目錄 41 52 62.1 62.1.1 61. 61） 62） 73） 74） 72. 91） 9（6） 92） 93） 103. 111） 112） 113） 114） 125） 126） 127） 128） 139） 132.1.2 131. 131） 132） 133） 144） 145） 146） 142. 151） 152） 153） 17（1） 172.2 191. 191） 192） 193） 205） 202. 211） 212） 213） 214） 225） 226） 222.2.2 231. 232. 233. 244. 255. 253 253.1 273.1.1 271. 272. 271） 273.1.2 291. 292. 293.2 301. 302. 313. 314 314.1 314.2 321. 322. 324.3 321.到2025 322.到2035 333.到2050 334.4我國IT 335 335.1 345.2 341. 342. 353. 355.3 351. 352. 353. 355.4 351. 362. 363. 364. 375. 376 37122.12.1.1（芯片）、神經網絡芯片、傳感器與中間件為核心的硬件，為人工智能系統的計算提智能應用和算法提供高效支持，向下對器件和電路、工藝和材料提出需求。早在20世紀80未被真正實現。這主要是受限于硬件技術的發展水平，難以提供深度神經網絡訓練推斷過程所需的算力。直到近年來，、、等異構計算芯片被應用到人工智能應算性能進行對比可以發現，芯片相比于其他幾種芯片，在計算效能、大小、成本等人工智能計算芯片。目前來看，人工智能芯片并不能取代的位置，正如（作為專用圖像處理器）與的共生關系，人工智能芯片將會作為的人工智能運算處理器，專門處理人工智能應用所需的大并行矩陣計算需求，而務器產品中，人工智能芯片被設計成計算板卡，通過主板上的接口與相連；而在終端設備中，由于面積、功耗成本等條件的限制，人工智能芯片需要以形式被整合進o系統級芯片，主要實現終端對計算力要求較低的人工智能推斷任務。圖7-12019—2025圖7-22020—2025WaveComputing、寒武紀及比特大陸）也加入了競爭行列，很多公司專門推出云端訓練人工智能計算最重要的應用之一，MobileEyeSoC和NVIDIADrivePX系列提供的神經網云和邊緣配合的人工智能應用。總體來說，云端人工智能處理主要強調精度、處理應用中往往是配合工作的。最普遍的方式是在云端訓練神經網絡，然后在云端（備采集數據）更多的邊緣設備，它們會把人工智能處理分布在各種網絡設備（如5基站）中，讓數據個巨大的人工智能處理網絡，它們之間的協作訓練和推斷也是一個有待探索的方向。隨著大數據、人工智能的崛起，人工智能算力每3.5個月增長1倍，6年增長30萬倍，遠超不多每24個月至少增長1倍，模型構建的復雜度是原來的5倍，需要使用計算能力強大10的芯片才能滿足上述需求，即每2年超過2倍的數據增長、超過5倍的模型構建復雜度，需要超過10倍的算力提升，可能成為人工智能時代新的摩爾定律。2015年，設立了面向基于敏捷開發的集成電路項目，旨在打破傳統時代下從算法描述、硬件描述、、網表到版圖的傳統流程，利用面向對象的前饋方法學，將從設計到版圖的時間縮短到幾天甚至幾個小時。2017年，繼續加碼，推出項目，旨在重新定義電路產生的方式，摒棄傳統勞動密集型開發模式，轉而向由數據與智能驅動的綜合模式發展。在2018會議上，展示的新一代小規模人工智能嵌入式芯片采用了敏捷開發方法，設計流程采用面向對象的驗證，集合y和h，將傳統的近3年的設計研發周期縮短到3個月。敏捷開發將成為未來人工智能芯片設計實現的新趨勢。周期短，可編程靈活性高，可對任務進行流水化并行處理，在推理運算方面明顯優于開發驗證與芯片的前期定制提供一種節約的選擇。一般被用于人工智能領域的應用加速。微軟、亞馬遜數據中心使用作為加速器；Motpu于2018年部署萬量級節點，在網卡與交換機之間插入，加速ng搜索服務、、生物信息與壓縮；阿里云自研高性能加速卡，可搭載16個nx9，提供超過1000萬個邏輯單元、47的計算能力，為人工智能產業等提供加速服務，在特定場景下的處理效率比高百倍。主體深度學習專用芯片體系結構類似，對固定模式的人工智能應用核心操作（如卷積）的執行效率接近100，適合塊數據型的流水處理，由于深度神經網絡算法的數據流控制是確定的，可據此定制優化訪存，芯片可實現較高頻率、較低功耗。其他專用人工智能芯片，如通用定制處理器算法引擎（如視頻解碼、數字信號處理、安全），對智能的定制加速多體現在軟件層面。人工智能算法的計算單元相對簡單，因此，探索新的物理器件（如光衍射、憶阻器）行存儲和運算，可以極大地優化人工智能芯片的功耗和算法。最新發表在au的論文中，研究人員通過實驗，展示了模擬非易失性存儲器（）能夠有效地加速反向傳播（）算法，后者是許多最新的人工智能算法的核心。這些能讓算法中的乘-加運算在模擬域中并行。研究人員將一個小電流通過一個電阻器傳遞到一根導線中，然的過程。識。開源內容囊括指令集與處理器核、uncoreIP、EDA工具鏈、更高抽象的硬件開發語檻。2017年9月，NVDLANVIDIA在GTCChina2017大會上發布，在GitHub上有完整的開為降低人工智能技術的使用難度并吸引更多的開發者，許多人工智能項目轉向將noo、2、等主流框架封裝成高級，構建人工智能的前端框架。基于高級的前端框架實現方式支持不同領域的差異性。例如，的前端框架，通過極簡的、高度模塊化的神經網絡庫，能夠運行在noo和hno任一平臺，降低了開發難度，提升了智能模型的兼容性，加速了開發效率。人工智能系統軟件的中間表示是介于編程框架和處理器的中間表示。對于框架和平臺廠商：多種深度學習框架在多種硬件平臺上的實現移植涉及的工作量大、時間周期長；對臺廠商，只要支持，即可與軟件棧銜接性。2.1.2FPGA的半定制化芯片、全定制化ASIC芯片、類腦計算芯片（IBMTrueNorth）等；另NNVM編譯器。國內企業寒武紀公司2019年發布人工智能開發平臺CambriconNeuware，產業界絕大多數編譯器都按照LLVM（LowLevelVirtualMachine，底層虛擬機）體系架目前主流的開源框架主要有國外的noo（谷歌）、、yoh、（亞馬遜），以及國內的dddd（百度）、ndpo（華為）、uub（京東）等。目式依然依托國外平臺。（ApplicationProgrammingInterface，API）為系統前臺和后端提供快速、高效且安全性高表7-12.22.2.1提高人工智能芯片性能和能效的關鍵之一在于支持高效的數據訪問。在傳統馮·諾伊曼體片的實現中，基于馮·諾伊曼體系結構提供運算能力是相對比較簡單易行的，但由于運算跟上運算部件消耗數據的速度，再增加運算部件也無法得到充分利用，即形成所謂的馮·諾伊曼“瓶頸或存儲墻”問題，如圖73所示。目前常見的方法是利用高速緩存（h）等層次化存儲技術，盡量緩解運算和存儲的速度差異。圖7-3馮·諾伊曼存儲“瓶頸”HopChips2019會議上，AMD公司和LisaSu博士指出，在過去十年間，性能進步最重要的得起28n工藝，融資足夠多的人工智能芯片創業企業才敢嘗試16n工藝2。這就導致一能，再通過其通用性和原有的渠道、用戶生態等優勢，賣出更多的芯片來收回成本。立DARPA、GoogleX實驗室、Facebook人工智能研究院的經驗，成立我國人工智能國家技術交流合作，積極爭取國際技術標準話語權，實現“你中有我，我中有你，突破美國的科技封鎖線；三是促進人工智能軟硬件產業鏈協同創新發展，組建依托安全可控信息技術產學研用聯盟，設立“產業基金創新基金”，加強產業鏈上下游企業在戰略、技術、標創新和產業發展合力。GoogleCode均明確聲明遵守美國出口管制條例，并且司法管轄權均在美國加利福尼亞足。美國斯坦福大學發布的《2019的論文的影響力更大，較全球平均水平高出50%。清華大學（計算機系）—中國工程院科技知識中心“知識智能聯合研究中心和清華大學人工智能研究院在2020年推出的人工智能全球2000位最具影響力學者”榜單顯示，中國學者的占比僅為9.4，遠遠落后于美國的61.4%3。2.2.2對于第一類硬件，我國半導體產業實力有可能成為人工智能發展的潛在瓶頸。2021國半導體的全球生產市場份額僅為4%，而美國的市場份額達到50；我國半導體行業的融資總額占比僅為4.3%。（2019年）86.7%，有計劃應用開源技術的企業的占比為10.6%[4]“重論文輕工業模式的科研項目使一線的學者更愿意發表大量高水平論文，這樣更能產生項的項目，失敗的少，成果不顯著的少。國外研究團隊更傾向“輕科研重工業模式，也是一種模式”，雖然這種模式論文少、見效慢、風險高，但更有利于硬核心技術快速對譽和產業影響并不是通過論文數量產生的；其有自己的學術評價標準，并不追求論文數量；自2010年以來，其在計算機體系結構領域只發表了18篇論文，但其在5年（2011—2015年）的時間里，圍繞進行了12次流片，每次流片都意味著對上一次工作的否定和完善，這種處理器級別的流片次數和頻率遠遠超出了世界上其他所有大學。3圖7-43.13.1.1具體而言，模式識別和機器學習領域的論文，僅在2015—2021年的61）通過對學術搜索領域進行人才相關分析，全球學術搜索領域的學者數量為7262發展趨勢來看，總體呈現上升趨勢。如圖75所示，中國學術搜索領域學者數量總體保持穩定，全球占比約為10%8。圖7-5學術搜索領域人才對比分析在排名前十的機構（見圖76）中，清華大學位列第一，學者數量為231人，但學者h-nd（高引用指數）均值在排名前十的機構中偏低。微軟和卡內基梅隆大學分別列第2位、第3位，學者數量分別為202人、199人，這兩家機構的學者hndx平。圖7-62020年學術搜索領域學者數量及學者h-index均值排名前十的機構[8]圖7-72020年人機交互學者人才數量國家3.1.22019年8（InformationTechnologyandInnovationFoundation，ITIF）數據創新中心發布了《誰會在（WhoIsWinningtheAIRace：China，theEUortheUnitedStates？）[10]。該報告通過對分）。就應用和試行人工智能的企業百分比而言，中國位居首位（4.7分），（2.9分）和歐盟（2.5分）人工智能的行業應用示意[13]如圖7-8圖7-83.244.14.24.3到2025到2035到20504.4我國IT從早期通過863計劃、核高基”計劃實現核心技術零的突破，到一代代芯片、基礎軟硬階段，目前正在步入產業化發展、使用體驗提升到好用愿用的新階段。目前，國內人工智能產品和應用的研發主