人工智能正在经历第三轮浪潮。

上世纪的40-50年代，通用打算机的涌现，带来了人类对人工智能的第一次探索；进入上世纪90年代，以日本第五代打算机成为主要标志的第二次人工智能浪潮，通过“通用推理”办法实现了部分人工智能。
目前，我们正在处于机器学习带来的第三次人工智能浪潮。

在本轮AI浪潮中，一个打破性的变革是，人工智能已经在多方面超越人类。

随着人工智能的加速发展，使得算力规模不断扩大、算力需求持续攀升。
在这样的背景下，如何更加高效地配置、共享、调度并开释更多算力，成为人工智能发展的一个新的寻衅。

9月14日，在2023环球AI芯片峰会(GACS 2023)上，清华大学教授、中国半导体行业协会副理事长魏少军表示，未来人工智能技能须要从终端运用出发，以运用定义软件，再用软件来定义芯片，以知足各种人工智能终端设备的定制化需求，并提升算力的供给。

魏少军教授认为，工业革命延伸了人类体力极限，信息革命延伸了人类感知极限，而正在发生的智能化革命即延伸了人类的认知极限。

如今，智能化发展已经取得了巨大进步。
以谷歌为例，谷歌的智能玩家比人类专业玩家能力强10倍，智能唇语识别的精准度达93.4%，语音识别的错词率只有5.9%。
由机器学习推动的第三次AI浪潮，涌现了打破性变革，即机器在多方面超越人类。

AI须要“软硬”协同的芯片架构

人工智能的发展在给人们带来惊喜的同时，也在不断推动人工智能芯片向前演进。
从早期功能芯片到性能专用芯片，再到追求灵巧性的可重构AI芯片。
而随着大模型的涌现，人工智能芯片的发展目标又转向高算力。

在魏少军教授看来，只管智能化发展已经取得了阶段性的进展，但人工智能依旧存在两个现实问题。
第一，算法在不断演进，新算法层出不穷。
第二，没有统一的算法，只能一种算法对应一种运用。

现有的条件是，芯片制造完成后其物理构造基本特性随即固定，难以兼具高能效和高灵巧性，来知足人工智能算法演进变革的需求。
因此，亟需变革芯片架构和设计范式。

如何设计兼具高能效和高灵性的芯片，这就须要找到一种新的架构。
魏少军教授认为，新架构要同时考虑硬件和软件两个部分。
在打算机事情的过程中，芯片是承载智能运算的底层硬件，而软件则承载智能功能的实现。

“如何在软件和硬件之间形成有效结合？基于软件可编程性和硬件可编程性，我们将这两者构成AI芯片的坐标体系。
比如，处理器放在第二象限，专用集成电路放在第三象限，FPGA放在第四象限。
而第一象限，即是具备软件和硬件的双可编程性，通过软件和硬件之间的有机领悟，来用软件定义芯片。
”

在硬件构造方面，我们须要考虑如何利用软件来实现，将软件转换为一个可以与硬件构造匹配的大小分块。
之后我们将推出一个分块软件系统。
当硬件架构运行时，软件与硬件将实现映射。
硬件功能不断根据软件编程结果的变革而发生变革。
由此得到一个具备软件和硬件的双可编程性的智能架构芯片。

魏少军认为，“通用”仍旧是人工智能芯片的主流架构，然而此通用非彼通用，未来的通用人工智能芯片，须要在通用的根本上，变得更加“智能”，以知足各种各样终端运用的定制化需求。

目前，我国在“软件定义芯片”的方向上做的比较好，实现了芯片架构和功能的纳秒级重构，使硬件电路可随软件算法的变革而快速变革，在确保灵巧性的同时，大幅提升能量效率。

值得一提的是，如今，高性能打算机的打算能力已经进入E级时期，即每秒可进行百亿亿次数学运算的超级打算机。
未来还将进入Z级时期，比E级还快1000倍。
但在追求高算力的同时，在功耗和资金投入上花费都是巨大的。

2022年，天下第一的超算 E 级(1018Flops)美国Frontier超算的GPU芯片利用了前辈的6nm工艺，可以达到1.1亿个Flops，若算力再提高到1000倍（z级时期），纵然技能能达到3纳米，想要实现Z级打算，功耗为8000兆瓦，相称于2021年北京市总电力负荷的三分之一。

那么，8000兆瓦是8000万度电，一度电要花费5毛钱，用一个小时的400万公民币。
前沿打算机花费了6.6亿美元实现了E级打算，相称于40亿公民币。

此外， CPU、FPGA、GPU等现有的打算芯片也难以知足下一代打算的哀求，一是打算芯片打算资源占比低，仅不到0.1%；二是技能资源利用率低，仅不到5%；同时，数据传输能耗高达90%。

“在人工智能完备智能化的发展中，我们一个主要的任务便是提高芯片自学能力和接管教诲的能力。
犹如人类接管教诲和学习发展一样。
但芯片并非如此，芯片出厂即顶峰，后面逐渐衰减。
因此芯片在物理上无法实现不断学习发展。
但智能软件是实现智能的载体，应具备自我学习能力，通过软件授予硬件持续迭代的能力。
”因此，在强大算力需求的推动下，若想让芯片变得更通用、更智能，可以以运用定义软件，再用软件定义芯片，担保芯片在具备灵巧性的同时兼顾效率提升。

末了，魏少军教授总结了智能AI芯片应具备的基本要素：

1、学习能力、接管教诲并发展的能力;

2、算法和软件的自主演进能力;

3、自主认知、自主判断、自主选择和自主决策；

4、可编程性：适应算法的演进和运用的多样性;

5、架构的动态可变性：适应不同的算法，实现高效打算;

6、高效的架构变换能力：<10 Clock cycle，低开销、低延迟；

7、高打算效率：避免利用指令这类低效率的架构;

8、高能量效率:~10 TOPS/W；某些运用: 功耗<1mW；某些运用: 识别速率>25F/s

9、低本钱:能够进入家电和消费类电子

10、体积小:能够装载在移动设备上;

11、运用开拓简便:不须要芯片设计方面的知识