12月10日~11日，由北京未来芯片技术高精尖创新中心和清华大学微电子学研究所联合主办的“第三届未来芯片论坛：可重构计算的黄金时代”在清华大学主楼举办，并正式发布了《人工智能芯片技术白皮书（2018）》（以下简称《白皮书》）。

部分白皮书编委会成员合影：从左至右依次为刘勇攀、尹首一、X.Sharon Hu、Kwang-Ting Tim Cheng、 魏少军、唐杉、Yiran Chen、吴华强。

魏少军首先介绍了白皮书的编写背景，对编委会成员的辛勤付出表示感谢。他讲到，人工智能正逐渐发展为新一代通用技术，加快与经济社会各领域渗透融合，已在医疗、金融、安防、教育、交通、物流等多个领域实现新业态、新模式和新产品的突破式应用，带动生产流程、产品、信息消费和服务业的智能化、高附加值转型发展。

作为人工智能应用实现的物理基础和关键支撑，芯片已成为人工智能领域的研究和创业热点。新兴技术不断涌现，新锐公司熠熠生辉。然而，AI芯片虽然成为“热词”，并有不少相关研究报告，但是缺少一部从技术内涵、技术脉络、技术标准、技术发展趋势等方面深入探讨、专业阐述的综合性、权威性、前瞻性专著，而《白皮书》的发布及时填补了这一空白。

《白皮书》由北京未来芯片技术高精尖创新中心联合斯坦福大学、加州大学、圣母大学、清华大学等在内的领域顶尖研究者和产业界资深专家，包括10余位IEEE Fellow，历时一年编写完成。《白皮书》凝练AI芯片技术的关键问题和发展方向，以前瞻性的视角和对技术链条的深刻理解，总结出富有启示意义和巨大价值的观点，是值得政府机构、产学研界、投资机构参考的重要文献。

魏少军教授主持发布仪式

魏少军教授指出，《白皮书》首次整合了国际化的学术和产业资源，紧扣学术研究和产业发展前沿，对人工智能芯片技术进行了深入探讨、专业阐述，提出了“AI 芯片基准测试和发展路线图”、完成了对AI芯片各种技术路线梳理及对未来技术发展趋势和风险预判，对于AI芯片技术未来将如何发展具有重要的启示意义。

随着底层芯片技术的进步，人工智能算法也将获得更好的支持和更快的发展。而在这一过程中，人工智能本身也很有可能被用于研发新的芯片技术，形成算法和芯片相互促进的良性循环局面。通过《白皮书》，我们可以清晰地看到AI芯片是人工智能产业和半导体产业交叉融合的新节点，涉及多个学科、多个领域的理论和技术基础，突显对基础扎实、创新能力强的人才的需求。

《白皮书》内容简述：

《白皮书》第一章开宗明义，提出了AI芯片技术的重要地位以及对于我国未来芯片及人工智能领域发展的意义。

《白皮书》第二章综述了AI芯片的技术背景，从多个维度提出了满足不同场景条件下理想的AI 芯片和硬件平台的关键特征。这些特征包括：具有大数据处理能力，使用富内存处理单元或具备计算能力的新型存储器，克服冯·诺依曼架构“内存墙”瓶颈；具有动态调整计算精度能力，使用尽可能低的精度达到预期效果，节省大量内存并降低能量消耗；具有强大的软件工具链，能够构建集成化的流程，将不同的机器学习任务和神经网络转换为可以在 AI 芯片上高效执行的指令代码等。

《白皮书》第三章介绍近几年的AI 芯片在云侧、边缘和终端设备等不同场景中的发展状况，总结了云侧和边缘设备需要解决的不同问题，以及云侧和边缘设备如何协作支撑AI 应用。具体来说，云侧AI处理主要强调精度、处理能力、内存容量和带宽，同时追求低延时和低功耗；边缘设备AI 处理则主要关注功耗、响应时间、体积、成本和隐私安全等问题。

目前最普遍的方式是在云端训练神经网络，然后在云端（由边缘设备采集数据）或者边缘设备进行推断。未来云端和边缘设备以及连接他们的网络可能会构成一个巨大的 AI 处理网络，它们之间的协作训练和推断是有待探索的方向。

《白皮书》第四章分析在CMOS 工艺特征尺寸逐渐逼近极限的大背景下，结合AI 芯片面临的架构挑战，AI 芯片的技术趋势。一方面，研究具有生物系统优点而规避速度慢等缺点的新材料和新器件，采用新的计算架构和计算范式，另一方面，将芯片集成从二维平面向三维空间拓展，采用更为先进的集成手段和集成工艺，将是AI芯片技术在很长一段时期内的两条重要的路径。

《白皮书》第五章讨论了建立在当前CMOS 技术集成上的云端和边缘AI 芯片架构创新。未来云端和边缘AI 芯片将会分别围绕海量数据处理能力、计算任务灵活部署以及低功耗、高效率等来进行架构创新。以软件定义的芯片为例，利用软硬件协同的设计思路，允许硬件架构和功能随软件变化而变化，同时具备处理器的灵活性和专用集成电路的高性能和低功耗，是AI芯片在CMOS技术路径上实现的范例。

《白皮书》第六章主要介绍对AI 芯片至关重要的存储技术，包括传统存储技术的改进和基于新兴非易失存储（NVM）的存储器解决方案。DRAM 和 NAND 闪存由于高密度的单元结构特点，通常被用作较大容量的片外存储器，而3D 集成已经被证明是增加商业存储器的带宽和容量的有效策略。

基于新兴 NVM 的片上存储器（如相变存储器（PCM），阻变存储器（ReRAM））可以提供比传统 NVM 更好的存取速度和低功耗，能在非常有限的功率下工作，对于物联网边缘设备上的 AI 芯片特别具有吸引力。

《白皮书》第七章重点讨论AI芯片在工艺、器件、电路和存储器方面的前沿研究工作，和以此为基础的存内计算、生物神经网络等新技术趋势。白皮书指出，基于新兴非易失性存储器件的人工神经网络计算，由于可以利用非常低的功耗实现信号的并行处理，提供很高的数据吞吐率，有望成为模拟存内计算（Analog In-memory Computing）的基础技术。以清华大学研究人员的工作为例，展示了阻变存储器阵列能够成功实现灰度人脸分类，而能量消耗与Intel 至强处理器相比要低1000倍。

《白皮书》第八章介绍神经形态计算技术和芯片的算法、模型以及关键技术特征，并分析该技术面临的机遇和挑战。神经形态芯片具有低功耗、低延迟、高速处理、等特点，基于传统 CMOS 技术和基于新型纳米器件的神经形态计算芯片在图像识别等人工智能任务方面都取得了不俗的成绩，但也还面临着算法单一、模型不完善、芯片性能有待提升等问题。随着对人脑运行机理挖掘得更加充分，相信神经形态芯片将取得新的突破。

《白皮书》第九章探讨了AI芯片的基准测试和发展路线图。客观评估和比较不同的AI芯片（即基准测试，Benchmark），及可靠预测 AI 芯片的发展路线对于技术创新和产业发展有重要的指导意义。与 CMOS 技术的基准测试和发展蓝图制定中，技术选项和通用性有达成一致的明确定义不同，AI芯片多样的应用、算法、体系结构、电路和器件对确定基准和路线图的共同基础提出了巨大的挑战。对于AI 芯片的测试基准和路线图建立，必须超越器件和电路层次，综合考虑多种因素的整体作用，需要算法研究人员、架构师、电路设计人员和器件专家共同努力。

《白皮书》最后一章对AI芯片的未来发展进行了展望。由于人工智能技术整体发展还处于初级阶段，AI芯片行业的发展也随之面临极大的不确定性。而这种不确定性恰恰为各种AI芯片技术创新提供了一个巨大的舞台，我们可以期待在这个舞台上看到前所未有的精彩表演。