作者：MikesICroom
原文：https://zhuanlan.zhihu.com/p/76406904
作为首次登上Nature封面的中国芯片，Tianjic的意义非同凡响，可以说怎么赞誉都不为过。Nature上的论文我还没有拜读，先从媒体披露的信息中简要解读下。周末会仔细研究下Tianjic的论文，欢迎大家关注后续发布的深入解读系列。
总体来看，Tianjic是一款深度学习推理芯片，具有高度可重构性，同时具备对两种AI模型算法的高效支持，面向通用人工智能（AGI：Artificial General Intelligence）领域。
首先从整体架构上来看，Tianjic应该属于CGRA的结构，即粗粒度可重构阵列（Coarse Grained Reconfigurable Array）。之前分析Thinker的文章已经介绍过CGRA的特点，可以参考“思考的芯片：清微智能Thinker架构分析”，两者可以说是师出同门。这里只简要描述下结构。不同于FPGA，CGRA是一种更高层次的可重构技术，通过指令对可编程的执行阵列进行配置，是指令级别的配置速度。整个阵列由多个执行单元（PE）构成，通过配置每个PE的连接性和运算模式来定义整个阵列的功能。这种配置主要来源于特定算法的映射，因此也被称为“软件定义硬件”。CGRA的硬件设计是相对简单的，主要的难点是如何高效的进行阵列配置，将软件模型映射在硬件上。不仅仅是功能的映射，还包括数据流的控制，相关性的处理等。这和传统的软件编程思路有很大不同。硬件上Tianjic已经流片验证，软件工具方面不知道做到什么程度，但是从论文给出的自行车平衡和避障算法的成功运行，证明是有可行的方案。
CGRA的PE，对应Tianjic的FCcore，是一个结合了SNN和ANN主要算法的统一硬件结构，这个可以说是Tianjic最大的创新点。ANN就是我们通常意义上的深度学习框架，比如熟知的CNN，RNN等，主要运算是矩阵乘累加。SNN，即脉冲神经网络，是模拟生物神经元连接和运行方式的模型，通过计算产生神经电脉冲进行信息传递，因此是2值的。这个和传统网络的权重连接+激活的方式有很大差别。现在学术界和工业界对SNN的研究不多，主要是基础算法上还没有关键性的突破，一方面达不到深度学习模型的准确率，而且编程上没有统一便利的模型，实现上很复杂。大公司中也只有IBM的TrueNorth，Intel的Loihi芯片在做一些偏研究性质的工作。Tianjic把两者结合在一起，可以使一块芯片同时支持商业应用和算法研究，这是Tianjic能从实验室走向商用的关键。并且同时具备了非常高的灵活性，可以在FCcore，connection，Mesh Matrix，Single core，Multi core多个层面进行可重构，把CGRA的优势发挥的淋漓尽致。
最后一点是Tianjic选择的应用场景，可以说让人眼前一亮。想起以前google在愚人节发布的一个视频，就是推不倒的自行车，无人驾驶，可以像出租车一样召唤到任何地点。使用Tianjic的系统真的实现了这样一个场景，一下子有种科幻电影变为现实的魔幻感，极具吸引力和冲击力。非常高兴看到国内的科研工作者们也懂得包装自己的研究成果，以一种更震撼的方式来宣传和推广，这样才能让国内的研究成果更广泛的被世界关注。深度学习一路发展到今天，很明显的呈现出和传统科学不一样的发展思路，即更高的曝光度和关注度，科研工作者和他们的研究成果不断的在镁光灯下震撼着世界，同时也吸引着更多的人关注这个行业，投身相关研究和工程，而不是像之前行业那样只默默无闻的奉献。科研工作者能得到和他们的贡献相匹配的名誉和财富，是我们这个时代的荣幸。期待中国在AI领域更多的好消息。
[1] 文中和标题图片来源： Jing Pei, et, al. Towards artificial general intelligence with hybrid Tianjic chip architecture。 Nature, VOL 572, 1 AUGUST 2019
推荐阅读
更多AI处理器架构设计的技术干货，欢迎关注公众号MikesICroom，
同时欢迎关注AI处理器架构设计专栏。
