人工智能深度学习神经网络与Soc芯片的关系

149次阅读

引言：在运算能力方面，CPU 是不如 GPU 的，FPGA 也不合适。谷歌研发出的 TPU 芯片，就是专门针对人工智能神经网络的运算。

人工智能的算法在往下走，在逐渐降低要求；嵌入式的芯片在往上走，在逐渐提升性能，这两个很快会会师，会结合在一起，诞生出一个在嵌入式系统里面能跑的东西，这就意味着落地了。

这是一个比较深度的问题。人工智能是需要一个强大的计算能力的，要多强大呢？现在人工智能的实现原理主要是进行计算，之前所说的学习也是进行计算的过程，也是需要大量的运算。运算能力直接决定学习的速度，如果运算能力很差，可能两年都学不完；如果计算能力很好，可能一天就学完了。就跟人类大脑思考能力决定了学习能力一样，有的人十岁就已经上大学了，有的人二十都还考不上，这就是看大脑的运算能力有多强。人工智能神经网络的运算主要是卷积运算。什么是卷积运算？就是线性代数的一些矩阵运算，这些矩阵运算还会涉及到一些浮点数，所以需要海量的运算性能。是呈指数级的增长的，现在的 CPU 根本算不动，在运算能力方面，CPU是不如 GPU的，FPGA也不合适。FPGA 适合要求实时性，要求并行运算方面的，CPU 适合做控制，GPU 才适合做运算，所以目前人工智能的研究大多数都是用 GPU 加速运算的。构建一个人工智能的研究平台的时候，显卡的重要性比 CPU 还重要 ，买个显卡就需要七八千，甚至一万多，而买个 CPU，最多也就两三千块，CPU 已经慢慢的不如 GPU 了。目前总的来说，CPU，GPU，FPGA 都不是特别适合人工智能，真正适合人工智能的下一代芯片目前还在研发当中， 譬如谷歌研发出的 TPU 芯片，就是专门针对人工智能神经网络的运算，针对卷积运算的特征推出的，它天生适合做人工智能的运算。将来会有越来越多的新的芯片推出，那跟学习嵌入式的同学有什么关系呢？想一下，如果出了一个新的芯片，是不是需要移植，是不是需要开发各种底层软件，是不是需要移植开发各种底层的开发系统，是不是要做各种底层的工作，这就是嵌入式领域需要做的一些事情。

芯片厂商也会有很大的变动。大家可能没关注到，其实有发生很多故事的，现在老牌芯片巨头 Intel 压力就非常大，前两年他们搞物联网，推出了安腾那一套，折腾了好几年，结果什么都没有折腾出来。移动领域也彻底被 arm 压下去了。人工智能开始发展之后，Intel 就非常着急，去年还是今年就花了好几十亿收购人工智能方面的公司。Intel 跟微软都面临很大的压力。现在跟人工智能最接近的芯片领域的是 nVidia（英伟达，做显卡的）。他成了领军人物，人工智能方面最好的显卡就是他们家出的。 就是因为 GPU 比 CPU 更重要了，他们做的是 GPU，他们就异军突起成为了领军人物，这是一个有意思的事情，前几年的时候还是个名不见经传的小公司。还有高通这几年也成长的非常快，先后收购了 freescale，NXP，CSR 等，也成了一个芯片巨头，但高通的这些更加趋向于工业级的，如果是做的工业，做的汽车里面的控制等等这些东西，可能用这几家芯片更加合适一点。还有一些国产的芯片厂商，像华为海思，瑞芯微，MTK等也有很多积累，也有了突破机会，将来也有可能绽放异彩。国产芯片这几年也不错，不要觉得只有外国的才厉害，中国这些年其实也有做很多厉害的东西。

人工智能发展路径将来是怎么一个路径？大概是怎么一回事，怎么去弄，是怎么样的一个构成？现阶段更多的人工智能主要是在服务器级的一个计算机上 ，所谓服务器级的计算机是指什么呢？CPU 就不用说了，肯定至少是 I7，要么就是 E 开头的，比 I 开头的还厉害的那些。都是最厉害的芯片，最厉害的 CPU。显卡呢，入门级的都是五六千块的，一般都是一两万的，还有好多技术都是双显卡，四显卡，八显卡。还有几百个显卡集成在一起，串并联在一起，构成一个超级显卡矩阵。显卡上面的显存都是好几十个 GB，整个电脑配内存都是 32G，64G，这种级别的就叫服务器级计算机（用来打游戏超爽，呵呵）。现在都是在这种计算机上学习和测试研究，更多的是一种研究状态， 还只是在科研领域，离落地还有一段距离。现阶段的人工智能还在玩这些，为什么人工智能从下围棋开始玩呢？因为下围棋是纯理论的，不需要落地。像 AlphaGo 下棋的时候，旁边都是有人的，当他运算出一个结果的时候，还需要有人替他落子，他自己是没有手的，他没有落地，他只有一个大脑。现阶段在服务器级别里面去运算的人工智能很显然是无法落地的，把这类的人工智能装在一个车上面怎么可能装得下呢，光他的耗电量车都扛不住。所以说如果想要人工智能落地，就需要优化算法，减少资源消耗。原来的内存需要 12G，现在争取看 6G 能不能，可能再过两年，争取 4G 就可以了，2G 就可以了。算法优化了，能源消耗就会变少；能源消耗变少之后，就可以部署到嵌入式当中了，也就可以落地了。这都是慢慢来的，要先在服务器里面玩清楚了，然后才会去优化算法，把它部署到嵌入式系统当中。嵌入式系统也在快速发展，譬如说 nVidia，在今年三月份推出的 JetsonTX2，它是一个开发板，它是一个芯片，是一个 GPU。GPU 是目前唯一一个能解决人工智能领域的嵌入式芯片的方案。TX2 非常厉害，它比目前现有的跑人工智能的芯片的算法都要快。以后类似于这种的芯片也会越来越多，也就是说人工智能的算法在往下走，在逐渐降低要求；嵌入式的芯片在往上走，在逐渐提升性能，这两个很快会会师，会结合在一起，诞生出一个在嵌入式系统里面能跑的东西，这就意味着落地了。那么这个过程需要多久呢？也就是一两年，两三年的事儿，现在已经开始在慢慢的落地了。nVidia 的 TX2 就有跟沃尔沃合作开发自动驾驶方面的东西，可能沃尔沃之后开发出的新一代的高端车型就具有自动驾驶功能。其实已经开始在落地了，只是目前还只有一些巨头在做，大部分的公司还没有这个资格去玩那些。国外也有一些黑客，一些爱好者，技术比较厉害的一些人在树莓派 3 等的一些典型的嵌入式系统上面去玩人工智能，例如在弄自动驾驶的一些 demo。树莓派 3 的性能很一般，这种性能想去跑人工智能的东西就需要算法极其简化，离使用还差很远，但也是一些可以用来玩的东西。之后 朱老师也会推出这么一些可以玩的东西，在资源受限的开发板上去玩一些人工智能方面的应用 ，这些东西是没法真的上路的，但可以学到基本的原理，把整个流程可以弄清楚。国外有少部分人在玩这个，资源都是英文的，国内还没有。 微软有一个小组试图在单片机上实现人工智能 ，连嵌入式系统都没搞明白，就想在单片机上面搞事情，我觉得这是不靠谱的，是不看好的。在一些高性能的嵌入式设备上去跑一跑还有可能，在树莓派 3 上都压力山大，在单片机上就更不靠谱了。总结下来就是 人工智能的发展对芯片相关开发人员是一大利好，只要是跟芯片底层开发相关的，对于他们来说，迎来了一个春天。嵌入式也是面临一波行情的，朱老师自己也产生了很多想法，也有想做跟人工智能有关的，当然，是结合嵌入式领域去发挥的一些东西。学习嵌入式的同学其实有很多事可以去做的，像自动驾驶就可以做，我会在之后推出的视频课程中再详细说明。