早在2019年斯坦福大學就有報告指出，AI對算力需求的速度要快于芯片的發展速度。“在 2012年之前，AI的發展與摩爾定律的遵循度極高，計算能力每兩年翻一番，但2012年之后，AI的計算能力每3.4個月就翻一番。”

當通用處理器算力跟不上 AI 應用的需求，針對 AI 計算的專用處理器便誕生了，也就是常說的“AI 芯片”。自2015年AI算法在視覺識別方面超越人類分數，業界對AI芯片關注度大增，也因此帶動了相關IP技術的發展，加快了下一代處理器和存儲器的速度，實現了更高的帶寬接口，從而緊緊跟上AI算法的步伐。圖1顯示了自2012年引入反向傳播和現代神經網絡，并與NVIDIA的重型計算 GPU 引擎相結合后，AI典型錯誤率呈現肉眼可見的降低。

圖 1：在 2012 年引入現代神經網絡后，AI分類錯誤迅速減少，2015年起低于人類錯誤率

隨著AI 算法日益復雜，無法在專為消費類產品設計的 SoC 上執行，需要使用修剪、量化等技術對齊進行壓縮，從而減少系統需要的內存和計算量，但這樣就會影響準確性。所以工程上面臨一個挑戰：如何實施壓縮技術而不影響AI應用所需的精度？

除了AI算法復雜性的提升之外，由于輸入數據的增加，推理所需的數據量也急劇增長。圖 2 顯示了優化后的視覺算法所需的內存和計算量。該算法設計為相對較小的 6MB 內存占用空間（SSD-MobileNet-V1 的內存要求）。在這個特定示例中，我們可以看到，隨著像素大小和顏色深度的增加，最新的圖像捕獲中的內存要求已從 5MB 增加到 400MB 以上。

目前最新的三星手機CMOS圖像傳感器攝像頭支持高達108MP。理論上，這些攝像頭在30fps和超過1.3GB 內存下可能需要40 TOPS的性能。但ISP中的技術以及 AI 算法中特定的區域，無法滿足這些要求，40 TOPS性能尚無法在手機上實現。但通過此示例能看出邊緣設備的復雜性和挑戰，并且也正在推動傳感器接口IP的發展。MIPI CSI-2 具有專門的區域來解決這個問題，MIPI C/D-PHY 繼續增加帶寬，以處理驅動數億像素的最新 CMOS 圖像傳感器數據。

圖 2：隨著輸入像素增大，SSD-MobileNet-V1 的內存變化測試

如今的解決方案就是壓縮AI算法，壓縮圖像，這就使得芯片優化變得極其復雜，尤其是對于內存有限、處理量有限且功耗預算較小的 SoC。

AI芯片廠商通常對會其芯片進行一些基準測試。現在的SoC有多種不同的衡量指標。首先，每秒萬億次運算 (TOPS) 是性能的一個主要指標，通過這項數據可以更清楚地了解芯片能力，例如芯片可以處理的運算類型和質量。再者，每秒推理數也是一個主要指標，但需要了解頻率和其他參數。因此，行業內開發了額外的基準測試來幫忙AI 芯片進行評估。

MLPerf/ML Commons和AI.benchmark.com都是AI芯片標準化基準測試的工具。其中，ML Commons 主要提供芯片精度、速度和效率相關的測量規則，這對了解芯片處理不同 AI 算法的能力非常重要，如前所述，在不了解精度目標的情況下，我們是無法在芯片進度與壓縮程度之間做取舍的。此外，ML Commons還提供通用數據集和最佳實踐。

位于瑞士蘇黎世的 Computer Vision Lab 還提供移動處理器的基準測試，并發布其結果和芯片要求以及支持重復使用的其它信息。包括 78 項測試和超過180 個性能方面的基準。

斯坦福大學的DAWNBench為ML Commons的工作提供了支持。這些測試不僅能解決 AI 性能評分問題，還解決了處理器執行 AI 算法訓練和推理的總時間問題。這解決了芯片設計工程目標的一個關鍵問題，即降低整體擁有成本或總擁有成本。AI 處理時間，決定了云端 AI 租賃或邊緣計算的芯片所有權，對于組織的整體 AI 芯片策略更有用。

另一種流行的基準測試方法，是利用常見的開源圖形和模型，但這些模型也有一些弊端。例如，ResNET-50 的數據集為 256x256，但這不一定是最終應用中可能使用的分辨率。其次，該模型較舊，層數少于許多較新模型。第三，模型可以由處理器 IP 供應商手動優化，但這并不代表系統將如何與其他模型一起執行。除了ResNET-50之外，還有大量可用的開源模型，通過它們可以看到該領域的最新進展，并為性能提供良好的指標。

最后，針對特定應用的定制圖形和模型變得越來越普遍。理想情況下，這是對 AI 芯片進行基準測試，以及合理優化以降低功耗和提高性能的最佳方案。

由于SoC開發者各有不同的目標，有些是應用于高性能領域，有的是用于較低性能的領域，還有的是通用AI領域，以及ASIC領域。對于不知道需要按照哪種 AI 模型進行優化的 SoC，自定義模型和開放可用模型的良好組合，可以很好地指示性能和功耗。這種組合在當今市場中最常用。然而，在 SoC 進入市場后，上述較新的基準測試標準的出現，似乎在比較中具有一定的相關性。

現在越來越多的數據計算在邊緣發生，鑒于邊緣優化的復雜性，當今的 AI 解決方案必須協同設計軟件和芯片。為此，它們必須利用正確的基準測試技術，同時還必須有工具支持，從而使設計人員能夠準確探索系統、SoC 或半導體 IP 的不同優化方式，調查工藝節點、存儲器、處理器、接口等。

在這方面，新思科技可針對特定領域提供有效的工具，來對 IP、SoC 和更廣泛的系統進行模擬、原型驗證和基準測試。

首先，新思科技HAPS? 原型驗證解決方案通常用于展示不同處理器配置的能力和權衡。該工具能夠檢測出除了處理器之外， AI 系統的帶寬在什么情況下開始成為瓶頸？傳感器輸入（通過 MIPI）或存儲器訪問（通過 LPDDR）在處理不同任務時的最佳帶寬是多少？

再一個，新思科技ZeBu? 仿真系統可用于功率模擬。ZeBu Empower可采用AI、5G、數據中心和移動SoC應用的真實軟件工作負載，在數小時內完成功耗驗證周期。此仿真系統已被證明優于 AI 工作負載的模擬和/或靜態分析。

用戶還可以通過新思科技的 Platform Architect 探索 SoC 設計的系統層面。Platform Architect 最初用于內存、處理性能和功耗探索，最近越來越多地用于了解 AI 的系統級性能和功耗。使用預構建的LPDDR 、ARC處理器模型用于 AI、存儲器等，可以進行靈敏度分析，以確定最佳設計參數。

新思科技擁有一支經驗豐富的團隊，負責開發從 ASIP Designer 到 ARC 處理器的 AI 處理解決方案。包括內存編譯器在內的經過驗證的基礎 IP 產品組合已廣泛應用于 AI SoC。AI 應用的接口 IP 范圍從傳感器輸入到 I3C 和 MIPI，再到通過 CXL、PCIe 和 Die to Die 解決方案的芯片到芯片連接，以及通過以太網的網絡功能。

軟件和芯片協同設計已經成為現實，選擇正確的工具和專業知識至關重要。新思科技正在利用專業知識、服務和成熟的IP，為客戶提供最適合的方法，在不斷變化的情況下優化 AI 芯片。

聲明：本文版權歸原作者所有，轉發僅為更大范圍傳播，若有異議請聯系我們修改或刪除：zhangkai@cgbtek.com