AI芯片如何才能跟上算法的速度？AI芯片評估面臨什么挑戰？邊緣AI芯片設計之前的評估尤為重要！

在人工智能時代，一款AI產品成功與否的終極衡量標準是能在多大程度上提高我們生活的效率。隨著AI技術從云端向邊緣發展，需要優化的工程問題將更為復雜。為了產品最終的成功，在芯片設計之前有效的評估變得越來越重要。然而由于AI芯片應用場景紛繁復雜的屬性，所以行業內需要正確的且具有專業知識的評估工具。

　　AI行業的難題之一：

　　AI芯片跟不上算法的速度

　　早在2019年斯坦福大學就有報告指出，AI對算力需求的速度要快于芯片的發展速度。“在 2012年之前，AI的發展與摩爾定律的遵循度極高，計算能力每兩年翻一番，但2012年之后，AI的計算能力每3.4個月就翻一番?！?/p>

　　當通用處理器算力跟不上 AI 應用的需求，針對 AI 計算的專用處理器便誕生了，也就是常說的“AI 芯片”。自2015年AI算法在視覺識別方面超越人類分數，業界對AI芯片關注度大增，也因此帶動了相關IP技術的發展，加快了下一代處理器和存儲器的速度，實現了更高的帶寬接口，從而緊緊跟上AI算法的步伐。圖1顯示了自2012年引入反向傳播和現代神經網絡，并與NVIDIA的重型計算 GPU 引擎相結合后，AI典型錯誤率呈現肉眼可見的降低。

　　圖 1：在 2012 年引入現代神經網絡后，AI分類錯誤迅速減少，2015年起低于人類錯誤率

　　隨著AI 算法日益復雜，無法在專為消費類產品設計的 SoC 上執行，需要使用修剪、量化等技術對齊進行壓縮，從而減少系統需要的內存和計算量，但這樣就會影響準確性。所以工程上面臨一個挑戰：如何實施壓縮技術而不影響AI應用所需的精度？

　　除了AI算法復雜性的提升之外，由于輸入數據的增加，推理所需的數據量也急劇增長。圖 2 顯示了優化后的視覺算法所需的內存和計算量。該算法設計為相對較小的 6MB 內存占用空間（SSD-MobileNet-V1 的內存要求）。在這個特定示例中，我們可以看到，隨著像素大小和顏色深度的增加，最新的圖像捕獲中的內存要求已從 5MB 增加到 400MB 以上。

　　目前最新的三星手機CMOS圖像傳感器攝像頭支持高達108MP。理論上，這些攝像頭在30fps和超過1.3GB 內存下可能需要40 TOPS的性能。但ISP中的技術以及 AI 算法中特定的區域，無法滿足這些要求，40 TOPS性能尚無法在手機上實現。但通過此示例能看出邊緣設備的復雜性和挑戰，并且也正在推動傳感器接口IP的發展。MIPI CSI-2 具有專門的區域來解決這個問題，MIPI C/D-PHY 繼續增加帶寬，以處理驅動數億像素的最新 CMOS 圖像傳感器數據。

　　圖 2：隨著輸入像素增大，SSD-MobileNet-V1 的內存變化測試

　　如今的解決方案就是壓縮AI算法，壓縮圖像，這就使得芯片優化變得極其復雜，尤其是對于內存有限、處理量有限且功耗預算較小的 SoC。　

　　AI行業難題二：AI芯片評估面臨挑戰

　　AI芯片廠商通常對會其芯片進行一些基準測試?，F在的SoC有多種不同的衡量指標。首先，每秒萬億次運算 (TOPS) 是性能的一個主要指標，通過這項數據可以更清楚地了解芯片能力，例如芯片可以處理的運算類型和質量。再者，每秒推理數也是一個主要指標，但需要了解頻率和其他參數。因此，行業內開發了額外的基準測試來幫忙AI 芯片進行評估。

　　MLPerf/ML Commons和AI.benchmark.com都是AI芯片標準化基準測試的工具。其中，ML Commons 主要提供芯片精度、速度和效率相關的測量規則，這對了解芯片處理不同 AI 算法的能力非常重要，如前所述，在不了解精度目標的情況下，我們是無法在芯片進度與壓縮程度之間做取舍的。此外，ML Commons還提供通用數據集和最佳實踐。

　　位于瑞士蘇黎世的 Computer Vision Lab 還提供移動處理器的基準測試，并發布其結果和芯片要求以及支持重復使用的其它信息。包括 78 項測試和超過180 個性能方面的基準。

　　斯坦福大學的DAWNBench為ML Commons的工作提供了支持。這些測試不僅能解決 AI 性能評分問題，還解決了處理器執行 AI 算法訓練和推理的總時間問題。這解決了芯片設計工程目標的一個關鍵問題，即降低整體擁有成本或總擁有成本。AI 處理時間，決定了云端 AI 租賃或邊緣計算的芯片所有權，對于組織的整體 AI 芯片策略更有用。

　　另一種流行的基準測試方法，是利用常見的開源圖形和模型，但這些模型也有一些弊端。例如，ResNET-50 的數據集為 256x256，但這不一定是最終應用中可能使用的分辨率。其次，該模型較舊，層數少于許多較新模型。第三，模型可以由處理器 IP 供應商手動優化，但這并不代表系統將如何與其他模型一起執行。除了ResNET-50之外，還有大量可用的開源模型，通過它們可以看到該領域的最新進展，并為性能提供良好的指標。

　　最后，針對特定應用的定制圖形和模型變得越來越普遍。理想情況下，這是對 AI 芯片進行基準測試，以及合理優化以降低功耗和提高性能的最佳方案。

　　由于SoC開發者各有不同的目標，有些是應用于高性能領域，有的是用于較低性能的領域，還有的是通用AI領域，以及ASIC領域。對于不知道需要按照哪種 AI 模型進行優化的 SoC，自定義模型和開放可用模型的良好組合，可以很好地指示性能和功耗。這種組合在當今市場中最常用。然而，在 SoC 進入市場后，上述較新的基準測試標準的出現，似乎在比較中具有一定的相關性。

　　邊緣AI芯片設計之前的評估尤為重要

　　現在越來越多的數據計算在邊緣發生，鑒于邊緣優化的復雜性，當今的 AI 解決方案必須協同設計軟件和芯片。為此，它們必須利用正確的基準測試技術，同時還必須有工具支持，從而使設計人員能夠準確探索系統、SoC 或半導體 IP 的不同優化方式，調查工藝節點、存儲器、處理器、接口等。

　　在這方面，新思科技可針對特定領域提供有效的工具，來對 IP、SoC 和更廣泛的系統進行模擬、原型驗證和基準測試。

　　首先，新思科技HAPS? 原型驗證解決方案通常用于展示不同處理器配置的能力和權衡。該工具能夠檢測出除了處理器之外， AI 系統的帶寬在什么情況下開始成為瓶頸？傳感器輸入（通過 MIPI）或存儲器訪問（通過 LPDDR）在處理不同任務時的最佳帶寬是多少？

　　再一個，新思科技ZeBu? 仿真系統可用于功率模擬。ZeBu Empower可采用AI、5G、數據中心和移動SoC應用的真實軟件工作負載，在數小時內完成功耗驗證周期。此仿真系統已被證明優于 AI 工作負載的模擬和/或靜態分析。

　　用戶還可以通過新思科技的 Platform Architect 探索 SoC 設計的系統層面。Platform Architect 最初用于內存、處理性能和功耗探索，最近越來越多地用于了解 AI 的系統級性能和功耗。使用預構建的LPDDR 、ARC處理器模型用于 AI、存儲器等，可以進行靈敏度分析，以確定最佳設計參數。

　　新思科技擁有一支經驗豐富的團隊，負責開發從 ASIP Designer 到 ARC 處理器的 AI 處理解決方案。包括內存編譯器在內的經過驗證的基礎 IP 產品組合已廣泛應用于 AI SoC。AI 應用的接口 IP 范圍從傳感器輸入到 I3C 和 MIPI，再到通過 CXL、PCIe 和 Die to Die 解決方案的芯片到芯片連接，以及通過以太網的網絡功能。

　　總結

　　軟件和芯片協同設計已經成為現實，選擇正確的工具和專業知識至關重要。新思科技正在利用專業知識、服務和成熟的IP，為客戶提供最適合的方法，在不斷變化的情況下優化 AI 芯片。

　　　　更多信息可以來這里獲取==>>電子技術應用-AET<<