Yann Lecun官宣Facebook进军芯片领域野心，自家“ASIC”芯片开发中

大数据文摘出品

来源：FT.com

编译：橡树_Hiangsug、蒋宝尚

Facebook决定开发自己的人工智能芯片。

这也意味着Amazon和Google将要遇到 “AI芯片战”的强劲对手。

Facebook的首席人工智能科学家，现代人工智能领军人物Yann LeCun最近在接受英国“金融时报”采访时首次表示，Facebook希望与多家芯片公司合作开展项目，公司最近也曾宣布已与英特尔展开合作。但他强调，Facebook也在着手开发自家的“ASIC”芯片，服务于本公司的人工智能项目。

“众所周知，Facebook将在必要时搭建自己的硬件设备——就像现在，我们正在开发自己的专用集成电路（ASIC）。前行之路必将坎坷，但我们有信心可以战胜一切困难。”

这是Facebook首次官方宣称其进军芯片领域的野心。谈及未来公司芯片开发的着力点时，LeCun回答道：“计算机底层系统仍有很大的发展空间。”

专用AI芯片如火如荼发展

全球AI芯片创业公司融资交易数表

英伟达为各大AI数据中心图形处理器的主要供应商，如今正面临大型数据中心客户减少的短期压力，而Facebook进军AI芯片的这一决定对英伟达来讲又将是一个长期的挑战。

以往的AI芯片大多为通用处理器，但现如今，业界对AI芯片的需求发生了转变，更多人希望“秒速低耗”地完成一项单任务。这使得专用AI芯片如火如荼发展，不仅像谷歌、亚马逊和苹果这样的科技巨头大规模展开投资，许多创业公司也试图分得一羹，大举进入这场芯片大战。

业界对芯片设计和系统架构的关注持续升温，从另一方面反映出“算力”的重要性。只有基本计算能力获得根本性的突破，AI的发展才不会进入死胡同。正如LeCun所讲，如果纵观人工智能的发展历史，我们不难发现，研究人员在这一领域提出突破性见解总是在硬件得到大发展之后。

谈及阻碍人工智能发展的因素时，LeCun讲道：“在相当长的一段时间里，人们总是忽略非常明显的方法。” 以当今深度学习系统中的一项核心技术“反向传播”为例，简单来讲，反向传播是通过重新计算已有的计算结果进行优化的一种算法，这其实是基于早期研究的一个非常明显的拓展方法，但这项技术只有等到计算硬件得到飞速发展后的20世纪90年代才得到广泛应用。

其实，Facebook并非第一次设计硬件，公司曾为数据中心设备设计过新的解决方案并将其“开源”供其他人使用。LeCun表示，此次芯片设计将采用同样的方法：“技术要回馈于大众。”

Facebook的深度学习系统在图像和语言识别等方面取得了较大进展，后续的研究将继续以深度学习为核心，着力设计更优质的神经网络。

不惜一切代价地降低功耗

三十年前LeCun曾工作于AT＆T贝尔实验室，在此期间他建立了第一个基于动物视觉皮层工作原理的“卷积”神经网络，现如今，这种技术在深度学习系统中得到了大范围的推广和应用。

Facebook的首席人工智能科学家Yann LeCun在建立神经网络时使用的是监督学习。实现监督学习使用需要大量的数据进行训练，且在像Facebook这样规模公司，维持日常计算需要消耗大量的电力。Facebook每天都会对上传到其核心服务的所有图片进行大量的实时分析，完成人脸识别、提取场景标签和鉴别不良信息等功能，而这些图片总数高达2-3亿。

LeCun表示，Facebook正“不惜一切代价地降低功耗并改善延迟”，以加快系统的处理速度。他继续补充道，实现大规模实时视频监控急待新的神经网络支持。为此，Facebook也仍在积极探索新的神经网络架构，以模仿更多面的人类智能，实现更自然的交互。

LeCun表示，Facebook正斥巨资开发 “自我监督”系统。“自我监督”系统不仅能够得出与他们接受过培训的数据直接相关的结论，还能对周遭世界做出更广泛的预测——人类正是通过对所处世界的理解来适应新环境的。

LeCun讲道：“从人工智能的应用来看，Facebook对‘有常识’的智能数字助手非常感兴趣，这些数字助手拥有一定的背景知识，你可以就任何话题与之畅谈。”教予计算机“常识”的开发设想仍处于初级阶段，而且使机器拥有更高级的智能短期内也根本无法实现。“如果想要机器像人或动物一样理解环境与行为之间的交互，我们需要确认更多的因果关系。”

当前挑战：不确定情况下预测未来

Facebook有一项工作为自适应神经网络的研究：这种神经网络可根据输入的数据自行调整网络架构，使其在面对现实世界的变化时更加灵活；另一种解决方案更加“简单粗暴”：规定神经网络在解决某一问题时仅 “启动”事件相关的神经元，这种方法类比人类大脑的运作方式（事件相关电位），可以大大降低功耗。研究工作还包括将计算机存储器添加到神经网络中，以便在与人进行“对话”时可以保留更多信息，使上下文更加连贯。

神经网络性能的进展很可能对支撑其计算的芯片产生连锁反应，加剧AI芯片公司间的竞争。 LeCun讲道，谷歌的TPU已成为最强大的机器学习专用芯片，TPU的使用仍相当普遍。

“但是他们设计芯片所基于的假设不一定适用于未来的神经网络架构。” 尽管硅芯片的设计具有很强的灵活性，但在另一方面，这种灵活性带来一些弊端。微软计划在其所有数据中心的服务器中镶嵌FPGA（现场可编程门阵列，一种可编程的硅芯片），虽然它在使用时更加灵活，但在处理大量数据方面效率较低，使之较针对特定任务优化的芯片处于劣势。