IBM正在研制一種可兼顧高精度學(xué)習(xí)和低精度推理的深度學(xué)習(xí)芯片。

深度學(xué)習(xí)領(lǐng)域仍在不斷發(fā)展，特別地，專家們認(rèn)識到如果芯片能夠使用低精度的計算方式得出近似答案，神經(jīng)網(wǎng)絡(luò)就可以用很少的資源完成大量的計算。這在移動設(shè)備和其他功率受限的設(shè)備中尤其有用。但對某些任務(wù)，尤其是訓(xùn)練神經(jīng)網(wǎng)絡(luò)去完成某些事情的任務(wù)來說，精確性仍然是必需的。IBM最近在IEEE VLSI研討會上展示了其最新的解決方案（目前仍然是原型）：一款在上述兩方面都有良好表現(xiàn)的芯片。

訓(xùn)練神經(jīng)網(wǎng)絡(luò)與使用該網(wǎng)絡(luò)執(zhí)行其功能（稱為推理）的需求之間存在脫節(jié)，這對那些從事于設(shè)計芯片以加速AI功能的人來說是一個巨大的挑戰(zhàn)。IBM的新型AI加速器芯片能夠滿足該公司提出的所謂范圍精度（scaled precision）要求。也就是說，它可以在32位、16位，甚至1位或2位模式下進(jìn)行訓(xùn)練和推理。

IBM約克鎮(zhèn)高地（Yorktown Heights）研究中心的杰出技術(shù)人員、該項工作的領(lǐng)導(dǎo)者Kailash Gopalakrishnan解釋說：“在訓(xùn)練中，你能夠使用的最好精度是16位，而在推理中可以應(yīng)用的最好精度是2位。這個芯片可能涵蓋了目前已知的最佳訓(xùn)練和最好推理?！?/p>

該芯片能夠獲得上述表現(xiàn)的原因來自于兩項創(chuàng)新，而這兩項創(chuàng)新的目標(biāo)都是實(shí)現(xiàn)相同的結(jié)果——保持所有處理器組件能夠得到數(shù)據(jù)和工作。

Gopalakrishnan說：“在深度學(xué)習(xí)方面，傳統(tǒng)芯片架構(gòu)面臨的挑戰(zhàn)之一是利用率一般非常低?！币簿褪钦f，即使芯片可能具有非常高的峰值性能，通常只有20％到30％的資源能夠被用于解決問題。IBM始終將所有任務(wù)的目標(biāo)定為90％。

利用率低通常是因?yàn)榇嬖谟谛酒車臄?shù)據(jù)流瓶頸。為了突破這些信息障礙，Gopalakrishnan的團(tuán)隊開發(fā)了一個“定制”的數(shù)據(jù)流系統(tǒng)。該數(shù)據(jù)流系統(tǒng)是一種網(wǎng)絡(luò)方案，可以加速數(shù)據(jù)從一個處理引擎到下一個處理引擎的傳輸過程。它還針對要處理的是學(xué)習(xí)任務(wù)還是推理任務(wù)以及不同的精度進(jìn)行了優(yōu)化。

第二項創(chuàng)新是使用專門設(shè)計的“便箋本”形式的片上存儲器，而不是CPU或GPU上的傳統(tǒng)高速緩沖存儲器。構(gòu)建高速緩存是為了遵守某些對一般計算有意義的規(guī)則，但會導(dǎo)致深度學(xué)習(xí)的延遲。例如，在某些情況下，緩存會將一大塊數(shù)據(jù)推送到計算機(jī)的主存儲器（強(qiáng)制推送），但如果神經(jīng)網(wǎng)絡(luò)的推理或?qū)W習(xí)過程需要用到該數(shù)據(jù)，則系統(tǒng)將不得不保持等待狀態(tài)，直到可以從主存儲器中檢索到該數(shù)據(jù)。

便箋本遵循不同的規(guī)則。構(gòu)建它的目標(biāo)是為了保持?jǐn)?shù)據(jù)流經(jīng)芯片的處理引擎，并確保數(shù)據(jù)在恰當(dāng)?shù)臅r間處于正確的位置。為了獲得90％的利用率，IBM必須使設(shè)計出的便箋本具有巨大的讀/寫帶寬（每秒192千兆字節(jié)）。

由此產(chǎn)生的芯片可以執(zhí)行當(dāng)前所有的三種主要深度學(xué)習(xí)AI：卷積神經(jīng)網(wǎng)絡(luò)（CNN）、多層感知器（MLP）和長-短期記憶（LSTM）。Gopalakrishnan解釋說，這些技術(shù)共同主導(dǎo)了語言、視覺和自然語言處理。在16位精度（尤其是針對訓(xùn)練）情況下，IBM的新芯片能夠在每秒鐘內(nèi)執(zhí)行1.5萬億次浮點(diǎn)運(yùn)算；在2位精度下（推理的最佳設(shè)置）則躍升到每秒12萬億次運(yùn)算。

Gopalakrishnan指出，由于芯片是采用先進(jìn)的硅CMOS工藝（GlobalFoundries的14納米工藝）制造的，每秒鐘內(nèi)發(fā)生的所有這些操作都被限制在一個相當(dāng)小的區(qū)域內(nèi)。為了推理出一個CNN網(wǎng)絡(luò)，該芯片可以在每平方毫米內(nèi)每秒執(zhí)行平均1.33萬億次操作。這個數(shù)字很重要，“因?yàn)樵诤芏鄳?yīng)用中，你的成本受到尺寸的限制，”他說。

新的架構(gòu)也證明了IBM研究人員幾年來一直在探索的東西：如果以高得多的精度訓(xùn)練神經(jīng)網(wǎng)絡(luò)，真正低精度的推理就無法正常進(jìn)行。Gopalakrishnan說：“當(dāng)?shù)陀?位時，訓(xùn)練與推理將開始直接相互影響。一個在16位模式下訓(xùn)練但以1位模式部署的神經(jīng)網(wǎng)絡(luò)系統(tǒng)將出現(xiàn)無法接受的重大錯誤。因此，以與最終部署方式類似的精度訓(xùn)練網(wǎng)絡(luò)將帶來最好的結(jié)果?！?/p>

尚無任何消息披露這項技術(shù)什么時候可能以Watson或其他形式進(jìn)行商業(yè)化，但Gopalakrishnan的領(lǐng)導(dǎo)、IBM半導(dǎo)體研究所的副總裁Mukesh Khare表示希望它能夠發(fā)展和改進(jìn)。他說：“這只是冰山一角，我們正在進(jìn)行更多創(chuàng)新。”