目前在 GitHub 官網上已經透露了 Copilot 的一些功能介紹，不僅支援十幾種語言，還可以理解更大範圍的上下文等等。
一起來了解看看！

軟體吞噬硬體的 AI 時代，晶片跟不上演算法的進化要怎麼辦？

作者 品玩 | 發布日期 2021 年 02 月 23 日 8:00 |

身為 AI 時代的幕後英雄，晶片業正經歷漸進持續的變化。

2008 年之後，深度學習演算法逐漸興起，各種神經網絡滲透到手機、App 和物聯網。同時摩爾定律卻逐漸放緩。摩爾定律雖然叫定律，但不是物理定律或自然定律，而是半導體業發展的觀察或預測，內容為：單晶片整合度（積體電路中晶體管的密度）每 2 年（也有 18 個月之說）翻倍，帶來性能每 2 年提高 1 倍。

保證摩爾定律的前提，是晶片製程進步。經常能在新聞看到的 28 奈米、14 奈米、7 奈米、5 奈米，指的就是製程，數字越小製程越先進。隨著製程的演進，特別進入10 奈米後，逐漸逼近物理極限，難度越發增加，晶片全流程設計成本大幅增加，每代較上一代至少增加 30%~50%。

這就導致 AI 對算力需求的增長速度，遠超過通用處理器算力的增長速度。據 OpenAI 測算，從 2012 年開始，全球 AI 所用的演算量呈現等比級數增長，平均每 3.4 個月便會翻 1 倍，通用處理器算力每 18 個月至 2 年才翻 1 倍。

當通用處理器算力跟不上 AI 演算法發展，針對 AI 演算的專用處理器便誕生了，也就是常說的「AI 晶片」。目前 AI 晶片的技術內涵豐富，從架構創新到先進封裝，再到模擬大腦，都影響 AI 晶片走向。這些變化的背後，都有共同主題：以更低功耗，產生更高性能。

更靈活

2017 年圖靈獎頒給電腦架構兩位先驅 David Petterson 和 John Hennessy。2018 年圖靈獎演講時，他們聚焦於架構創新主題，指出演算體系結構正迎來新的黃金 10 年。正如他們所判斷，AI 晶片不斷出現新架構，比如英國 Graphcore 的 IPU──迥異於 CPU 和 GPU 的 AI 專用智慧處理器，已逐漸被業界認可，並 Graphcore 也獲得微軟和三星的戰略投資支援。

名為 CGRA 的架構在學界和工業界正受到越來越多關注。CGRA 全稱 Coarse Grained Reconfigurable Array（粗顆粒可重構陣列），是「可重構計算」理念的落地產物。

據《可重構計算：軟體可定義的計算引擎》一文介紹，理念最早出現在 1960 年代，由加州大學洛杉磯分校的 Estrin 提出。由於太過超前時代，直到 40 年後才獲得系統性研究。加州大學柏克萊分校的 DeHon 等將可重構計算定義為具以下特徵的體系結構：製造後晶片功能仍可客製，形成加速特定任務的硬體功能；演算功能的實現，主要依靠任務到晶片的空間映射。

簡言之，可重構晶片強調靈活性，製造後仍可透過程式語言調整，適應新演算法。形成高度對比的是 ASIC（application-specific integrated circuit，專用積體電路）。ASIC 晶片雖然性能高，卻缺乏靈活性，往往是針對單一應用或演算法設計，難以相容新演算法。

2017 年，美國國防部高級研究計劃局（Defence Advanced Research Projects Agency，DARPA）提出電子產業復興計劃（Electronics Resurgence Initiative，ERI），任務之一就是「軟體定義晶片」，打造接近 ASIC 性能、同時不犧牲靈活性。

照重構時的顆粒分別，可重構晶片可分為 CGRA 和 FPGA（field-programmable gate array，現場可程式語言邏輯門陣列）。FPGA 在業界有一定規模應用，如微軟將 FPGA 晶片帶入大型資料中心，用於加速 Bing 搜索引擎，驗證 FPGA 靈活性和演算法可更新性。但 FPGA 有局限性，不僅性能和 ASIC 有較大差距，且重程式語言門檻比較高。

CGRA 由於實現原理差異，比 FPGA 能做到更底層程式的重新設計，面積效率、能量效率和重構時間都更有優勢。可說 CGRA 同時整合通用處理器的靈活性和 ASIC 的高性能。

隨著 AI 演算逐漸從雲端下放到邊緣端和 IoT 設備，不僅演算法多樣性日益增強，晶片更零碎化，且保證低功耗的同時，也要求高性能。在這種場景下，高能效高靈活性的 CGRA 大有用武之地。

由於結構不統一、程式語言和編譯工具不成熟、易用性不夠友善，CGRA 未被業界廣泛使用，但已可看到一些嘗試。早在 2016 年，英特爾便將 CGRA 納入 Xeon 處理器。三星也曾嘗試將 CGRA 整合到 8K 電視和 Exynos 晶片。

中國清微智慧 2019 年 6 月量產全球首款 CGRA 語音晶片 TX210，同年 9 月又發表全球首款 CGRA 多模態晶片 TX510。這家公司脫胎於清華大學魏少軍教授起頭的可重構計算研究團隊，從 2006 年起就進行相關研究。據芯東西 2020 年 11 月報導，語音晶片 TX210 已出貨數百萬顆，多模組晶片 TX510 在 11 月也出貨 10 萬顆以上，主要客戶為智慧門鎖、安防和臉部支付相關廠商。

先進封裝上位

如開篇提到，由於製程逼近物理極限，摩爾定​​律逐漸放緩。同時 AI 演算法的進步，對算力需求增長迅猛，逼迫晶片業在先進製程之外探索新方向，之一便是先進封裝。

「在大數據和認知計算時代，先進封裝技術正在發揮比以往更大的作用。AI 發展對高效能、高吞吐量互連的需求，正透過先進封裝技術加速發展來滿足。 」世界第三大晶圓代工廠格羅方德平台首席技術專家 John Pellerin 聲明表示。

先進封裝是相對於傳統封裝的技術。封裝是晶片製造的最後一步：將製作好的晶片器件放入外殼，並與外界器件相連。傳統封裝的封裝效率低，有很大改良空間，而先進封裝技術致力提高整合密度。

先進封裝有很多技術分支，其中 Chiplet（小晶片／芯粒）是最近 2 年的大熱門。所謂「小晶片」，是相對傳統晶片製造方法而言。傳統晶片製造方法，是在同一塊矽晶片上，用同一種製程打造晶片。Chiplet 是將一塊完整晶片的複雜功能分解，儲存、計算和訊號處理等功能模組化成裸晶片（Die）。這些裸晶片可用不同製程製造，甚至可是不同公司提供。透過連接介面相接後，就形成一個 Chiplet 晶片網路。

據壁仞科技研究院唐杉分析，Chiplet 歷史更久且更準確的技術詞彙應該是異構整合（Heterogeneous Integration）。總體來說，此技術趨勢較清晰明確，且第一階段 Chiplet 形態技術較成熟，除了成本較高，很多高端晶片已經在用。

如 HBM 儲存器成為 Chiplet 技術早期成功應用的典型代表。AMD 在 Zen2 架構晶片使用 Chiplet 思路，CPU 用的是 7 奈米製程，I/O 使用 14 奈米製程，與完全由 7 奈米打造的晶片相比成本約低 50%。英特爾也推出基於 Chiplet 技術的 Agilex FPGA 系列產品。

不過，Chiplet 技術仍面臨諸多挑戰，最重要之一是互連介面標準。互連介面重要嗎？如果是在大公司內部，比如英特爾或 AMD，有專用協議和封閉系統，在不同裸晶片間連接問題不大。但不同公司和系統互連，同時保證高頻寬、低延遲和每比特低功耗，互連介面就非常重要了。

2017 年，DARPA 推出 CHIPS 戰略計劃（通用異構整合和 IP 重用戰略），試圖打造開放連接協議。但 DARPA 的缺點是，側重國防相關計畫，晶片數量不大，與真正商用場景有差距。因此一些晶片業公司成立組織「ODSA（開放領域特定架構）工作組」，透過制定開放的互連介面，為 Chiplet 的發展掃清障礙。

另闢蹊徑

除了在現有框架內做架構和製造創新，還有研究人員試圖跳出電腦現行的范紐曼型架構，開發真正模擬人腦的計算模式。

范紐曼架構，數據計算和儲存分開進行。RAM 存取速度往往嚴重落後處理器的計算速度，造成「記憶體牆」問題。且傳統電腦需要透過總線，連續在處理器和儲存器之間更新，導致晶片大部分功耗都消耗於讀寫數據，不是算術邏輯單元，又衍生出「功耗牆」問題。人腦則沒有「記憶體牆」和「功耗牆」問題，處理訊息和儲存一體，計算和記憶可同時進行。

另一方面，推動 AI 發展的深度神經網路，雖然名稱有「神經網路」四字，但實際上跟人腦神經網路運作機制相差甚遠。1,000 億個神經元，透過 100 萬億個神經突觸連接，使人腦能以非常低功耗（約 20 瓦）同步記憶、演算、推理和計算。相比之下，目前的深度神經網路，不僅需大規模資料訓練，運行時還要消耗極大能量。

因此如何讓 AI 像人腦一樣工作，一直是學界和業界積極探索的課題。1980 年代後期，加州理工學院教授卡弗·米德（Carver Mead）提出神經形態工程學的概念。經過多年發展，業界和學界對神經形態晶片的摸索逐漸成形。

軟體方面，稱為第三代人工神經網路的「脈衝神經網路」（Spike Neural Network，SNN）應運而生。這種網路以脈衝信號為載體，更接近人腦的運作方式。硬體方面，大型機構和公司研發相應的脈衝神經網路處理器。

早在 2008 年，DARPA 就發起計畫──神經形態自適應塑膠可擴展電子系統（Systems of Neuromorphic Adaptive Plastic Sc​​alable Electronics，簡稱 SyNAPSE，正好是「突觸」之意），希望開發出低功耗的電子神經形態電腦。

IBM Research 成為 SyNAPSE 計畫的合作方之一。2014 年發表論文展示最新成果──TrueNorth。這個類腦計算晶片擁有 100 萬個神經元，能以每秒 30 幀的速度輸入 400×240pixel 的影片，功耗僅 63 毫瓦，比范紐曼架構電腦有質的飛躍。

英特爾 2017 年展示名為 Loihi 的神經形態晶片，包含超過 20 億個晶體管、13 萬個人工神經元和 1.3 億個突觸，比一般訓練系統所需的通用計算效率高 1 千倍。2020 年 3 月，研究人員甚至在 Loihi 做到嗅覺辨識。這成果可應用於診斷疾病、檢測武器和爆炸物及立即發現麻醉劑、煙霧和一氧化碳氣味等場景。

中國清華大學類腦計算研究中心的施路平教授團隊，開發針對人工通用智慧的「天機」晶片，同時支持脈衝神經網路和深度神經網路。2019 年 8 月 1 日，天機成為中國第一款登上《Nature》雜誌封面的晶片。

儘管已有零星研究成果，但總體來說，脈衝神經網路和處理器仍是研究領域的方向之一，沒有在業界大規模應用，主要是因為基礎演算法還沒有關鍵性突破，達不到業界標準，且成本較高。

附圖：▲ 不同製程節點的晶片設計製造成本。（Source：ICBank）
▲ 可重構計算架構與現有主流計算架構在能量效率和靈活性對比。（Source：中國科學）
▲ 異構整合成示意動畫。（Source：IC 智庫）
▲ 通用處理器的典型操作耗能。（Source：中國科學）

資料來源：https://technews.tw/2021/02/23/what-to-do-if-the-chip-cannot-keep-up-with-the-evolution-of-the-algorithm/?fbclid=IwAR0Z-nVQb96jnhAFWuGGXNyUMt2sdgmyum8VVp8eD_aDOYrn2qCr7nxxn6I

人工智慧可以從事創作嗎？

「我們說它可以。它的工作是創作，而不是對人類的模仿。它需要將我們帶到一個新的世界，這個世界有各種各樣的形態和生命形式。它想知道人類是否已經適應了它創造的新環境。他想知道人類是否已經找到了新的家園。」

——以上回答由創新工場 AI 文本生成模型自動生成

這段看似頗有思辨意味的對話，不來自哲學家，也不來自我或任何科技大拿，而是由創新工場人工智慧工程院研發的AI文本生成模型自動生成。

▎11位科幻作家參與，首次AI人機共創寫作實驗啟動

10月27日，傳茂文化和創新工場做了一件有趣的事，啟動了首次華語科幻AI人機共創寫作實驗項目「共生紀」。在2020年最後的兩個月時間裡，11位「人類」科幻作家與AI演算法聯手合作，將圍繞環保、性別、文化多樣性、人機關係等主題，協同創作多篇科幻文學故事。碳基的人類智慧與矽基的機器智慧一同解讀人類社會，探索人類未來的不同可能，從科技和人文的雙重維度進行共生時代的文化實錄，開啟一場人機共創寫作的奇妙探險！

「共生紀」實驗邀請了11位中國大陸的新銳科幻作家參與，他們分別是：我在谷歌的老同事陳楸帆（世界華人科幻協會主席、18次星雲獎得主）、小白（知名作家、魯迅文學獎得主）、賈立元（星雲獎得主、清華大學中文系副教授）、分形柳丁（冷湖獎、晨星獎得主）、淩晨（銀河獎得主）、顧適（星雲獎得主）、王元（晉康獎得主）、吳霜（星雲獎得主）、張凡（釣魚城科幻創始人、科幻博士）、王迎（新生代科幻作者）、蘇潔涵（新生代科幻譯者）。

「共生紀」所使用的AI寫作程式源自于創新工場 DeeCamp 2020人工智慧訓練營中的大學生創新項目「AI科幻世界」。這個團隊的大學生來自中科院計算技術研究所、中國科學院大學、華中科技大學、喬治梅森大學等國內外著名大學。他們在一個多月的DeeCamp訓練營期間，自主設計研發了AI寫作程式的主要邏輯，開發出了一款有趣的的智慧寫作工具，並獲得了本屆DeeCamp的創新賽道冠軍。

經陳楸帆等科幻作家嘗試，「AI科幻世界」已經可以輸出語法上非常通順，同時擁有一定文學表現能力的段落。這種人機共同寫作的過程對人類思維有相當的啟發意義，AI程式的輸出也常有驚人之筆，例如具有科幻風格的敘事段落：

「我覺得自己是一隻被人從墳墓裡面拉出來的兔子。一個聲音叫道：你在這裡幹什麼？我抬起頭，看見一個巨大的，渾身透明的身影，正站在我的頭頂上方。我知道這只是幻覺。因為在這個空間裡，不可能有另外一個人。」（由創新工場 AI 文本生成模型自動生成）

或者具有浪漫意味的抒情段落：

「她低著頭，臉上露出幸福的微笑。在夢中，我們互相凝望，雙方都在笑，隨後，她的雙唇輕輕吻我的嘴唇。那一天，我做了一個很長很長的夢，夢裡我和她一起在藍天下散步。風把我們的頭髮吹得很長，我們走過了一座又一座高山，那風景真是美不勝收。」 （由創新工場 AI 文本生成模型自動生成）

創新工場AI工程院執行院長王詠剛認為，AI演算法為我們提供了一面前所未有的，關乎科學邏輯、語言本質、文本規律的鏡子。人機共創這種全新的體驗在前沿科技與文藝創作兩個維度都具有重要的探索和實驗價值。科技思維與文藝思維的碰撞，提供了一種探尋人類智慧與機器智慧之間的邊界與交集，展望人類未來各種可能性的前沿視角。

基於上述考慮，傳茂文化和創新工場決定聯手舉辦「共生紀」專題策劃。知名科幻作家陳楸帆認為，人機共創實驗使用更多的數據、更智慧的演算法，但目標並不是寫出更好的作品，而是打破邊界，展開對話，實現人與機器的動態交互，讓思想碰撞與流動。

陳楸帆表示：「AI人機共創不僅僅是文字型創作，接下來會是圖像、音樂等更多可感可觸的藝術形式，帶來全感官、沉浸式、多維度的創作體驗。我們想通過一個實驗，一場遊戲，一次觀念上的冒險，以想像力為信仰，以對話為方法，打破所有的邊界與原有的知識分類，持續追尋生命、宇宙、美的意義。」

「共生紀」自即日啟動後，將持續至12月份，在「共生紀」官網、知乎、微博等平台同步進行。知乎將搭建「共生紀」專題頁面，舉辦「人機共創，誰更科幻」的盲猜活動；微博將每週發佈AI人機協作作品，邀請網友競猜作者姓名；在最後舉行的渺小藍點「微博之夜」上，科普大V將受邀與AI共創科幻故事。

▎人機共創揭示預訓練模型的商業價值

據王詠剛介紹，AI人機共創寫作實驗不僅揭示了前沿AI科技的科研價值、人文價值，AI寫作程式內部使用的核心模型還具有極為重要的產品和商業價值。

該模型是由創新工場AI工程院的科研團隊自主研發的，基於預訓練技術的超大規模中文生成模型，模型規模與OpenAI的GPT-2 Large相當。香港中文大學（深圳）數據科學學院副教授，創新工場大灣區研究院首席科學家宋彥博士主持了這項科研專案。

這是創新工場AI工程院自2016年成立後，在探索前沿技術商業化過程中取得的階段性突破之一。四年來，創新工場AI工程院以「科研+工程實驗室」模式，探索並研發以機器學習為核心的前沿人工智慧技術，並同各行業領域相結合，為產業場景提供一流的產品和解決方案，實現人工智慧科研成果向產業實踐的高效轉化。

在王詠剛看來，超大規模預訓練模型具有類似作業系統或開發平臺的特點，開發者將在未來創造出更多的可能性，衍生出許多今天還難以預見的產品類型與商業模式。

例如，超大規模預訓練模型技術有可能成為下一代問答式搜尋引擎及廣告推薦系統的核心技術，大幅改進現今問答式搜索的系統性能，回答相當一部分原本通過超大規模知識圖譜才能回答的知識性問題，甚至可以部分替代傳統的基於倒排索引的搜尋引擎，針對使用者查詢給出最匹配的資訊、網頁或廣告內容。

超大規模預訓練模型技術也可以在金融、法律、財務、人力資源、零售、製造等專業行業領域內，提供遠超以往系統性能的智慧信息解析和提取、智慧數據整合、自動機器翻譯、智慧文本檢查和審核、輔助決策、風險預警、自動客服機器人等功能模組，將企業中重要業務流程的效率和水準提升到一個新的水準。

在醫療和健康領域，超大規模預訓練模型技術也將發揮巨大效用。無論是醫療數據的格式化、病歷的解讀與分析自動化、醫療領域科研文獻的檢索與利用，還是直接面向使用者的自動問診系統，抑或是自動的醫療報告生成等，都有可能利用類似技術實現產品和商業落地的新突破。

在教育領域中，超大規模預訓練模型技術可扮演多種關鍵角色。比如自動講解知識體系、回答學生問題的虛擬老師，自動陪同學生在課後練習、提高的虛擬陪練，自動針對每個學生的能力特點制定個性化課程內容的個性化課程平台等等。

而在機器人和自動駕駛領域中，超大規模預訓練模型技術可大幅改進人機交互介面，提高人類指揮、控制自動化系統的效率，改進機器人或自動駕駛系統的語音交互能力，還有希望大幅提高機器人和自動駕駛系統對周圍環境的感知能力。

共生紀微官網 https://deecamp.com/gongshengji

One more thing，目前共生紀的AI程序只針對參與的專業作家封閉測試，在接下來的一個半月，敬請期待精彩的人機共創作品陸續出爐！

OpenAI實驗讓人工智慧玩捉迷藏，一開始雖然AI表現得很笨拙，但經過反覆訓練後，居然能發展出超越人類玩家的奇妙策略!
點這裡看原始文章▶https://openai.com/blog/emergent-tool-use/
支持啾啾鞋▶https://goo.gl/JzXgfv 啾啾鞋整理資料的秘訣 ▶ https://bit.ly/2vi0urX

▼啾啾鞋的人氣影片▼
我是如何考到多益910分的?
https://bit.ly/2uaA62k
牛排的血水根本不是血!
http://bit.ly/2lA5oND
VEVO是什麼?
https://bit.ly/2ubr8lx
驗光機裡面的農場、熱氣球是什麼?
https://bit.ly/2KRg5IQ
在路上撿到隨身碟，你會...?
https://bit.ly/2ytI7E5
還好我也退了! 當兵心得文
http://bit.ly/2AjxbWI

背景音樂Background Music:
epidemicsound.com

粉絲專頁:https://www.facebook.com/chuchushoeTW
Instagram:http://instagram.com/chuchushoetw
Twitter:https://twitter.com/chuchushoeTW
Google+:https://plus.google.com/+chuchushoeTW