谷歌Apollo透过AI深度学习找出AI芯片设计方法
http://bit.ly/3bQxYDk
深度学习是一种AI形式，有时比人脑在做决策时，拥有更清楚的逻辑与思维。现今有许多
应用程式依赖深度学习，以加快决策甚至被并入AI芯片中。
美国电脑科学家兼Google Brain总监Jeff Dean于一年前曾经提到，谷歌将如何利用AI来
推进其客制化芯片的内部开发工作，这会加速其软件开发速度。例如：在IC电路的布局和
路线上，AI改变谷歌对事物的看法。在这种情况下，芯片设计人员将使用软件来确定构成
芯片运作基础的电路布局。这与设计建筑物的平面图非常相似。
简单来说，在某些情况下，AI被证明比起人类做得更好。因此，组织或公司都必须将AI视
为他们的第一要务，对于深度学习态度也是如此。Jeff Dean不断强调在某些情况下深度
学习比起人类在芯片中布局电路能够做出更好的决策。
最近，谷歌提出了一项名为阿波罗（Apollo）研究专案。在Apollo中，谷歌正在执行”架
构探索”。换句话说，Apollo专案旨在有条不紊地运行各种方法，并告诉人们哪种方法最
有效。
这种“架构探索”的层次比起布局布线还要高得许多，并且在性能改进方面也表现出其价
值。它可以在不同的芯片上工作，并且有一个独家团队参与开发AI芯片，称为加速器。该
芯片与辉达A100“ Ampere” GPU、Cerebras Systems WSE芯片、以及当前市场的许多AI
芯片都属于同一类，是使用AI设计且运行AI的芯片。
其实，芯片的体系架构关键在于芯片功能元素的设计，以及它们如何相互作用，甚至包含
软件程式人员应如何取得这些功能元素等。例如：经典的英特尔x86处理器芯片具有一定
数量在内存、专属的算术逻辑单元和许多寄存器等。因而将这些部分组合在一起的方式
，就是所谓的英特尔架构。
由于Apollo专注于神经网络，因此该架构也将围绕着神经网络。不过，这绝对不是一件容
易的事。搜索不仅仅限于几个参数，还牵涉到要使用多少个数学单元（称为处理器元素）
以及对于给定模型而言，参数内存和激活内存的最佳化都有关。
简而言之，Apollo所采用的架构使能够弄清楚，不同的优化方法在芯片设计更能提高效率
。即使芯片设计会受到AI新工作量的影响，但芯片设计过程对于神经网络产生影响还是非
常值得投入的。