ED SPERLING作者semiengineering来源张玺编译

明导公司荣退CEO谈芯片产业:中国在5G和AI方面的优势让欧美忧心忡忡

西门子旗下公司明导荣誉退休 CEO Wally Rhines 与媒体 Semiconductor Engineering 畅谈人工智能、定制化、全球经济不确定性与多变市场等因素所引起的重大转变,特别谈到了中国对未来市场的影响。

SE: 你认为目前芯片产业发生的最大变革是什么?

Rhines:2018 年是无产线半导体初创公司的大年,尤其是中资公司。半导体公司高管给出的领导(leading)指标都十分消极,这可能是市场对于贸易摩擦及问题的担忧而引起的。

与此同时,电子设计自动化(EDA)今年却取到了举世瞩目的进步。因为设计业务的重要性凸显,EDA 发展迅猛。

但是,由于存储器定价呈现颇为传统的学习曲线效应,这使得发展放缓,不可避免。再加上全球贸易及经济的不确定性效应叠加,半导体产业也有一些隐忧。

SE:人工智能似乎无所不在,人人好像都在制造人工智能芯片或嵌入人工智能。这将如何影响芯片设计?

Rhines:我们正迈入定制化时代。针对某些类型的算法,通用处理器已不具备最佳性能和功耗,而对于特殊性能的需求刺激了定制化芯片的发展。定制化芯片范围广阔──从边缘节点、物联网大数据中心关联的所有通路设备,灵巧的算法被部署在硅晶片上。这也产生十分重要的推动力──超越冯诺依曼架构,迈向特定用途应用的多种专用架构。

SE:除此之外,这些设计的起始点也在变化,您觉得呢?

Rhines:只要从事算法类的机器学习工作(监督式机器学习),你都会碰见可能在特定用途机器运行的巧妙算法。又或是,你可能遇上运行算法的特定用途机器。过去,这很常见。今天,深度学习出现了。机器可以从数据中发现信息。所以,你需要处理海量数据,但不是运用固定算法解决具体问题,数据本身已成为起始点。面对海量数据,会有许多异常或极限值。这与计算机分析是完全不同的另一种方法。

SE:但是,你可能会把许多不同的处理器放在一块大型芯片上,且在那些处理器旁放置小型存储器。虽然这样能显著提升运算速度,但如何保证处理器的充分使用却是一个难题。

Rhines:每隔几代都会遇到这个问题。芯片数据上下行速度或数据处理速度是否受到限制?正是你所提到的问题催生了专用芯片。英伟达也谈过这个问题。

Wave Computing 专门设计了一款芯片解决该问题。这几乎又回到了 30 年前那场关于数据流计算的争论。你不愿让处理器等着数据。你想要本地存储器,以供本地处理器使用。但你还无法完美平衡不同的处理器,所以你必须设计灵巧的体系结构以获得理想的产出。

还有一点。过去,当你想让处理器获得最佳性能,就会尽可能延长通道。现在,我们已经摸到通道上限了。对于分支预测的性能,情况无异。当你在预测执行时选择了错误分支,就会退回。由于很少出现错误选择,处理器性能得到改善。但现在的实际问题是通道实在是太长太长了,以致于预测执行会产生多次错误决策,故最终并没产生加速效果。所以,你采用多条宽通道以达到类似效果。你也一直在寻找其它可以获得类似效果的方法。的确是有许多方式,但都需要特殊体系结构。

正是由于多处内生并行及图像处理,这也是为什么英伟达能造出超级人工智能芯片,使性能表现提升一个数量级。他们可以并行进行像素处理。但是,还存在许多其它类型的模式识别──通过芯片中各类处理器本地存储器的缓存处理,你可能想使用不同的方式获得最大并行度或最大产出。

SE:EDA 开发的工具是否可以解决上述问题?是否需要新工具?如果需要,有哪些发展机遇?

Rhines:如果你设计的是需要处理一定类型的数据结构或者运行特殊应用的专用芯片,那么就需要模拟仿真更多的数据。这使得我们对模拟仿真性能需求的持续增加。短期之内,不会终结。仿真器越大,用户越多。当我们首次推出最新一代的仿真器,宣布其可处理门数达到 100 亿时,明导公司内外都在担心是否会有客户。如今,这种担心荡然无存。使用 100 亿级别应用的客户数不胜数,且期望我们实现 150 亿的承诺。这是设计方面的挑战之一。

此外,还有设计成本。我们曾说过,很庆幸只有一小部分人能买得起明导的仿真器。因为构建原型系统掩膜成本就至少需要 1 千万美元。曾经,定制化芯片设计只是巨头的游戏。如今,一夜之间,很多公司都可以开发定制化芯片。

SE:他们如何承担?

Rhines:高层次合成(High-Level Synthesis)是原因之一。多数改变发生在数据通路上,而 HLS 能将模拟次数提升许多数量级,以测试明导芯片的新结构。这产生的便利无法想象。

如果仔细看看那些从事前沿算法芯片的公司,你会发现,大多现在领先的公司之前并不是领跑者──诸如谷歌、脸书及亚马逊等公司与来自汽车行业的新公司,它们并未掌握许多传统 Verilog 编程的技术积累,反而更倾向与使用 C++编写算法与合成应用。这也是促成因素之一。

另一促成因素是:共享仿真可以购买。你不必成为能够负担仿真器的巨头企业。还有许多其他促成因素。基于人工智能驱动的模拟,相较于之前模拟所有可能性,如今只需要模拟正确的可能性,使得我们的速度至少提升了半个至一个数量级。此外,便携激励(Portable Stimulus)也具备许多优点,支持最小化冗余模拟。

SE:这些事件之间会相互影响,对吗?行业对于允许其他公司展开芯片研发业务的态度也出现过变化。新加入的公司对于如何最快解决问题并无固有概念。

Rhines:是的,这也是必不可少的条件。任何时候想转变人们的固有想法,都是十分困难的。那些新血液的加入给产业发展所带来的提速效应远远超过多年来的技术积累。从图形捕捉到寄存器转换级电路(RTL)是一段十分漫长的过程。但是,新兴的初创公司和大学毕业生们却能迅速掌握。

SE:随着巨头公司开始涉足硬件设计,那些曾认为硬件设计是好工作的毕业生正在从事系统设计工作,硬件已成为极具挑战性的难题。这是一个巨大转变。

Rhines:的确是。谁曾料想到转变如此迅速?许多年前,大家都想从事社交网络工作。如今,开发下一代电脑时,才会遇到这些令人兴奋的问题。这些问题涵盖所有层级──从量子计算到汽车模式识别所需要的边缘节点电脑。2018 年,对于无生产线初创公司的投资金额将达到过去 20 年的最高点。2000 年,我们赶上了互联网泡沫,而 2018 年,我们好像会打破那个数字记录。

SE: 对比 EDA 来说,这都是好消息,对吗?这些公司之前从未够购买过工具,至少是这种规模。

Rhines:没错。如果有 150 家公司开发无人驾驶汽车,另有 300 家公司开发电动汽车,那么这些公司都将会购买 EDA 工具。然而,并不是所有公司都会成功,但却必须配备工具,这对于 EDA 来说很棒。可最终,他们并非都会制造出大量芯片。

SE:安全性方面是否会有问题?设计新型芯片时,是否会考虑安全性?

Rhines:安全性的确是芯片设计过程需要考虑的另一个重要问题。有些公司正致力于开发安全芯片,且有些新技术也可用于解决安全性问题。但是考虑安全问题的人可能都是处于系统上层的厂家,如操作系统或应用软件。最终,他们都必须考虑安全问题。明导开发的工具在启动时会有一些缓慢,但其所承担的负载更大。

美国国防高级研究计划局(DARPA)项目十分重视安全性改善需要。所以,涌现出许多公司提供安全性相关服务。像 Arm 与 RISC-V 等公司的处理器技术人员都宣传已具备添加安全特性的能力且远超 TrustZone。每隔几年,总会出现一些新问题。但是你仍然必须增加单元区域的门数及每美元的处理能力,无论是否会额外产生新问题。

SE:验证是解决安全性的可行方法吗?

Rhines:有许多专家能够提供分析验证服务。但是,真的能进行足够多的模拟来寻找芯片所有易被攻击的地方吗?毫无疑问,不能。

芯片安全与兼容性类似。你总能找到不兼容的地方,永远无法保证完全兼容。同理可证。你总能发现某处易被攻击,尽管你已经验证足够多了,但总有十分罕见的问题,就是很难找到。

芯片可以通过分析,以最小化木马病毒植入可能性。实际,除去模拟外,把这种分析特性植入芯片才是关键。此外,即将出现的 IP 是另一个关键要素。如何验证 IP 中没有木马病毒?又能信任谁?IP 供应商是否可信?经过严格验证 IP 的各类模拟是否可信?没有谁能给完全确定的答案,但是你可以测试。

你能将智能特性嵌入芯片,观看数据流以寻找异常结果。异常结果执行时做个标记,当可疑循环发生时,也可能终止执行。我们过去测试的产品只是针对系统运行中的异常情况标记,现在用户可以决定是否深入检查。

SE:另一个相关趋势是:高级节点的许多设计都是高度定制化。这是否会让芯片更加容易或难以受到攻击?

Rhines:某种意义上,定制化是验证的「敌人」。如果大家都使用相同的芯片或体系结构,那么你就会掌握数千种测试情况。如果 BUG 出现,就很容易发现,因为这么多用户正以千差万别的方式使用着它们。而如果定制化,测试的多样性就无法保证。因为芯片实际应用前,没有足够多的用户能帮助二次验证,所以,你可能需要花费更多的时间担心偶发性异常值。

SE:换个话题吧。贸易或经济等宏观问题会如何影响芯片产业?

Rhines:这的确引起了市场的大面积恐慌。美国总务管理局(GSA)关于订单、收入、库存及就业的月度调研结果越来越糟糕。11 月是印象中最差的,半导体产业的从业人员都在担心贸易问题的爆发。

限制全球范围内的半导体自由流动不符合任何一方的利益,而之前也从未出现过类似情况。但如果情况继续恶化,看看全球经济,相信美国能自我恢复。

其他经济体还是比较弱的,中国也在变弱。中国是半导体产品非常重要的消费者和生产者。存储器涨价带来了巨幅增长。当我们具备更多产能时,各方之间会形成均势,尤其是在中国。所以,价格下跌更有利于我们。这对于存储器生产商利空,但对于其他企业利好。市场还是有许多驱动力的。

SE:中国对于芯片产业的短期及长期影响有哪些?

Rhines:尽管中国的半导体产业无法完全自给自足,满足自身的内存与非内存的需求却一定会产生收益。对于以中国为客户的供应商来说,包括内部消耗和全球范围内销售的最终产品在内,都会降低其收入。

针对 5G 与人工智能,中国较于全球其他国家具备明显优势。这也是两个十分热门的领域。

对于人工智能,大面积的应用需要海量用户产生的海量数据。中国拥有更多的人口,拥有更多的数据,至少相比于其他国家,具备从每个人身上获取更多数据的能力。对于收集人们所产生的各类数据,中国还没有限制,而且,中国的收集对象超过 10 亿。无论你是进行关于癌性肿瘤早期指标的医疗研究,还是开发面部识别的优化算法,更大的数据库都会产生更大的优势。

当人们高度汇集时,5G 才具备经济优势。如果用户地理分布上过于松散,5G 的效果并不突出。中国拥有最多且聚集度最高的人口,敢于投资的政府及全球一半以上的大型手机生产商。很明显,中国过去所具备的优势是欧洲与美国公司完全无法比拟的。所以,西方国家对此一直忧心忡忡。

原文链接:
https://semiengineering.com/chip-industry-in-rapid-transition/

产业芯片半导体5G
相关数据
亚马逊机构

亚马逊(英语:Amazon.com Inc.,NASDAQ:AMZN)是一家总部位于美国西雅图的跨国电子商务企业,业务起始于线上书店,不久之后商品走向多元化。目前是全球最大的互联网线上零售商之一,也是美国《财富》杂志2016年评选的全球最大500家公司的排行榜中的第44名。

https://www.amazon.com/
相关技术
深度学习技术

深度学习(deep learning)是机器学习的分支,是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。 深度学习是机器学习中一种基于对数据进行表征学习的算法,至今已有数种深度学习框架,如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

机器学习技术

机器学习是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。

人工智能技术

在学术研究领域,人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体(intelligent agent)

学习曲线技术

在机器学习领域,学习曲线通常是表现学习准确率随着训练次数/时长/数据量的增长而变化的曲线

模式识别技术

模式识别(英语:Pattern recognition),就是通过计算机用数学技术方法来研究模式的自动处理和判读。 我们把环境与客体统称为“模式”。 随着计算机技术的发展,人类有可能研究复杂的信息处理过程。 信息处理过程的一个重要形式是生命体对环境及客体的识别。其概念与数据挖掘、机器学习类似。

数据库技术

数据库,简而言之可视为电子化的文件柜——存储电子文件的处所,用户可以对文件中的数据运行新增、截取、更新、删除等操作。 所谓“数据库”系以一定方式储存在一起、能予多个用户共享、具有尽可能小的冗余度、与应用程序彼此独立的数据集合。

操作系统技术

操作系统(英语:operating system,缩写作 OS)是管理计算机硬件与软件资源的计算机程序,同时也是计算机系统的内核与基石。操作系统需要处理如管理与配置内存、决定系统资源供需的优先次序、控制输入与输出设备、操作网络与管理文件系统等基本事务。操作系统也提供一个让用户与系统交互的操作界面。

大数据技术技术

大数据,又称为巨量资料,指的是传统数据处理应用软件不足以处理它们的大或复杂的数据集的术语。

图像处理技术

图像处理是指对图像进行分析、加工和处理,使其满足视觉、心理或其他要求的技术。 图像处理是信号处理在图像领域上的一个应用。 目前大多数的图像均是以数字形式存储,因而图像处理很多情况下指数字图像处理。

Wave Computing机构

Wave Computing 是一家位于美国硅谷、致力于推动人工智能深度学习从边缘计算到数据中心的计算加速方案的公司。 Wave Computing, Inc正在用它基于数据流驱动架构(Dataflow Architecture)、系统和解决方案对AI深度学习现有的计算架构产生革命性的影响。与传统架构相比,它为AI计算提供了数量级的性能改进。公司的愿景是“为客户提供强大的深度学习计算能力、提升深度学习的速度和效率,无论客户数据是来源于数据中心还是边缘”。Wave将旗下的数据流驱动架构(Dataflow Architecture)和MIPS嵌入式RISC多线程CPU核及IP进行整合,致力于为下一代AI技术的发展提供源动力。Wave Computing被授予Frost&Sullivan 2018年“机器学习行业技术创新领袖”(Machine Learning Industry Technology Innovation Leader),并被CIO应用杂志评选为“Top 25人工智能提供商”(Top 25 Artificial Intelligence Providers)之一。加上MIPS,Wave目前拥有全球数百客户以及超过425项授权和待决专利。

https://wavecomp.ai/
推荐文章
暂无评论
暂无评论~