機(jī)器學(xué)習(xí)/深度學(xué)習(xí)、自動化、更卓越的設(shè)計能力、5G和邊緣計算等概念的推動下，使得汽車、工業(yè)、醫(yī)療等各行業(yè)都在經(jīng)歷空前的數(shù)字化轉(zhuǎn)型，并促進(jìn)了針對其特定應(yīng)用需求而優(yōu)化的定制系統(tǒng)和SoC的開發(fā)。Anirudh Devgan這句話從當(dāng)下現(xiàn)狀來剖析智慧化勢不可擋：“我們已進(jìn)入智能系統(tǒng)設(shè)計時代。”

“神經(jīng)元比作節(jié)點、突觸比作連接線，組成一個人工神經(jīng)網(wǎng)絡(luò)。神經(jīng)元通過突觸進(jìn)行通信，而突觸的權(quán)重決定是否能夠通信。如此一來，任何神經(jīng)元就是一堆數(shù)據(jù)，加權(quán)重，再到下一級。這是一種全新的計算方式”，如此形容如今大伙的神經(jīng)網(wǎng)絡(luò)，也表達(dá)了背后關(guān)于數(shù)據(jù)量的變化：“處理人工神經(jīng)網(wǎng)絡(luò)需要的數(shù)據(jù)量是驚人的，VGG19模型就達(dá)到196億每秒浮點運算次數(shù)。（如下圖右側(cè)柱狀圖）”

信息時代在過去30年里，算法、算力、數(shù)據(jù)都提升百萬倍。但在智能時代僅僅過去5年里，在算法上提升百萬倍、算力提升十萬倍、數(shù)據(jù)提升萬倍。這里的分界點是阿法狗出來那一刻，如今那個機(jī)器，在算法上又提升了一百萬倍。同時這也是一個算法不斷迭代演進(jìn)的年代。算法每6個月或者3個月就要變一次，一個算法對應(yīng)一個應(yīng)用，沒有通用的算法對我們硬件（芯片）來說是災(zāi)難性的。

要應(yīng)對這場“災(zāi)難”，顯然需要本文開頭構(gòu)想的場景——“讓芯片通過學(xué)習(xí)的過程而使得算法和軟件自動演進(jìn)”。

“計算量足夠大，能量效率還要足夠高，這之間很難平衡。從現(xiàn)在以T為單位的計算量來看，幾乎是要在單芯片上實現(xiàn)超算，本來我們想象在5nm/10nm才有所需求，人工神經(jīng)網(wǎng)讓芯片早就達(dá)到了超算能力。”魏少軍如此說道，他眼中的智慧芯片需要具備至少以下8個特點。

1，可編程性，適應(yīng)算法不斷變化；2，改變架構(gòu)，來適應(yīng)算法 獲得最佳計算效率；3，非常好的架構(gòu)變換能力；4，很高的計算效率，用指令肯定不行；5，很高的能量效率；6，低成本；7，體積??；8，簡單，開發(fā)應(yīng)用要簡單。只需軟件工程師會編程即可。

至此，魏少軍認(rèn)為“軟件定義芯片”才是最佳做法。其概念是就是將分塊軟件/程序不斷送到數(shù)據(jù)通道，使芯片能實時地根據(jù)軟件或產(chǎn)品的需求改變功能，實現(xiàn)更加靈活的芯片設(shè)計。在去年美國國防部先進(jìn)計劃署（DARPA）推動的電子產(chǎn)業(yè)振興計劃（ERI），其中一個課題就是軟件定義硬件的概念。

當(dāng)然，當(dāng)下軟件定義芯片架構(gòu)并沒有逃開馮·諾依曼架構(gòu)，可以看出該架構(gòu)在計算完備性上是有理論基礎(chǔ)的。1.0時代則包括TPU等，追求性能同時追求低功耗。1.5時代則包括DPU Thinker等，不僅要可重構(gòu)，還要追求能量效率和靈活性。2.0時代，則包括了前面所有有點。魏少軍認(rèn)為AI芯片2.0才是真正的智慧，但還沒有出現(xiàn)。

2019年是公司特殊的一年，正式踏入了系統(tǒng)設(shè)計、系統(tǒng)分析領(lǐng)域，旨在幫助用戶在日常開發(fā)中實現(xiàn)更多智能化。這里的智能系統(tǒng)設(shè)計策略就是Anirudh Devgan所說的：“以技術(shù)（計算）軟件為核心能力，包括引用AI和算法優(yōu)化設(shè)計工具、擴(kuò)展到新系統(tǒng)領(lǐng)域、以及執(zhí)行核心EDA和IP。”

此外，為了優(yōu)化設(shè)計方案，Cadence 提出了 Machine Learning 與 EDA 相互融合的理念，并在中國IC設(shè)計市場帶來了全新的思路，如下：（1）ML Inside：通過最新的機(jī)器學(xué)習(xí)引擎，改善數(shù)字設(shè)計工具，帶來更好的PPA。通過對過往的大數(shù)據(jù)分析和決策，來加速未來的智能版圖設(shè)計。（2）ML Outside：自動化的設(shè)計流程，提升整個設(shè)計的生產(chǎn)效率。（3）ML Enablement：軟件和硬件的協(xié)同設(shè)計，以及 Cadence 獨有的 Tensilica 處理器 IP，應(yīng)用機(jī)器學(xué)習(xí)為系統(tǒng)級的優(yōu)化帶來提升。

如果能猜對重要的場景，并猜對重要的算法，來應(yīng)對架構(gòu)本身的不確定性。那就大有可為?！?依圖的思路放在了視頻視覺處理上，實現(xiàn)“用1個機(jī)柜支撐1萬路攝像頭的全解析，讓能耗、成本和空間都獲得大幅度的減低和壓縮。如此一來，讓筆者越發(fā)覺得芯片這行太難了，前方烏托邦式的“智慧芯片”，再加完美的應(yīng)用場景，設(shè)計工具本身就要兼具智能系統(tǒng)。外加人才、資本、政策協(xié)助，才是一個完整的芯片升級之道。