在日前于計算機器學會(ACM)舉辦的國際實體設計會議(ISPD)上，一位專題演講的主講人表示，即時的機器學習(machine learning)典范正在改寫晶片設計的決策架構，進一步為微晶片的實體設計減少許多人為因素。

IEEE暨英特爾(Intel)平行運算實驗室院士Pradeep Dubey在ISPD專題演講上發(fā)表「追求終極學習機器」(Quest for the Ultimate Learning Machine)時提到，認知電腦將取代許多人為因素。

Dubey說：「傳統(tǒng)上，機器負責運算數字，而人類則在晶片的實體設計上做決定。但是，機器現在可以同時做到這兩部份，而使運算提升至一個全新的領域。」

以往將決策工作交給電腦的任務——即基于規(guī)則而定的人工智慧(AI)，如今無法再持續(xù)進行了，因為每一位專家都有自己的風格，而無法達成一套最佳的原則。然而，當今的認知電腦能夠執(zhí)行與人類決策行為有關的四個步驟，即感知、推理、行動、適應并重覆，直到達成最佳化設計。

然而，當今基于神經網路的深度學習認知電腦能夠執(zhí)行這四個步驟中的每一步，盡管每一步驟中都存在延遲。據Dubey表示，我們今天的任務是提高每個步驟的速度，直到實現即時作業(yè)，讓認知電腦能接管微晶片實體設計中的人為因素。

根據Dubey的說法，最大的障礙在于感測和推理步驟期間的深度學習。為了克服英特爾為其Xeon處理器系列添加新款Lake Crest的挑戰(zhàn)，利用了去年收購Nervana Systems取得的硬體神經網路。 Dubey強調，Lake Crest將使深度學習能夠即時呈現用于生產十億閘晶片的巨量資料(Big Data)組合。

另一方面，賽靈思(Xilinx)資深副總裁兼技術長Ivo Bolsens表示，只需使用現場可編程閘陣列(FPGA)就能達完成同樣的任務。 (當然，英特爾也因為在2015年收購Altera而擁有FPGA技術)。然而，Bolsens聲稱，FPGA可以加速深度學習的腳步，最終實現讓SoC的每一部份都是硬體可配置的「全可編程平臺」(all programmable platform)。

Bolsens表示：「FPGA的最大優(yōu)勢在于具有豐富的互連。而且，FPGA還擁有大量的全域記憶體與資料流架構，可有效地搭配機器學習運作。」截至目前為止，FPGA比起其他任何類型的晶片更能有效利用摩爾定律(Moore’s Law)，FPGA目前可實現多達13層的可編程互連，因而能讓任何閘之間彼此交流。此外，28nm可說是FPGA的最佳選擇，因為這一節(jié)點時的每閘成本(cost-per-gate)達到最小化——畢竟隨著FPGA用于越來越小的幾何尺寸，其成本也相對提高中。在相同的封裝中使用多個晶片，能夠達到以每秒150Gbps的短距離互連，在系統(tǒng)級封裝(SiP)中達到1Gbps。

編譯：Susan Hong

參考原文：ISPD Predicts Chip Futures; Machine Learning to Determine Architectures，by R. Colin Johnson

文章來源:EET 電子工程專輯