瑜

      制程節(jié)點(diǎn)的發(fā)展為何會(huì)日漸趨緩？Cadence公司全球副總裁兼亞太區(qū)及日本地區(qū)總裁石豐瑜解釋了原因：“隨著芯片越做越小，內(nèi)部的晶體管也越來越多，用鋁布線很快就會(huì)產(chǎn)生電子遷移的問題，動(dòng)力變短，芯片用不了幾年就會(huì)壞掉。同時(shí)，也會(huì)遇到光刻機(jī)的問題，過去用的光刻機(jī)光源不夠精細(xì)，要改成193nm光源的設(shè)備，必須從半導(dǎo)體制程工藝?yán)飶匿X改成銅，這對(duì)制造工藝來講是非常大的挑戰(zhàn)。因?yàn)橛幸恍┩哥R和光學(xué)系統(tǒng)，要更精細(xì)一些，193nm的光源的極限大概是45nm，就沒辦法再微縮下去了。種種的物理問題，正層出不窮地出現(xiàn)。”

　　況且，無論是從制程上來看，還是從EDA編程角度來看，每一個(gè)晶體管的成本開始往上攀升，成本觸頂。概倫電子董事長(zhǎng)劉志宏對(duì)記者透露：“從65nm，我們?cè)谙冗M(jìn)設(shè)計(jì)上的成本，大概是在2800萬美金的水平；隨著工藝水平的不斷提升，到了22nm，算是今天平面工藝的主流，攀升了接近3倍，達(dá)到7000萬美金。再往前走，現(xiàn)在有一些先進(jìn)的芯片設(shè)計(jì)單位，已經(jīng)走到了7nm，有些也正在看FinFET工藝（9-14nm之間），成本大概是接近3億美金。”

概倫電子董事長(zhǎng)劉志宏

　　但事實(shí)上，這并不是摩爾定律本身存在的問題，而是摩爾定律帶來的復(fù)雜度、成本定律帶來的問題。其中包括制造周期越來越高，設(shè)計(jì)效率越來越長(zhǎng)，犯一個(gè)錯(cuò)誤代價(jià)非常高昂，送到晶圓廠生產(chǎn)出來就需要四五個(gè)月，回來如果發(fā)現(xiàn)有Bug，修一修再送過去，又需要四五個(gè)月，這樣一年就沒了，沒有一個(gè)市場(chǎng)能等芯片一年，畢竟成本太高了；再者就是人才稀缺，因?yàn)樵僭趺礃优Γ囵B(yǎng)一代半導(dǎo)體的專家和優(yōu)秀工程師出來，都需要很長(zhǎng)的時(shí)間，而且薪水也都是很大的問題。”

　　在人才極度短缺和成本日益高企、芯片復(fù)雜度陡升的當(dāng)下，人工智能有很多種方法，從構(gòu)架開始到最后步驟，開啟整個(gè)芯片設(shè)計(jì)流程。將流程切割成二三十段，每一段都可以有兩個(gè)選擇（是非題），如此一來，芯片設(shè)計(jì)的選擇就會(huì)很多。“以整套流程來算，客戶會(huì)有8000多萬的選擇。所以，當(dāng)下可以斷定，芯片設(shè)計(jì)的未來屬于人工智能，你必須要用有智慧的AI，才能讓它在更短的時(shí)間做出高質(zhì)量的產(chǎn)品。”石豐瑜總結(jié)到。

　　因此，當(dāng)下很多公司都在想辦法增加芯片設(shè)計(jì)效率。畢竟，每一代愈發(fā)昂貴的設(shè)計(jì)成本之下，芯片設(shè)計(jì)需要解決架構(gòu)、驗(yàn)證、物理植入、原形以及最終驗(yàn)證的每一個(gè)環(huán)節(jié)。即便其中任何一個(gè)環(huán)節(jié)出錯(cuò)，可想而知對(duì)于芯片設(shè)計(jì)廠商來說損失有多慘重。如果單個(gè)人花三個(gè)月才能設(shè)計(jì)出來的產(chǎn)品，一個(gè)人花三個(gè)禮拜就能設(shè)計(jì)好，同時(shí)最后的結(jié)果完全一樣，只需要花九分之一的人力。對(duì)于芯片設(shè)計(jì)廠商來說，搭上這列“順風(fēng)車”，無疑是必然的選擇。

　　隨著接下來，元宇宙、各類終端智能等全新應(yīng)用的爆發(fā)，AI也將在整個(gè)芯片產(chǎn)業(yè)發(fā)揮史無前例的巨大價(jià)值，如水如電力那般成為百行百業(yè)發(fā)展的基礎(chǔ)資源。對(duì)于芯片產(chǎn)業(yè)來說，當(dāng)下正值人才匱乏、復(fù)雜度、成本等各類問題交織的“瓶頸期”，整個(gè)產(chǎn)業(yè)已經(jīng)到了決定未來行業(yè)走向的關(guān)鍵階段。編者認(rèn)為，芯片企業(yè)對(duì)于AI的利用程度，也將在短時(shí)間內(nèi)決定每家芯片企業(yè)的核心競(jìng)爭(zhēng)力，甚至左右整個(gè)芯片行業(yè)的市場(chǎng)格局。