在日前于計算機器學會(ACM)舉辦的國際實體設計會議(ISPD)上，一位專題演講的主講人表示，即時的機器學習(machine learning)典范正在改寫晶片設計的決策架構，進一步為微晶片的實體設計減少許多人為因素。

IEEE暨英特爾(Intel)平行運算實驗室院士Pradeep Dubey在ISPD專題演講上發表「追求終極學習機器」(Quest for the Ultimate Learning Machine)時提到，認知電腦將取代許多人為因素。

Dubey說：「傳統上，機器負責運算數字，而人類則在晶片的實體設計上做決定。但是，機器現在可以同時做到這兩部份，而使運算提升至一個全新的領域。」

以往將決策工作交給電腦的任務——即基于規則而定的人工智慧(AI)，如今無法再持續進行了，因為每一位專家都有自己的風格，而無法達成一套最佳的原則。然而，當今的認知電腦能夠執行與人類決策行為有關的四個步驟，即感知、推理、行動、適應并重覆，直到達成最佳化設計。

然而，當今基于神經網路的深度學習認知電腦能夠執行這四個步驟中的每一步，盡管每一步驟中都存在延遲。據Dubey表示，我們今天的任務是提高每個步驟的速度，直到實現即時作業，讓認知電腦能接管微晶片實體設計中的人為因素。

根據Dubey的說法，最大的障礙在于感測和推理步驟期間的深度學習。為了克服英特爾為其Xeon處理器系列添加新款Lake Crest的挑戰，利用了去年收購Nervana Systems取得的硬體神經網路。 Dubey強調，Lake Crest將使深度學習能夠即時呈現用于生產十億閘晶片的巨量資料(Big Data)組合。

另一方面，賽靈思(Xilinx)資深副總裁兼技術長Ivo Bolsens表示，只需使用現場可編程閘陣列(FPGA)就能達完成同樣的任務。 (當然，英特爾也因為在2015年收購Altera而擁有FPGA技術)。然而，Bolsens聲稱，FPGA可以加速深度學習的腳步，最終實現讓SoC的每一部份都是硬體可配置的「全可編程平臺」(all programmable platform)。

Bolsens表示：「FPGA的最大優勢在于具有豐富的互連。而且，FPGA還擁有大量的全域記憶體與資料流架構，可有效地搭配機器學習運作。」截至目前為止，FPGA比起其他任何類型的晶片更能有效利用摩爾定律(Moore’s Law)，FPGA目前可實現多達13層的可編程互連，因而能讓任何閘之間彼此交流。此外，28nm可說是FPGA的最佳選擇，因為這一節點時的每閘成本(cost-per-gate)達到最小化——畢竟隨著FPGA用于越來越小的幾何尺寸，其成本也相對提高中。在相同的封裝中使用多個晶片，能夠達到以每秒150Gbps的短距離互連，在系統級封裝(SiP)中達到1Gbps。

編譯：Susan Hong

參考原文：ISPD Predicts Chip Futures; Machine Learning to Determine Architectures，by R. Colin Johnson

文章來源:EET 電子工程專輯