任何事物一旦進(jìn)入泡沫期,，就不免讓人擔(dān)心什?時(shí)候會(huì)崩盤(pán)，而當(dāng)下的 AI 芯片已經(jīng)進(jìn)入公認(rèn)的泡沫期,。

　　從 ASPLOS'14 上寒武紀(jì)的 DianNao,，到當(dāng)下 Google 的 TPUv3，AI 芯片只花了五年時(shí)間就取得了巨大的成功,。搭上 AI 算力爆發(fā)的快車(chē)道,，叫嚷著摩爾定律終結(jié)，Domain Specific Architecture(領(lǐng)域定制架構(gòu)) 似乎成了Ψ一的出·,。

　　可是當(dāng)無(wú)數(shù)的巨頭和初創(chuàng)公司設(shè)計(jì)出一塊又一塊大同小異的 AI 芯片,，我們需要回答這樣一個(gè)問(wèn)題：真的需要這?多 AI 芯片嗎?

　　軟件復(fù)雜度

　　AI 芯片的快速發(fā)展，其中一個(gè)回避不了的問(wèn)題就是軟件復(fù)雜度的指數(shù)級(jí)提升,。很多公司花了兩年甚至更短的時(shí)間做出一款芯片,，卻發(fā)現(xiàn)需要更長(zhǎng)的時(shí)間支持繁多的框架、緊跟算法的進(jìn)步,，適配從手機(jī)到數(shù)據(jù)中心的各類(lèi)平臺(tái),。當(dāng)錯(cuò)過(guò)了部署和量產(chǎn)的窗口期，即便做出了芯片也會(huì)很快落伍,。

　　與設(shè)計(jì)通用架構(gòu)不同,，設(shè)計(jì) AI 芯片這樣的專(zhuān)用架構(gòu)需要同時(shí)考慮到軟件的設(shè)計(jì)和優(yōu)化。芯片公司往往樂(lè)觀估計(jì)了軟件適配和優(yōu)化的成本,，指望通過(guò)中間件和編譯器來(lái)解決所有問(wèn)題,。事實(shí)上，從 Intel 到 Google 再到 Nvidia,，大量的軟件工程師正被投入到適配各種平臺(tái),，手動(dòng)優(yōu)化網(wǎng)絡(luò)性能當(dāng)中。而對(duì)于初創(chuàng)公司,，芯片早已 tapeout 卻一再延期交付的問(wèn)題比比皆是,。

　　從本質(zhì)來(lái)看，當(dāng)我們開(kāi)始不斷挖掘芯片架構(gòu)的潛力時(shí),，軟件層的抽象也會(huì)變的越來(lái)越困難,，因?yàn)槠洳坏貌辉谏蠈映橄笾幸氲讓拥募軜?gòu)的模型或參數(shù)。現(xiàn)在的通常做法是做底層芯片架構(gòu)與上層軟件之間的中間件，然而開(kāi)發(fā)這些中間件的代價(jià)也往往被低估,。前段時(shí)間某芯片初創(chuàng)公司的同學(xué)咨詢(xún)我,，開(kāi)發(fā)一套類(lèi)似 TensorRT 這樣的 Inference 中間件需要多少人力和多長(zhǎng)時(shí)間?這并不是一個(gè)容易回答的問(wèn)題，于是我反問(wèn)他們有多少資源可以做這個(gè)項(xiàng)目,。

　　令人意外的是,，他的老板只給了三四個(gè)人頭，因?yàn)樗麄兗僭O(shè)自己已經(jīng)有了一套底層的編譯器和一套上層的模型轉(zhuǎn)換工具,，于是這樣一個(gè)用于架構(gòu)抽象的中間件并不需要太大力氣,。我猜這樣的投入應(yīng)該可以做出一個(gè)功能完好的產(chǎn)品，但我不相信最終的產(chǎn)品在實(shí)際應(yīng)用中可以達(dá)到理想的性能指標(biāo),，畢竟做芯片并不只是用來(lái)跑 ResNet-50 這樣的 Benchmark,。

　　碎片化

　　只需要編寫(xiě)一套代碼即可運(yùn)行在不同平臺(tái)，是軟件工程師們的長(zhǎng)久訴求,。不同架構(gòu)的 AI 芯片帶來(lái)的碎片化會(huì)極大的打擊他們?cè)趯?shí)際軟件產(chǎn)品中應(yīng)用 AI 的積極性,。與以往的經(jīng)驗(yàn)不同，深度學(xué)習(xí)糟糕的解釋性會(huì)帶來(lái)許多意想不到的缺陷,。比如這樣一個(gè)常見(jiàn)的困擾,，一個(gè)私有的模型可以在本地 CPU 上得到滿意的結(jié)果，然而卻在部署到某款設(shè)備后性能大幅下降,。如何調(diào)試這些問(wèn)題,，誰(shuí)來(lái)負(fù)責(zé)調(diào)試，通過(guò)怎樣的工具來(lái)調(diào)試,，甚至調(diào)試的工程師能否拿到私有的模型?這些問(wèn)題都難以回答,。

　　碎片化還表現(xiàn)在，專(zhuān)有架構(gòu)為了挖掘絕對(duì)性能往往會(huì)放棄向前兼容性,。如上文提到的中間件,，它的一端是碎片化的 AI 軟件框架，另一端則是一代又一代的芯片架構(gòu),。如何同時(shí)維護(hù)多個(gè)部分不兼容的指令集架構(gòu),，并保證?一次軟件更新都能完整的覆蓋所有的設(shè)備?除了投入更多的人力，別無(wú)他法,。一個(gè)常見(jiàn)的論調(diào)是像當(dāng)下的消費(fèi)級(jí)芯片一樣只保持一個(gè)短期的(2-3年的)軟件支持,，然而當(dāng)下 AI 芯片的常見(jiàn)應(yīng)用領(lǐng)域，如智能攝像頭,、工業(yè)智能,、以及自動(dòng)駕駛，一款芯片的生命周期可能長(zhǎng)達(dá)十年,。很難想象一家公司需要多大的量級(jí)才能提供持久的技術(shù)支持,，如果預(yù)估一家初創(chuàng)公司活不過(guò)兩三年,，如何才能放心的部署其產(chǎn)品到一款面向消費(fèi)者的量產(chǎn)車(chē)上?

　　AI 芯片只是過(guò)渡期產(chǎn)物

　　從一個(gè)軟件工程師的角度，我個(gè)人堅(jiān)信定制化的 AI 處理器只會(huì)是一個(gè)過(guò)渡期產(chǎn)物,。一個(gè)統(tǒng)一的,、可編程的、高并發(fā)的架構(gòu)才應(yīng)該是我們追求的方向,?；叵脒^(guò)去的二十年，我們見(jiàn)證了專(zhuān)用架構(gòu)的小型機(jī)市場(chǎng)的萎縮,，圖形處理器到通用向量處理器的發(fā)展，甚至連我們的手機(jī)和電腦的平臺(tái)都將趨于統(tǒng)一,。有理由相信,，現(xiàn)在再把資源投入到定制化的 AI 芯片絕不是一個(gè)好的投資。