QQ
2020年：过渡到完全互连的未来——库卡机器人配件
声明：本媒体部分图片、文章来源于网络
版权归原作者所有，如有侵权，请与我联系删除。
业界正持续开发各种创新的半导体解决方案，以实现完全互连的未来。其中一项重要创新是，使边缘设备的AI推理成为切实可行，且可扩展的商机。然而挑战在于，AI推理需要强大的处理能力，且其功耗往往是边缘设备无法承担的。矩阵乘法(matrix multiplication)是AI处理的核心，它的**个层级是先从包含数百万个操作数(即权重)的运算开始，并且随着运算的进行，矩阵会变小。每次运算都需要重复多次的向量点积运算：从内存中读取两个操作数，把操作数相乘，并累加结果。整个过程会需要较高的功耗，因而也使成本增加。
今天，人们正利用各种方案来解决此问题。一种方式是，利用可从多家供货商取得的现成微控制器(MCU)，在某些情况下，这是一项不错的选择。透过把权重储存在快速的外部内存中，通常是8进位闪存，例如Adesto的EcoXiP非挥发性内存(NVM)，因此能够非常快速地取得它们。在此传统的运算模型中，数据需透过单一的总线传输，而典型的解决方案*高可达到每瓦0.1TeraOp。但对于难度更高的推论算法，则需要采用专用硬件。
的确，目前市场上已有多家供货商提供了许多不错的SoC，其中有专用的AI加速硬件。结合先进工艺节点，以及专用硬件，可使这些设计达到不错的效率。但是，这样的设计仍需要从外部内存取得权重，由于把权重带进SoC的过程会消耗功率，此问题还是存在的。
展望未来，算法的复杂性将持续成长，这将使边缘设备的AI推理硬件到达极限。为了解决这个问题，数字推论架构正在演进，现已超越了采用具专用推论引擎的MCU和SoC，朝利用深次微米工艺和近内存(near-memory)处理等新架构发展。
透过把内存和AI硬件加速器整合在相同的晶粒上，近内存处理能以更低的功耗，实现更高的效能。目前，市场上已有商业化的解决方案，宣称效能可达到每瓦9.6TeraOps。这是透过内存和执行单元之间的较高带宽所实现，同时也因为不需要到芯片外部去取得权重。但是，权重的数量会受到硅晶组件中可建置的数量限制，因此效率和可扩展性无法完全兼顾。此外，为了限制功耗，需采用先进工艺，但在先进工艺节点中，具面积与功率效率的非挥发性内存单元并不存在，需采用昂贵的SRAM数组。
进一步的创新是有必要的，透过内存内(in-memory)的模拟处理(运算资源和内存位于同一位置)，我们看到了未来AI边缘推论引擎的光明前景。在此典范中，深度神经网络(DNN)矩阵成为非挥发性内存单元数组，而矩阵的权重成为非挥发性内存单元的电导(conductance)。透过输入电压与非挥发性内存单元电导的模拟相乘来完成乘法运算。这些运算在所有向量元素上所产生的电流，以模拟方式相加，以产生MAC结果。由于不需要移动权重，因此该模型可以实现功率效率和可扩展性的绝佳组合。业界预估，此解决方案的小能可达到OI每瓦28TeraOps。
内存内模拟处理当然会面临挑战，而且不会在2020年实现这项技术。但是，我们相信，今年业界将会在此领域取得进展。模拟解决方案正在迎头赶上，利用单一晶体管储存和原地(in-place)运算，可免除昂贵的硬件乘法器。当我们迈向完全互连的未来时，结合模拟和数字运算，可能是因应边缘设备AI推理挑战的方法。
更多资讯：库卡机器人配件
