摘要：人工智能(AI)芯片是支撑智能技术发展的核心硬件,其技术进步对国家科技创新、产业发展、经济增长具有重要意义。本文从云端智能芯片、边端智能芯片、类脑智能芯片3个方面总结了AI芯片的国际发展趋势,分析了我国AI芯片的应用需求,从芯片设计、制造、封装、测试等方面梳理了相关产业与技术的发展现状及趋势。当前,国产AI芯片的性能、技术、产业链存在短板,亟需开展自主创新与产业协同;国产AI芯片开发面临高成本、长周期的挑战,亟需平衡融资压力并积累发展经验;国内AI芯片领域人才短缺,亟需提高培育质量并控制流失率。为此,论证提出了我国AI芯片的发展路径,即突破技术瓶颈、加速产业化、拓展国际化、实施市场扶持,重点采取技术创新和重点项目建设、新型芯片架构和开源产业生态建设、技术标准体系制定、“产教研”融合等举措,以推动我国AI芯片产业可持续和高质量发展。

摘要：阐述数据在片内和片外之间的传输过程所消耗的能量远大于数据计算所消耗的能量。而现代深度学习模型的数据量很大,无法全部放入片内存储器,必然存在数据在片内和片外之间的传输。因此,减少数据的移动成为设计人工智能芯片的重要原则。数据复用是利用数据在同一种计算过程中,多次参与计算的特点,减少数据移动的方法。探讨数据复用的方案,提出一种衡量数据复用程度的方法。

摘要：人工智能芯片在当前新一轮人工智能浪潮中扮演着重要基础设施作用。对近期人工智能芯片技术领域的主要发展动向进行了综合评述。首先介绍美欧近期对发展人工智能芯片产业所采取的政策措施,随后分析了人工智能芯片技术的当前发展趋势,最后从应用角度概述人工智能芯片技术的发展瓶颈。综述表明,美欧高度重视人工智能芯片技术发展与产业布局;分布式协同训练技术、三维异构集成技术、基础大模型辅助芯片设计技术、云端芯片间通信技术等,正在成为未来人工智能芯片技术的重要发展方向;面向日趋具化、挑战性强化的应用场景,人工智能芯片在信号处理与通信、目标识别与分类、自动化辅助决策等方面,尚存诸多技术发展瓶颈,需要引起重视。

摘要：中国为人工智能(AI)芯片领域研发的后发国家,仍然面临着核心技术受制于人的困境,因此需要探究中国AI芯片领域关键核心技术的突破路径。从技术会聚的角度出发,基于全球AI芯片领域发明专利,利用熵值法识别出关键核心技术,以网络分析方法对比发现,日本、美国、韩国和中国四国在关键核心技术会聚方面存在明显的异质性。中国在AI领域的发明专利申请数量自2007年起快速增加,但其关键核心专利拥有量仅排全球第8位,存在“重数量、轻质量”的问题;四国在下一代信息网络产业、数字文化创意活动、数字创意技术设备制造、电子核心产业等方面具备明显的优势,在其他产业领域也有部分布局;四国在AI芯片领域研发有不同突破路径,其中日本采取“多产业用途少量多品种需求驱动+跨技术部类融合+产业链上下游企业深度协同合作”的路径,美国通过“产业多领域共同发展+跨技术部改变类融合+产学研深度融合”的方式,韩国采取“部分优势产业牵引+技术内部类别融合+领军企业带动产业链”的模式,而中国的突破路径为“多领域蜻蜓点水式并行发展+技术内部类别松散融合+少数企业自主攻关”。建议中国在关键核心技术基础共性部分借鉴美国的突破路径,在已有优势产业方面借鉴韩国经验,构建以科技领军企业为主的创新生态系统。

摘要：人工智能芯片是专门用于高效执行人工智能计算任务的芯片。中国电子科技集团公司第三十八所研制了一款针对边缘侧深度学习模型推理计算的人工智能芯片,主要面向雷达图像目标识别、色选机图像智能处理等应用。该芯片是一个异构的SOC芯片,由中央处理核心、神经网络加速核通过片上总线互联形成,峰值算力达到16TOPS(INT8)。FCOS模型是一个先进的单阶段无锚框目标检测深度学习模型,该模型首次提出的核心原理已经被一些新的目标检测网络模型采用。该文研究FCOS深度学习模型在该人工智能芯片上的部署,并研究片上存储器大小、DDR带宽、DDR配置、算力、数据类型等因素对FCOS深度学习模型部署的性能和检测效果的影响。可以为深度学习模型部署技术研究人员、人工智能芯片设计人员提供参考。

摘要：随着人工智能技术的快速发展,对计算能力的需求日益增长,传统计算架构已无法满足需求,因此新型人工智能芯片应运而生并不断迭代升级。对2024年人工智能芯片技术领域的主要发展动向进行了综合评述。首先介绍推动人工智能芯片技术发展的主要举措,随后探讨了人工智能芯片技术的发展现状,最后展望了人工智能芯片技术的未来发展趋势。综述表明,构建技术及产业联盟、持续加大投资力度,成为当前人工智能芯片技术与产业发展的重要推动力;以光子芯片为代表的新型人工智能芯片、新型材料(例如仿生仿脑材料)在人工智能芯片中的应用、人工智能技术赋能人工智能芯片设计与制备,是当前人工智能芯片技术的发展重点;从应用场景与需求出发,人工智能芯片技术已经呈现出向高容量密度、低功耗、高定制集成等方向发展的趋势。

摘要：机器人+人工智能将引领新智能技术变革,人工神经网络在机器人感知方面应用潜力巨大。然而,AI算法日益复杂、CPU等通用处理器能效瓶颈问题突出,传统处理芯片无法有效适配大规模神经网络的推理计算任务。近年来,机器人AI芯片凭借高算力、低功耗特性成为神经网络在机器人系统应用部署的理想选择,受到广泛关注。本文面向机器人应用,研究AI算法现状,梳理AI芯片设计技术最新进展,提出技术难点及可行技术路线,探讨机器人AI芯片设计的技术趋势及挑战。

摘要：针对卷积神经网络加速器中有关于脉动阵列模块的验证,提出并实现了一种基于直接编程接口C(DPI-C)程序的验证平台,采用内嵌DPI-C程序并利用通用验证方法学(UVM)满足脉动阵列模块中的浮点数乘加运算的验证需求;实验利用了SystemVerilog中的DPI接口技术,在验证平台中实现对C或C++代码的调用,通过编写C函数来实现复杂的参考模型,浮点数乘加运算便是利用C代码编写的;验证平台的整体结构是根据UVM来设计的,其中包括激励的设计、参考模型的编写、数据校对等组件,整个验证平台高效、简洁;此平台已经应用于人工智能芯片的验证工作中,编写的测试用例可以对脉动阵列进行充分验证,覆盖率达到了100%;验证平台可以保证脉动阵列验证的全面性、高效性并且调试纠错简单方便,同时还实现了UVM环境和测试用例的重用。

摘要：随着人工智能技术的飞速发展,军用智能软件已经成为世界主要发达国家在军事领域的重点研究方向。目前,各国都在不断增加对人工智能技术的资金投入以及产业布局,目的是加快人工智能技术的发展与实际军事应用,以提高本国的军事优势。军用智能软件作为实现人工智能技术在军事领域应用的载体,目前已在态势感知、智能决策、语音交互、协同作战等多个领域有了突破性进展,同时牵动了量子计算、脑机接口、智能芯片等多学科共同向前推进。因此,抢占军用人工智能领域的先机,是未来国家取得重大战略优势地位的必要条件。由于人工智能算法较于人类可以快速分析处理海量复杂信息,因此在未来军用智能软件将会在瞬时决策、智能侦查、自主作战、作战支持、全域协同等多个领域扮演重要角色,但同时算法的可靠性与可解释性也亟待提高。

摘要：路由器是片上网络的关键组件,其性能对于整个网络的性能具有重要影响;针对片上网络路由器进行功能验证,采用SystemVerilog和自动化脚本搭建了基于通用验证方法学(UVM)的验证平台,简化了验证流程;在验证平台中,通过划分多个agent向路由器的每个端口发送受约束的随机激励和定向测试序列,并创建了多个独立的测试用例,对路由器的功能进行充分的验证;通过运用覆盖率驱动策略,对验证进程进行了量化;根据路由器的设计要求,编写了覆盖组和交叉覆盖组以收集覆盖率数据;此验证平台已应用于人工智能芯片的验证工作,平台中的组件和测试用例均可实现更高层次的复用;此外,通过VCS和Verdi的联合仿真,实现了100%的功能覆盖率和95.6%的代码覆盖率的目标。