“让芯片通过学习的过程而使得算法和软件自动演进，如此一来，所需功能的芯片自动就有了。”这到底属于怎样的智慧芯片？我有一个梦想，“让芯片通过学习的过程而使得算法和软件自动演进，如此一来，所需功能的芯片自动就有了。”

与此相反的一个状况是，“当芯片设计人员用6个月来思考定义，头脑风暴许久只为与别人做出不一样的芯片。再到市场阶段早已过去两三年，突然发现做出的芯片没有市场。”

以上构想和惨况不是我凭空想来，是在前几日在Cadence 2019年度CDNLive大会上，清华大学教授魏少军博士在做主题为“软件定义芯片”演讲时所说。后者更接近现状，而前者却成了芯片从业人员或者科研人员的梦想。

遥不可及吗？不见得。

今年的CDNLive将目光瞄上了智能二字，主题设为“智能系统设计” （Intelligent System Design），主论坛的演讲嘉宾分别是Cadence公司总裁Anirudh Devgan、清华大学教授魏少军，以及人工智能独角兽依图科技创始人、CEO朱珑出席了大会，阵容上囊括了产业与学术界。

三位大咖的演讲横穿智慧芯片的过去现在和未来，让笔者顿觉，在芯片的最前方似乎有一座乌托邦，不用“扬鞭”，便能“自奋蹄”。这到底是怎样的愿景？背后又藏着怎样的生意？

为什么要智能芯片？

“机器学习/深度学习、自动化、更卓越的设计能力、5G和边缘计算等概念的推动下，使得汽车、工业、医疗等各行业都在经历空前的数字化转型，并促进了针对其特定应用需求而优化的定制系统和SoC的开发。” Anirudh Devgan这句话从当下现状来剖析智慧化势不可挡：“我们已进入智能系统设计时代。”

Cadence公司总裁Anirudh Devgan

魏少军教授和朱珑同时认为这是一场“算法、数据、算力（芯片）”大爆炸的结果，魏少军表示，自上世纪80年代人工智能诞生的惊喜开始，不仅成就了David hunter的诺贝尔奖荣誉，也为人们打开了另一个智能世界。

清华大学教授魏少军

“神经元比作节点、突触比作连接线，组成一个人工神经网络。神经元通过突触进行通信，而突触的权重决定是否能够通信。如此一来，任何神经元就是一堆数据，加权重，再到下一级。这是一种全新的计算方式”，魏少军如此形容如今大伙的神经网络，也表达了背后关于数据量的变化：“处理人工神经网络需要的数据量是惊人的，VGG19模型就达到196亿每秒浮点运算次数。（如下图右侧柱状图）”

图源现场拍摄（魏少军演讲PPT）

朱珑表示：“信息时代在过去30年里，算法、算力、数据都提升百万倍。但在智能时代仅仅过去5年里，在算法上提升百万倍、算力提升十万倍、数据提升万倍。”这里的分界点是阿法狗出来那一刻，如今那个机器，在算法上又提升了一百万倍。

依图科技创始人、CEO朱珑

同时这也是一个算法不断迭代演进的年代。魏少军认为，“算法每6个月或者3个月就要变一次，一个算法对应一个应用，没有通用的算法对我们硬件（芯片）来说是灾难性的。”

要应对这场“灾难”，显然需要本文开头构想的场景——“让芯片通过学习的过程而使得算法和软件自动演进”。

到底有多难和怎么做？

“计算量足够大，能量效率还要足够高，这之间很难平衡。从现在以T为单位的计算量来看，几乎是要在单芯片上实现超算，本来我们想象在5nm/10nm才有所需求，人工神经网让芯片早就达到了超算能力。”魏少军如此说道，他眼中的智慧芯片需要具备至少以下8个特点。

1，可编程性，适应算法不断变化；

2，改变架构，来适应算法 获得最佳计算效率；

3，非常好的架构变换能力；

4，很高的计算效率，用指令肯定不行；

5，很高的能量效率；

6，低成本；

7，体积小；

8，简单，开发应用要简单。只需软件工程师会编程即可。

随后魏少军补充道：“如今的CPU、CPU+GPU、CPU+FPGA、CPU+ASIC统统不是理想的架构。”

至此，魏少军认为“软件定义芯片”才是最佳做法。其概念是就是将分块软件/程序不断送到数据通道，使芯片能实时地根据软件或产品的需求改变功能，实现更加灵活的芯片设计。在去年美国国防部先进计划署（DARPA）推动的电子产业振兴计划（ERI），其中一个课题就是软件定义硬件的概念。

当然，当下软件定义芯片架构并没有逃开冯·诺依曼架构，可以看出该架构在计算完备性上是有理论基础的。

魏少军提出了“AI芯片设计路线图”，（如下）AI芯片0.5代表最早的如英特尔CPU、英伟达GPU一类芯片，用传统芯片实现人工智能。

图源现场拍摄：图横轴表示算法，纵轴表示架构

1.0时代则包括TPU等，追求性能同时追求低功耗。1.5时代则包括DPU Thinker等，不仅要可重构，还要追求能量效率和灵活性。2.0时代，则包括了前面所有有点。魏少军认为AI芯片2.0才是真正的智慧，但还没有出现。

不同于魏少军所表达的宏观概念，Anirudh Devgan和朱珑聚焦在了市场上，前者关注EDA智能系统设计，后者关注视觉方面的AI芯片。

Cadence公司副总裁，中国及东南亚地区总经理徐昀女士表示，2019年是公司特殊的一年，正式踏入了系统设计、系统分析领域，旨在帮助用户在日常开发中实现更多智能化。

这里的智能系统设计策略就是Anirudh Devgan所说的：“以技术（计算）软件为核心能力，包括引用AI和算法优化设计工具、扩展到新系统领域、以及执行核心EDA和IP。”

此外，为了优化设计方案，Cadence 提出了 Machine Learning 与 EDA 相互融合的理念，并在中国IC设计市场带来了全新的思路，如下：

（1）ML Inside：通过最新的机器学习引擎，改善数字设计工具，带来更好的PPA。通过对过往的大数据分析和决策，来加速未来的智能版图设计。

（2）ML Outside：自动化的设计流程，提升整个设计的生产效率。

（3）ML Enablement：软件和硬件的协同设计，以及 Cadence 独有的 Tensilica 处理器 IP，应用机器学习为系统级的优化带来提升。

AI芯片公司的突破口

本来前面部分已经可以结束“智慧芯片”这一话题，但依图CEO朱珑的演讲像是一针鸡血扎入我大动脉。鸡血之下其实也阐述了关于国内AI芯片的活法。

朱珑感叹做AI芯片实在太难了，做AI的人不懂芯片，做芯片的人不懂AI。总结三句话：“1，没有典型场景应用没有意义；2，没有超越NVIDIA的芯片没有意义；3，没有世界级的算法没有意义。”

本来AI芯片的企业活着就不容易，还要和世界顶尖芯片厂较劲？干不过就没有意义。按照朱珑的说法，还有几家芯片公司有意义？

超越的方法被朱珑浓缩为两个字——理念。

“如果能猜对重要的场景，并猜对重要的算法，来应对架构本身的不确定性。那就大有可为。” 依图的思路放在了视频视觉处理上，实现“用1个机柜支撑1万路摄像头的全解析，让能耗、成本和空间都获得大幅度的减低和压缩。” 在演讲中可以看出，朱珑所“猜”的场景是智慧城市。

如此一来，让笔者越发觉得芯片这行太难了，前方乌托邦式的“智慧芯片”，再加完美的应用场景，设计工具本身就要兼具智能系统。外加人才、资本、政策协助，才是一个完整的芯片升级之道。