中國清華大學(xué)的一篇新論文描述了專門用于計(jì)算機(jī)視覺任務(wù)的超快速、人工智能處理芯片的開發(fā)和運(yùn)行。該芯片名為電子與光計(jì)算相結(jié)合的全模擬芯片 (ACCEL)，在專門的架構(gòu)中利用光子和模擬計(jì)算，能夠在圖像分類工作負(fù)載中提供 Nvidia A100 3.7 倍以上的性能。是的，它是一款用于視覺任務(wù)的專用芯片，但我們不應(yīng)該將其視為市場碎片化，而是可以將其視為邁向異構(gòu)計(jì)算未來的又一步，其中半導(dǎo)體越來越多地設(shè)計(jì)用于滿足特定需求，而不是“捕獲”。所有”配置。

正如《自然》雜志上發(fā)表的論文所述，模擬的 ACCEL 處理器在視覺任務(wù)中達(dá)到了每秒 4,600 次萬億次運(yùn)算 (TOPS)。與 Nvidia 的A100 (Ampere)相比，這具有 3.7 倍的性能優(yōu)勢，后者在 INT8 工作負(fù)載（稀疏）中的峰值為 1,248 TOPS。根據(jù)該研究論文，ACCEL 的系統(tǒng)能源效率為每秒每瓦 74.8 peta 操作。此后，Nvidia 的 A100 被 Hopper 及其 800 億晶體管 H100 超級芯片所取代，但即便如此，與這些結(jié)果相比，這看起來也并不令人印象深刻。

當(dāng)然，速度對于任何處理系統(tǒng)都是至關(guān)重要的。然而，準(zhǔn)確性對于計(jì)算機(jī)視覺任務(wù)來說是必要的。畢竟，這些系統(tǒng)用于管理我們的生活和文明的應(yīng)用范圍和方式是廣泛的：它從可穿戴設(shè)備市場（可能在 XR 場景中）延伸到自動駕駛、工業(yè)檢查以及其他圖像檢測和識別系統(tǒng)。一般，比如面部識別。清華大學(xué)的論文稱，ACCEL 在 Fashion-MNIST、3 類 ImageNet 分類和延時(shí)視頻識別任務(wù)中進(jìn)行了實(shí)驗(yàn)，具有“具有競爭力的高”準(zhǔn)確度（分別為 85.5%、82.0% 和 92.6%），同時(shí)顯示在弱光條件下具有出色的系統(tǒng)魯棒性（每幀 0.14 fJ μm−2）。

就 ACCEL 而言，清華大學(xué)的架構(gòu)通過衍射光學(xué)模擬計(jì)算 (OAC) 并輔以電子模擬計(jì)算 (EAC) 進(jìn)行操作，在一塊芯片中具有可擴(kuò)展性、非線性和靈活性，但其 99% 的操作是在光學(xué)系統(tǒng)內(nèi)實(shí)現(xiàn)的。根據(jù)該論文，這有助于克服其他視覺架構(gòu)中的限制，例如馬赫-曾德干涉儀和衍射深度神經(jīng)網(wǎng)絡(luò)（DNN）。

這個(gè) 99% 的數(shù)字至少可以解釋 ACCEL 和其他非模擬方法之間能源效率的差異：Nvidia 的 GPU 是 100% 數(shù)字化的，這意味著它的運(yùn)行基于電子的連續(xù)流動（并產(chǎn)生廢熱作為結(jié)果）。

然而，光子光學(xué)系統(tǒng)利用非電氣方式來傳輸、操作和編碼信息。這可以通過特定波長的激光脈沖來完成（我們在較近關(guān)于中國量子密鑰分配 [QKD] 衛(wèi)星系統(tǒng)的文章中對此進(jìn)行了探討，也是基于光子的），用于提取和傳達(dá)視覺數(shù)據(jù)（圖像）的特征并進(jìn)行操作幾乎在過境時(shí)就按那個(gè)燈（改變它）。由于采用了這種光學(xué)處理系統(tǒng)，因此能量需求更少，熱耗散中浪費(fèi)的電子也更少。擺脫 ADC（模數(shù)轉(zhuǎn)換器）的高能耗和延遲成本對于光子學(xué)帶來的性能改進(jìn)大有幫助。這也是為什么光子系統(tǒng)被用于量子計(jì)算和 HPC（高性能計(jì)算）安裝。

同時(shí)，我們擺脫了電子在半導(dǎo)體上有序但混亂的運(yùn)動，并解鎖了僅受光本身限制的運(yùn)行速度，從而獲得了速度優(yōu)勢。研究論文稱，該芯片的內(nèi)部測試顯示，每幀的計(jì)算延遲較低，為 72 納秒，每秒生成約 13,000 幀的吞吐量，足以讓任何《毀滅戰(zhàn)士》玩家忘記現(xiàn)實(shí)。 。協(xié)處理器似乎也有足夠的幀來分析任何計(jì)算視覺任務(wù)中選擇的這些圖像。通過 ACCEL 對這些圖像進(jìn)行深度學(xué)習(xí)處理似乎不會成為瓶頸。

ACCEL 似乎是專用集成電路 (ASIC) 設(shè)計(jì)的模擬版本。這正是電子模擬計(jì)算 (EAC) 單元的作用，因?yàn)樗梢灾匦屡渲闷渲械哪M路徑以加速特定任務(wù)。將這些視為芯片內(nèi)的預(yù)編程算法，由 EAC 協(xié)調(diào)應(yīng)將哪種配置應(yīng)用于哪個(gè)任務(wù)。

研究團(tuán)隊(duì)聯(lián)合負(fù)責(zé)人戴瓊海表示：“為人工智能時(shí)代開發(fā)新的計(jì)算架構(gòu)是一項(xiàng)成就。但更重要的挑戰(zhàn)是將這種新架構(gòu)落地到實(shí)際應(yīng)用中，解決國家和公眾的重大需求，這是我們的責(zé)任。”

新的光子和模擬 ACCEL 芯片可能會讓人想起 IBM 較近發(fā)布的另一款模擬 AI 加速芯片（Hermes）。也許有趣的是，即使對中國實(shí)施了所有制裁，該國的研發(fā)仍使其能夠迎頭趕上，并且在某些方面明顯有所改進(jìn)，無論它們受到什么阻礙。能夠繞過限制無疑是中國考慮制裁的方式。

同樣重要的是要了解這一代基于光子學(xué)的模擬芯片正在極其輕松的光刻水平上進(jìn)行加工。例如，ACCEL 是采用標(biāo)準(zhǔn) 180 nm CMOS 技術(shù)制造的，用于電子模擬計(jì)算單元 (EAC)——操作的大腦。當(dāng)然，通過進(jìn)一步小型化工藝以實(shí)現(xiàn)更低的 CMOS 節(jié)點(diǎn)（Nvidia 的 H100 采用 4 nm 工藝制造），可以進(jìn)一步提率。目前還不清楚可以做哪些進(jìn)一步的工作來小型化光學(xué)模擬計(jì)算（OAC）模塊。

大規(guī)模實(shí)施 ACCEL 等模擬計(jì)算系統(tǒng)似乎更多的是制造吞吐量和行業(yè)適應(yīng)性的問題，而不是物理上不可能的問題。但高性能人工智能模擬芯片仍未大規(guī)模部署是有原因的：目前其制造水平太低，無法滿足研究工作和原型工作以外的任何需求。我們現(xiàn)在沒有足夠的吞吐量或可用的能力將這些芯片添加到臺積電等公司已經(jīng)的 2025 年制造中，但在擴(kuò)大規(guī)模之前始終需要這些實(shí)驗(yàn)結(jié)果。此類芯片的市場非常希望擁有它們。較終，這都是計(jì)劃、支出和時(shí)間的問題。