AI芯片尚无公认评测指标 公司开发成本增加

2019-1-15 09:59| 查看: 34| 评论: 0|来自: 环球网

摘要: 资料图：中国首款云端智能芯片MLU100。中新社记者 孙自法 摄　　AI芯片，你要的评测标准还在路上　　近日，清华大学发布的《2018人工智能芯片研究报告》(以下简称《报告》)指出，人工智能芯片是人工智能时代的技术核 ...

资料图：中国首款云端智能芯片MLU100。中新社记者 孙自法 摄

　　AI芯片，你要的评测标准还在路上

　　近日，清华大学发布的《2018人工智能芯片研究报告》(以下简称《报告》)指出，人工智能芯片是人工智能时代的技术核心之一。目前人工智能还处于面向行业应用阶段，生态上尚未形成垄断，国产处理器厂商与国外竞争对手在人工智能这一全新赛场上处在同一起跑线上。

　　然而，“当前国内缺失人工智能芯片的相关评测标准。”在中国科协主办的第二届“风向标——中国创新创业先锋论坛”上，人工智能芯片企业鲲云科技创始人牛昕宇指出，这造成大家不知道自己研发的芯片在国际上处于什么样的水平。而获知一款芯片性能如何，最直接的方法是进行评测。“这就需要一套公认的评测标准”。

　　人工智能芯片评测到底多重要、多紧迫？怎样建立一套公认的评测标准？对此，记者采访了相关业内专家。

　　全球范围内尚无公认评测指标

　　牛昕宇向记者表示，国际上，缺乏统一的芯片评测标准也是一个比较大的问题，包括英伟达、英特尔等公司的芯片性能也主要依靠芯片厂商自家发布。“全球多个机构都在尝试给出评测方案，然而现状就是无公认基准测试方法和指标。”中国人工智能产业发展联盟评估认证工作组组长曹峰说。

　　“从政府、用户、系统集成厂商到算法开发者，全部无法准确评价所使用芯片的技术水平以及在国内外所处的地位，无法选取最适用于自己需求的底层芯片，芯片企业无法清晰确认自己的技术优势及目标市场。”牛昕宇对此感慨颇深。

　　人工智能芯片与传统计算芯片不同，它要求高效实现深度学习算法对海量数据高吞吐量等高并行化任务的处理。曹峰介绍，当前人工智能芯片主要分两大体系，冯诺依曼体系和非冯诺依曼体系。

　　冯诺依曼体系以五大架构芯片为代表，分别是CPU、GPU、DSP、FPGA和ASIC，在深度学习训练环节和终端推断方面发挥重大作用。非冯诺依曼体系，以IBM TrueNorth芯片为代表，采用人脑神经元的结构来提升计算能力，但目前还处于实验室阶段。

　　中国信息通信研究院DNN Benchmark项目负责人张蔚敏指出，人工智能在不同算法、不同场景下，对芯片提出了不同的要求。硬件架构、延迟、带宽、能耗、神经网络模型、参数都是用户方选择人工智能芯片的重要参考。

　　人工智能芯片为何要评测？“当前，AI芯片的功能日益复杂化、多样化，一方面，芯片厂商纷纷给出不同的衡量标准，声称其产品在计算性能、单位能耗算力等方面处于行业领先水平;另一方面，需求方却关心如何能从厂商给出的信息中判断出芯片是否能实际满足其真实场景的计算需求。”曹峰强调，“针对这一现状，一个与真实场景紧密相连的、同时跨产品可比的测试评估方案的出现，迫在眉睫。”

　　“统一的芯片标准会降低芯片厂商、人工智能算法厂商的沟通成本，建立一个有序的竞争环境。”牛昕宇表示，国外现在有一些人工智能算法竞赛，在一定程度上起到了对于人工智能算法的评测作用。我国人工智能企业也在尝试给出评测方案，比如阿里的AI matrix，寒武纪的Benchip，以及百度的Deepbench等。

　　公司自行摸索增加开发成本

　　事实上，我国庞大的人工智能应用市场对底层芯片需求巨大，但本土人工智能芯片产业尚处于起步阶段。“有一套衡量人工智能芯片性能的公认指标，我们才能知道自己前方的目标线在哪里。”牛昕宇呼吁道。

　　当前，“应用领域的差异性和实现选择的多样性导致很多测评难题。”曹峰举例，如何让评测指标在不同级别的设备中横向可比？面对云端和终端的应用差异化现状，如何构建相应的基准测试？如何为不同测试项目分配权重，以获得一个相对公正客观、有代表性的评分？

　　这种现状让人工智能整个行业倍感焦虑。“对人工智能行业的从业者来说，缺乏标准意味着缺乏统一的行业交流接口。”牛昕宇在接触大量人工智能应用研发领域一线情况后发现，在制定人工智能整体方案时，如果无法对于底层芯片所能够提供的性能和算力有一个准确的了解，难以在项目规划初期就确定整体方案，需要在项目开发过程中不断试错来测试方案。“相当于每家公司要承担部分芯片评测任务，大大提高了开发门槛。”