【深度】AI芯片大军来袭,演算法仍处于发展初期

2.AI芯片大军来袭;

3.日本互联网巨头GMO研发出12nm挖矿芯片;

集微网消息，日本互联网巨头、外汇经纪商CMO Click证券母公司GMO Internet周一发文表示，已经成功研发出了用于下一代加密货币矿机的12纳米Fin FET Compact（FFC）挖矿芯片。

该公司将这次创新描述为“迈向7纳米挖矿芯片处理技术的重要一步“。

据了解，这家日本互联网技术制造商早在去年就开始进军加密货币挖矿的硬件研发领域。

该公司表示，12纳米FFC挖矿芯片是“迈向下一代高性能挖矿计算机的重要一步”。GMO Internet强调，研发出12纳米芯片之后，下一步便是研发“7 纳米处理技术”。

GMO Internet补充说，“我们不会出售配置有12纳米FFC挖矿芯片的挖矿主板。”

GMO 是一家由分布在全球 10 个不同国家的 60 多家个体公司组成的实体，总部位于日本东京。该公司于去年 9 月份首次宣布进入数字货币挖矿行业。

4.因应高流量/低延迟挑战　5G基带设计学问多;

随着5G服务商转的脚步越来越接近，相关网络设备的需求也开始萌芽，并为相关处理器芯片业者带来新的机会。 不过，由于5G与先前几个世代的行动通讯要求大为不同，不仅要追求更高的数据吞吐量，还要具备更大的网络容量与更好的服务质量(QoS)，因此5G基频处理器的研发设计，有着相当高的门坎。

恩智浦(NXP)半导体数字网络事业部全球产品经理张嘉恒表示，对于网络设备开发者跟芯片供货商来说，5G是一个全新的世代。 在以往，行动通讯技术的改朝换代，重点都放在带宽升级，以便提供给用户更快的行动上网服务。 但是在5G世代，为满足各种物联网(IoT)应用的需求，行动网络不仅要支持更高的带宽，还要具备更大的网络容量跟更低延迟、更稳固的联机，以便让行动网络可以支持数以万计的各种联网装置，或是满足工业等产业应用的需求。

对基频处理器开发来说，这意味着处理器本身必须具备极高的弹性，以便支持eMMB、URLLC与mmTC等不同的5G规格，但同时又要有很好的性能表现，否则数据吞吐量将无法达到5G要求的水平。 传统上，这两个需求是矛盾的。 要支持多种协议，最有弹性的做法是用软件来实作，但软件实作的效能远不如硬件实作；硬件实作虽然有很好的效能，但又不容易支持多重协议，特别是在标准还没有完全底定的情况下，万一标准有变动，修改起来会十分麻烦。

为了解决这个问题，恩智浦的基频处理器采取数据面(Data Plane)与控制面(Controll Plane)分离的设计架构。 Data Plane采用硬件实作，以平行运算的概念来精准地控制封包的收发跟延迟，满足5G对数据吞吐量跟联机质量的要求；至于在控制面，处理器则内建高性能通用处理器核心，来支持各种通讯协议。
张嘉恒预期，5G实验网络最慢在2019年就会展开布建，因此相关设备跟处理器的需求将在2018年开始放量。 而5G由于是采取全IP架构，台湾网通业者相对熟悉，因此有部分台湾客户确实已经打入全球电信业者的供应链。 不过，整体来说台湾业者的产品还是以硬件板卡为主，在整体方案方面，由于涉及到软件跟通讯协议，因此能提供整体方案的台厂还是很少。新电子
/>

5.5G时代射频IC产业拥有足够商机，2018年成长有望超过4.6%;

6.MIT设计人造突触芯片能以类似大脑神经元方式传递讯息

尽管科技已经如此进步发达，但对于那些在人工智能（AI）领域的研究者来说，让计算机仿真大脑活动仍是一项庞大的任务，如果硬件能够设计更像大脑的硬件，那么管理起来将会更容易。



是的，大家都是这么想的，那么话说回来，究竟这个「期望」有多么困难？ 日本研究单位 5 年前就曾经进行过一项大脑活动仿真测试，这个运用世界上最强大超级计算机之一所进行的例子应该能作为一些参考。

在 2013 年时，日本理化学研究所（Riken）运用超级计算机「京」（K computer）进行的对大脑活动的仿真测试；「京」一共使用了 82,944 个处理器和 1 PB（约 1,000 TB）主存储器，几乎相当于当时 25 万台计算机的运算单位。

而这样一台计算机为了仿真大脑中 10.4 兆突触所连接的 17.3 亿神经元活动的 1 秒钟，就花上了 40 分钟；尽管听起来已经非常厉害，但事实上是，这一切仍只是大脑活动中的百分之一。

即使是现在，大脑仍是比任何计算机都还要更为强大，它包含着 800 亿神经元和超过 100 兆个神经突触，随时都在控制讯息的通过，相较之下，目前计算机芯片仍是以二进制语言在传输讯号，每一条讯息都以 1、0 在进行编码。

科学家认为，如果芯片运用类似突触的连接方式，计算机使用的讯号将可能更加多样化，进而实现「突触式」的学习。

▲即使是科技进步的现在，大脑仍让所有计算机望尘莫及。 （Source：pixabay）

在大脑中，突触负责「管理」讯息的传递，而神经元则会根据穿过突触的离子数量和种类来动作，这些都帮助大脑识别模式、记住事实并执行任务；科学家将这种新兴研究领域称为神经形态工程学（Neuromorphic engineering）。

迄今为止，想要让芯片拥有这种学习方式已被证明是困难的，但 ScienceAlert 报导指出，随着麻省理工（MIT）工程师成功克服障碍设计出一种由硅锗（SiGe）制成的人造突触芯片，未来「突触式」学习的发展将有可能达成。

过去神经形态芯片的设计是使用非晶体作为「开关媒介」，分隔开两个导电层以起到突触的作用。 但这种方法存在的问题是，如果没有定义结构性的传播路径，信息就会有无数的路径可以传递，而这带来芯片的不一致及不可预测性。

为了避免非晶体为芯片带来的不均匀性，团队创造了只有一维信道的硅锗晶格，确保离子每次流动时都使用完全相同的路径，接着团队再使用这些晶格打造了神经形态芯片，就像是大脑中神经元之间的电流一样， 这种芯片也可以精准的控制其中流动的电流强度。

团队计划下一步将实际打造出能够执行手写识别的芯片，最终目标则是创造携带式神经网络装置。 在 Kim 看来，这项研究就像一块垫脚石，带领人们走向生产真正的 AI 硬件目标前进，「我们希望最终能以一个指甲大小的芯片，来取代巨大的超级计算机。 」

这项研究已发表在《自然-材料》（Nature Materials）期刊中。technews