寫在前面：12月21日-22日，GTIC 2021全球AI芯片峰會將在北京舉行。屆時，來自芯片巨頭、獨角獸公司及創業新秀的產業大咖和技術專家將同臺分享AI芯片的技術創新和落地經驗。大會前夕，智東西&芯東西對參會嘉賓進行系列深度對話，提前一睹他們對產業的真知灼見。本期對話嘉賓為北京大學信息科學技術學院副院長兼微納電子學系系主任蔡一茂教授。
自1956年國家在北京大學由黃昆先生領銜建立半導體專門化，到北京大學于2020年設立集成電路科學與工程一級學科，再到今年7月北京大學集成電路學院揭牌成立，北京大學集成電路學科已走過65度春秋，正整合優勢產學資源，邁向新的階段。
作為推動北大集成電路學科建設的關鍵成員，北京大學信息科學技術學院副院長、微納電子學系系主任蔡一茂教授長期從事先進存儲器、神經形態器件及類腦芯片關鍵技術研究，對于人工智能時代新器件、新架構、新工藝有著深刻見地。
AI芯片發展到了怎樣的階段？存算一體因何蓬勃發展、還需攻克哪些難關？哪些技術方向為AI加速計算提供了優化能效和性能的更多可能？類腦計算與AI芯片如何相輔相成？……
圍繞這些問題，近日，智東西與蔡一茂教授展開了一場深度對話。
從初綻鋒芒到逐漸被大眾認知，AI芯片經過數年發展，已經走到了角逐規模化商用的新節點。
蔡一茂教授認為，從學術角度來看，目前AI芯片領域呈百花齊放的態勢，包括深度學習神經網絡芯片、類腦芯片等很多技術路徑大家都在探索。
他指出衡量AI芯片方案性能有5個維度：自適應、性能、能效比、可編程性、可擴展性。
其中，將可擴展性理解成“支撐的參數規模更大”還不太夠，將來一個重要趨勢是走向通用性，這對于人工智能、AI芯片都非常重要。
很多AI公司面臨AI芯片或AI方案落地困難或者成本控制的挑戰是無法將一個方案簡單的復制應用于不同的場景，而這個是軟件公司相對容易做到的。比如微軟Office是一個標準的通用的產品，只要拿到授權許可就能使用，因此所有團隊集中起來做好Office，無需設立專門的團隊來為某家企業解決Office問題。
但目前大多數AI公司做不到這一點，因為AI應用場景存在差異化，通常需要根據其數據格式、具體應用場景入駐一個團隊來聯調。在蔡一茂教授看來，“這是限制AI算法和芯片實際大規模應用的一個重要挑戰”，無論是AI算法還是AI芯片的通用性，產學界都尚未出現很好的解決方案。
“我相信AI的應用會落地越來越多，雖然現在有些困難，但整體大家還是寄予厚望。”蔡一茂教授說，“所以這個領域的研究在相當長的時間內依然會是熱點。”
相比AI芯片發展初期，如今云端、邊緣市場更為繁榮，更多創企開始主攻大算力芯片。
據蔡一茂教授觀察，這是整體算力需求使然。隨著AI算力需求大幅飆漲，全國多地開始建設大規模AI超算中心。對于手頭不算寬裕的創企或小型研究團隊來說，這為他們進行AI訓練、AI推理等運算，降低了獲取算力資源的門檻。
目前GPU仍是AI訓練市場最主流的加速芯片。盡管一些互聯網大公司已經開始根據自家業務自研芯片來實現更高的性價比和對場景更好的適應性，但他們也會繼續采用GPU，畢竟GPU更加通用。
有NVIDIA摘冠在前，一些公司已經開始布局GPU國產替代方案，將來有望在一些領域或者受限的企業中，憑借更高性價比，分得一塊市場。
倘若要對標英偉達或者相關的GPU技術，至少在某些領域上能與之匹敵，客戶能夠接受其性價比，在此過程中逐漸培養起自己的生態聯盟。
“如果技術不行，老拿生態來講，這是很難行得通的。”蔡一茂教授談道，“技術上至少要有特色，然后再來看生態的構建；如果技術還差一大截，就說生態，這是個偽命題。”
當然，技術的追趕不是一蹴而就，更多的是希望有迭代的機會，有超越現有技術的可能。同時，很多人說自己的新技術有多好，可能過一段時間，對手就推出了一個更厲害的，所以看到競爭對手在進步，這也非常重要。
至于其他新興技術路線，想要取代GPU絕非易事。一方面，許多技術只能做到單點性能更好，而非綜合性能更好；另一方面，一些已有方案更好落地，投入更多資源就會迭代得更快。
相比取代GPU，蔡一茂教授相信，發掘一些新的領域，更可能把市場做的越來越大，比如開發新興技術去解決現有GPU不擅長加速的領域。
▲北京大學信息科學技術學院副院長兼微納電子學系系主任蔡一茂教授
除了AI芯片架構本身的進展外，更高性能的芯片，往往離不開先進的存儲器和封裝方式。
傳統芯片存在的一大瓶頸是“存儲墻”。
存儲和計算，是芯片的兩大基礎功能。存儲器與計算單元之間的數據搬運，往往消耗大量功耗，但很多加速芯片并未解決這個問題。
為了降低數據頻繁交換導致的延遲和功耗，以存儲為中心的計算架構逐漸興起，成為AI芯片的一大新興技術路線。
存儲器可分為易失性存儲器、非易失性存儲器。
（1）易失性存儲器：以SRAM、DRAM為代表，速度快、可靠性較高，但功耗、成本偏高，數據在里面只能短暫存儲，必須不停地跟外部的非易失性存儲器進行交換。
SRAM和DRAM在AI芯片中非常重要。AI芯片如果追求性能，則要求存儲器本身夠快、帶寬夠大，可以快速交換數據，這離不開SRAM、DRAM的進步。
此外，當前全球幾家存儲器巨頭都在推進基于DRAM技術的高帶寬內存（HBM），現在最先進的GPU的性能提升很大一部分也是得益于HBM的進步。目前還未見國內有公司大規模量產這種技術。
（2）非易失性存儲器：目前主流產品是Flash。Flash的優勢尤其體現在邊緣端，一些參數存放在非易失性存儲器中，后續有些應用可以直接調用或者直接運算。有些公司已利用Flash進行AI算法加速或實現存內計算功能。
Flash的挑戰在于可靠性不高，可擦寫次數約10^6次；另外其工作電壓偏高，兼容純邏輯運算和工藝的難度較大。目前嵌入式Flash的工藝節點普遍在40nm，也有些采用28nm，但很難再往更先進的節點推進了。臺積電、三星等都在探索能夠替代Flash的一些新型非易失存儲器，比如阻變存儲器、磁存儲器和鐵電存儲器等。
Flash或者新型存儲器不是拿來就可以用于AI芯片，通常需要針對性地改工藝、改集成技術，這對制造端提出了挑戰。
雖然有一些基于SRAM、DRAM、SSD等存儲器的存內計算方案和芯片被提出，但是目前還沒有特別高性價比的存儲器技術來支撐存內計算，存內計算也還未真正做到很好的產業化程度，更多是通過提高存儲器的性能和帶寬，來進一步優化整個綜合系統。現階段探索產業化路線的存內計算以SRAM、DRAM、NOR Flash為主。
除了打造基于先進節點的嵌入式存儲器外，另一技術方案是先進封裝。
像Flash這樣的存儲器不宜用先進節點，則可采用更成熟的節點，通過chiplet或者其他先進的封裝技術，與擁有先進節點的芯片異構封裝在一起，同樣能提升性能。同時，先進封裝是實現高帶寬、高速數據交換的重要技術途徑。
如今在后摩爾時代，摩爾定律的內涵完全變了，不再嚴格按照最初的定義，而更多是基于集成電路綜合性能的考量，通過異構分裝、異質封裝、三維器件、新材料等新興技術的引入，讓集成電路向多維度發展，實現等效的摩爾定律的延伸。
從產業角度來講，做芯片面臨的挑戰主要是性價比，同一功能的東西，如果性能提高一點，但隨之整個系統或芯片價格明顯提高時，市場會很難接受。
蔡一茂教授還提到一個新趨勢——感存算一體，這可以被理解為存算一體與傳感、模擬計算甚至神經擬態的結合。
我們周圍的物聯網服務，很多不是0、1編碼直接進來，可能是一些傳感器信號包括視頻信號、聲音信號、壓力信號以及生物信號等其他參量的信號。
而且隨著電子設備對外圍環境感知的需求增大和更加精細，通常會需要多個傳感器來采集數據。
這些信號如果全部經過傳感器往下傳，傳輸編碼過程存在帶寬限制和能耗挑戰，通常會導致性能和能效下降。
但如果在傳感器端就開始對感知到的信號做初步處理，這些經處理的數據再往后傳，對后面系統的負擔就小了很多。
一個例子是索尼公司的方案，它在CIS芯片開始做感知那一段進行運算，這通常被稱作“感存算”。擁有龐大數據量的自動駕駛場景對感存算一體也有需求，將來激光雷達或其他傳感器端如果能先對數據做處理，則可以減少后端芯片的壓力。
▲北京大學集成電路學院
除了新型存儲器技術外，蔡一茂教授的團隊也在進行類腦芯片關鍵技術的研究。
類腦芯片同指受人腦架構和信息處理方式啟發，引入生物神經計算方式，有望獲得像人腦般的低功耗和強智能的信息記憶及處理功能，這也是AI芯片的一個前沿方向。
從學術角度講，蔡一茂教授提到國內外類腦計算差距并不大，各有優勢和特色。國內科研團隊有多篇文章發表在Nature等頂級學術期刊上，相關演示芯片的規模也足以與國外相匹敵。
在產業上，類腦芯片在國內外尚未出現大規模商用。就連已被NASA采購的早期類腦芯片代表IBM TrueNorth芯片，迄今也未在民用方面實現大規模推廣。目前類腦芯片已有多項應用演示，但要真正落到應用層，還面臨基本器件、架構與算法等多層面的挑戰。
與AI常用的卷積神經網絡（CNN）、深度神經網絡（DNN）不同，類腦計算采用增加了時域信息處理的脈沖神經網絡（SNN）或相關偏生物類的算法，以模擬人腦神經突觸通過電脈沖傳遞信息的編碼方式進行信息處理。
SNN之于CNN是一個有益的補充，類腦芯片與傳統深度學習AI芯片是齊頭并進的關系，類腦芯片不會完全取代深度學習AI芯片，正如加速AI芯片也不能完全取代CPU和GPU。
將來有些AI任務，比如涉及情感化、超低功耗、非結構數據處理等應用場景，可能需要人腦的啟發來進行優化或者另辟蹊徑。但是要滿足這樣的應用需求，不是一個單點任務。首先需要處理該任務時更具優勢的算法，然后需要專門的類腦芯片來與算法緊密結合，如果沒有一個算法來引導芯片怎么工作，則都是空中樓閣。
現在是集成電路發展的好時機，蔡一茂希望，學習芯片相關專業的學生講一些情懷，愿意在這個行業里沉淀下去，能夠專注、長期做這件事。
“從事集成電路研究或者生產，要樹立服務國家重大戰略的使命感。”蔡一茂教授說，“但是服務國家重大戰略不是口號，做好自己的本職工作，服務好自己所在的產業，甚至對自己的公司做出重要的貢獻或者努力去創新，都是屬于服務國家重大戰略的具體工作。”
他也很支持學生創業，但同時強調“不要盲目”，不能因為現在芯片投資很熱，就看不上踏踏實實在大公司里或者一些現有企業中做技術或核心骨干的職位。
創業是綜合性的，涉及個人的品性、社會資源、對技術的把握和市場擴展的能力，要么自身具有很好的綜合能力，要么能夠組建很好的團隊。自認為的技術先進性，也不見得一定會被市場認同，因此勘破市場需求至為關鍵。
他建議剛畢業的博士生，可以先到產業界中去熏陶、去經受一些風風雨雨，知道產業和市場需要什么，再考慮創業可能成功率會大一點。
在交流的尾聲，當我們問到芯片領域有關自主技術突破的報道出現的一些誤解，蔡一茂教授特別強調了兩點。
首先，芯片本身是一個很寬泛的產品，需要實現很多技術方面的突破，不能說一個點的突破，就說我們完全實現技術自主了。
制造端也是如此。例如某一廠商的某個設備進入5nm節點，就被報道稱解決了我國5nm制造的“卡脖子”問題，很多民眾對技術細節并不了解，所以容易受到媒體報道的影響，希望媒體不要博眼球，對技術和實際情況予以更真實準確的報道。
第二，學術成果與產業問題的解決不要混為一談。學術上面向未來的研究進展，不見得就能立即用到產業中，來解決現在的問題。
比如某個學術團隊可能發表了一篇文章、報道了一個學術成果，但從學術到產業還有很長距離，從0到1再從1到100，有時候相隔甚遠，需要更大的投入、更多評估以及甚至做好將面臨更大困難乃至最后工程上無法實現的心里準備。
中國發展集成電路的意義重大，也面臨很多挑戰，蔡一茂教授認為，我們應保持信心，也要保持定力，吸引更多人才投入到集成電路研究和產業中，引進高水平的全球人才的同時也要努力培養出更多優秀的本土領軍人才和戰略科技力量。
本文來自微信公眾號“智東西”（ID：zhidxcom），作者：心緣，36氪經授權發布。
