人工智能芯片需要什么樣的基礎器件？

?

今日，第八屆未來芯片論壇在北京舉辦。未來芯片論壇是清華大學集成電路學院和北京集成電路高精尖創新中心主辦的重要年度學術會議，為領域內的高校、研究機構、企業搭建一個跨界、跨學科的思想交流平臺。國際歐亞科學院院士，清華大學魏少軍教授對于未來芯片談了幾點自己的思考。 ?超高算力芯片架構應該具備什么特點？ ? 高性能計算已經進入了E級時代，去年美國能源部發布了世界上第一臺E級計算超級計算機。E級計算是一個非常重要的里程碑，能夠完成每秒鐘一百億億次的雙精度浮點運算。在該超級計算機發布后，美國總統科學顧問委員會馬上宣布，美國高性能計算的下一個目標是Z級計算。和E級計算相比，Z級計算會快千倍。

業界對追求更高的運算速度是永無止境的。并且數據的總量還在增加，到2024年，數據的總量會達到100ZB。數據量的增長很大。尤其是人工智能增長后，數據更大，所以Z級計算已經成為業內不得不解決的事情。 魏少軍指出：“簡單依靠工藝技術進步，幾乎無法實現更高性能計算。”原因很簡單，按照美國前沿計算機的使用的工藝來推理，比如現在用6nm工藝，功耗高達21.1兆瓦，占地680平方米。半導體工藝繼續向前發展，還有5nm、4nm、3nm。如果使用3nm工藝來實現Z級計算，現在的功耗高達8000兆瓦，意味著一個小時使用800萬度電，也就是一個小時大概400萬人民幣的電費。從成本來說，使用3nm工藝來實現Z級計算要花6000億美元。

盡管工藝的進步會帶來成本的下降，但總體來說直接的成本不會下降太多，占地面積在幾十萬平方米，這幾十萬平方米也會帶來巨大的延遲。因此，簡單地靠工藝進步幾乎無法實現更高性能的計算。 目前的計算芯片，其計算資源在整個芯片資源中占比很低，小于0.1%，利用率就更低，但是用于數據傳輸的能耗非常高，比如GPU的能耗就很高，大于90%。基于這樣的基本特點，如果立足于現在的計算機構和計算芯片，想要完成下一代計算，難度非常大。 此外，對算力的要求也已經到了無以復加的程度，人工智能的蓬勃發展眾所周知，目前人工智能分兩類，一類叫類腦計算，還有一類叫深度學習。而這兩類涉及的三個基本要素包括算法、數據和算力。

其中，算力對人工智能起到了真正意義上的驅動作用。 目前的人工智能和預計差的很遠。一方面，算法和人的識別是不一樣的，現在要求人工智能能夠適應不同的各種應用。另一方面，人工智能現在的實現過程比較“暴力”。舉一個例子，2014年的簡單模型，實現大概需要每秒鐘196億次的運算和同時處理1.38億的參數，這樣的高密度運算和高密度存儲對于今天的芯片也帶來很大的挑戰。魏少軍說到：“對于計算架構來說，已經進入了‘黃金時代’。到今天為止，要創新計算架構，如果只是沿著原來的傳統走下去，是走不下去的。” 未來能夠提供支撐的超級計算，基本上是要100億人民幣以下的投資和100兆瓦以內的功耗，占地面積在幾萬平方米甚至是1萬平方米的才能夠實現。這樣的條件下，對芯片、硬件、軟件提出了新的潛在要求。

?人工智能芯片需要什么樣的基礎器件？

智能化延伸我們的認知。以計算機、網絡、通信、光電子和集成電路等技術為主要內容的信息革命，實現了人類感官能力的延伸和放大。信息技術將與人工智能技術，新型材料工程等一起攜手前行，將信息技術推向全新的高度，實現人類大腦能力的延伸和放大。以機械化、電力化和自動化為主要內容的工業革命解放了人類的雙手，提供人類巨大的能源，實現了人類體能的延伸和放大。 從1946年的第一臺電子計算機開始，已經經過了三輪智能化浪潮。

以1990年的以日本的第五代計算機作為一個標志，是第一輪智能化浪潮。到2017年，不斷地縮小研究范圍，使用機器學習的算法進行分類和識別。再到現在，谷歌的DeepMind玩游戲已經比人類的專業玩家好10倍。可以看到，人工智能的發展在多個方面已經超過了人類。 為什么會這樣？加拿大的神經科學家作出了重要的貢獻。在他的啟示下，發展了類腦計算和深度學習后，可以使用深度神經網絡的方式來訓練，雖然有點暴力，但是可以取得不錯的結果。

人工智能芯片的主流架構從AI Chip 0.5一直發展到AI Chip 1.7，從云端AI發展到邊緣AI。 魏少軍表示：“算力是人工智能發展的充分條件，而算力依靠芯片實現，因此芯片不可或缺，后來還出現了專門針對人工智能的芯片。”一個應用就是一個算法， N個應用需要N個芯片，為了解決能夠在一個芯片上實現不同的應用，出現了一種以靈活性為主的可重構方法。在處理不同的算法的過程當中，通過算力的提升、通用性的提升進一步提升今天的人工智能。

今天業界想象的結構更多在考慮計算機的體系結構，可能需要去探索新的技術實現。但并不是要想入非非，我們做不到一個生物的器件，更多要想到是一個硅基的半導體材料，能夠支持海量的輸入和海量輸出，可能具備基礎加權和激活函數運算功能，采用存算一體、有超低延時、超低功耗、極低成本，還可以采用現行CMOS工藝生產制造，未來還可以實現三維集成。這是現在必須考慮的問題，如果我們能夠突破這樣人工智能的新技術，也許就打開了一條新路。 ?大模型對芯片的發展是否有決定性影響？ ? 魏少軍也在思考，大模型對芯片來說是不是不可或缺，或者大模型對芯片是不是會出現負面影響。他做了一個實驗，在Chat GPT上多次詢問“為什么林黛玉要三打白骨精”。Chat GPT 4和Chat GPT 3給出的答案完全不一樣。Chat GPT 4不是胡說八道，而是給出了一個更合乎邏輯的故事。

但是，ChatGPT是接受了大量數據訓練以后，開始增長能力，也就是說它本身的創造能力非常有限。人之所以認為Chat GPT有很多新奇的想法，是因為集合了一批人的智慧。其實Chat GPT沒有創造力，更多的還是通過數據的訓練。在和其對話翻譯中，它的邏輯關系并不對，實際上Chat GPT并沒有想象的聰明。

回過頭看，大模型對芯片設計有幫助嗎？很多人認為EDA行業是最好利用大模型設計。魏少軍表示，對于EDA行業有兩個部分可以利用大模型，一個是EDA工具，一個是設計服務，也就是大模型和一定工具結合產生結果，如果是在一般的情況下設計，想要完成太難了。因此，對于這個問題，魏少軍表示，大模型對芯片設計肯定有幫助，但是幫助多大，值得去思考。 ?

三維集成電路技術的發展方向在哪？

? 三維集成電路最近慢慢開始熱起來，摩爾定律一直在發展，而且發展的過程中密度越來越高。現在5nm工藝可以在一個平方毫米上集成大概1.1億只晶體管，也就是2800個邏輯門。我們的集成能力已經大于能夠實現的芯片了。

基本器件在不斷地向前演進，從45nm、32nm到5nm、3nm，從Hight-K現在走到FinFET，FinFET可以用到7nm，到了3nm工藝變為了GAA。GAA的壽命很短，可以用一代或者兩代，繼續往前走能否進步，沒人知道。雖然目前提出了二維器件、分子器件，但這是否具有可行性以及成本能否堅持還是一個問題。 目前也有提出使用Chiplet、3D封裝。某種意義上來說，這兩種方式都是更廣義的集成，不是在單芯片上的傳統集成電路集成。魏少軍表示，從更長遠來看這種方式是沒有問題，甚至會帶來更重要的優勢，比如成本降低。可以不需要全部使用最先進的工藝，研發的時間、進入市場的時間都會更短。 發展到3nm之后，也可以考慮讓晶體管豎著放，變成vertical的一種增長。現在3D NAND已經做到了這點，長江存儲利用堆疊技術已經把3D NAND做得很高。

反過來，如果能形成某一種新的融合、新的集成，解決的不僅僅是一個計算與存儲的問題，還能夠實現三維集成電路的發展。 總而言之，計算無處不在。高性能計算是未來發展的戰略高地，也是大國競爭的焦點。今天的計算架構和集成電路技術已經難以支撐高性能計算走向Zetta量級，急需通過架構創新尋求突破。 智能化是大勢所趨，人工智能的發展有賴于芯片技術的進步。今天的芯片技術已經無法滿足人工智能技術高速發展的需求，急需從基本器件入手，尋找突破點。 大模型的到來開闊了人們的思路，也給出了一些新穎的發展方向。不少人對大模型輔助芯片設計抱有強烈的期望。我們今天尚無法判斷大模型對芯片設計的具體幫助，但可以從大模型的基本原理來作些判斷，這樣會比較客觀冷靜地看待大模型在集成電路芯片設計中的作用。 集成電路的精髓在于“集成”。在摩爾定發展的大背景下，是時候開始探索三維集成的路徑和方法了。 本文依據第八屆未來芯片論壇清華大學教授魏少軍演講整理

審核編輯：黃飛

?