Yann Lecun官宣Facebook進軍晶片領域野心，自家“ASIC”晶片開發中

大資料文摘出品

來源：FT.com

編譯：橡樹_Hiangsug、蔣寶尚

Facebook決定開發自己的人工智慧晶片。

這也意味著Amazon和Google將要遇到 “AI晶片戰”的強勁對手。

Facebook的首席人工智慧科學家，現代人工智慧領軍人物Yann LeCun最近在接受英國“金融時報”採訪時首次表示，Facebook希望與多家晶片公司合作開展專案，公司最近也曾宣佈已與英特爾展開合作。但他強調，Facebook也在著手開發自家的“ASIC”晶片，服務於本公司的人工智慧專案。

“眾所周知，Facebook將在必要時搭建自己的硬體裝置——就像現在，我們正在開發自己的專用積體電路（ASIC）。前行之路必將坎坷，但我們有信心可以戰勝一切困難。”

這是Facebook首次官方宣稱其進軍晶片領域的野心。談及未來公司晶片開發的著力點時，LeCun回答道：“計算機底層系統仍有很大的發展空間。”

全球AI晶片創業公司融資交易數表

英偉達為各大AI資料中心圖形處理器的主要供應商，如今正面臨大型資料中心客戶減少的短期壓力，而Facebook進軍AI晶片的這一決定對英偉達來講又將是一個長期的挑戰。

以往的AI晶片大多為通用處理器，但現如今，業界對AI晶片的需求發生了轉變，更多人希望“秒速低耗”地完成一項單任務。這使得專用AI晶片如火如荼發展，不僅像谷歌、亞馬遜和蘋果這樣的科技巨頭大規模展開投資，許多創業公司也試圖分得一羹，大舉進入這場晶片大戰。

業界對晶片設計和系統架構的關注持續升溫，從另一方面反映出“算力”的重要性。只有基本計算能力獲得根本性的突破，AI的發展才不會進入死衚衕。正如LeCun所講，如果縱觀人工智慧的發展歷史，我們不難發現，研究人員在這一領域提出突破性見解總是在硬體得到大發展之後。

談及阻礙人工智慧發展的因素時，LeCun講道：“在相當長的一段時間裡，人們總是忽略非常明顯的方法。” 以當今深度學習系統中的一項核心技術“反向傳播”為例，簡單來講，反向傳播是通過重新計算已有的計算結果進行優化的一種演算法，這其實是基於早期研究的一個非常明顯的擴充方法，但這項技術只有等到計算硬體得到飛速發展後的20世紀90年代才得到廣泛應用。

其實，Facebook並非第一次設計硬體，公司曾為資料中心裝置設計過新的解決方案並將其“開源”供其他人使用。LeCun表示，此次晶片設計將採用同樣的方法：“技術要回饋於大眾。”

Facebook的深度學習系統在影像和語言識別等方面取得了較大進展，後續的研究將繼續以深度學習為核心，著力設計更優質的神經網路。

三十年前LeCun曾工作於AT＆T貝爾實驗室，在此期間他建立了第一個基於動物視覺皮層工作原理的“卷積”神經網路，現如今，這種技術在深度學習系統中得到了大範圍的推廣和應用。

Facebook的首席人工智慧科學家Yann LeCun在建立神經網路時使用的是監督學習。實現監督學習使用需要大量的資料進行訓練，且在像Facebook這樣規模公司，維持日常計算需要消耗大量的電力。Facebook每天都會對上傳到其核心服務的所有圖片進行大量的實時分析，完成人臉識別、提取場景標籤和鑑別不良資訊等功能，而這些圖片總數高達2-3億。 

LeCun表示，Facebook正“不惜一切代價地降低功耗並改善延遲”，以加快系統的處理速度。他繼續補充道，實現大規模實時視訊監控急待新的神經網路支援。為此，Facebook也仍在積極探索新的神經網路架構，以模仿更多面的人類智慧，實現更自然的互動。

LeCun表示，Facebook正斥巨資開發 “自我監督”系統。“自我監督”系統不僅能夠得出與他們接受過培訓的資料直接相關的結論，還能對周遭世界做出更廣泛的預測——人類正是通過對所處世界的理解來適應新環境的。

LeCun講道：“從人工智慧的應用來看，Facebook對‘有常識’的智慧數字助手非常感興趣，這些數字助手擁有一定的背景知識，你可以就任何話題與之暢談。”教予計算機“常識”的開發設想仍處於初級階段，而且使機器擁有更高階的智慧短期內也根本無法實現。“如果想要機器像人或動物一樣理解環境與行為之間的互動，我們需要確認更多的因果關係。”

Facebook有一項工作為自適應神經網路的研究：這種神經網路可根據輸入的資料自行調整網路架構，使其在面對現實世界的變化時更加靈活；另一種解決方案更加“簡單粗暴”：規定神經網路在解決某一問題時僅 “啟動”事件相關的神經元，這種方法類比人類大腦的運作方式（事件相關電位），可以大大降低功耗。研究工作還包括將計算機儲存器新增到神經網路中，以便在與人進行“對話”時可以保留更多資訊，使上下文更加連貫。

神經網路效能的進展很可能對支撐其計算的晶片產生連鎖反應，加劇AI晶片公司間的競爭。 LeCun講道，谷歌的TPU已成為最強大的機器學習專用晶片，TPU的使用仍相當普遍。

 “但是他們設計晶片所基於的假設不一定適用於未來的神經網路架構。” 儘管矽晶片的設計具有很強的靈活性，但在另一方面，這種靈活性帶來一些弊端。微軟計劃在其所有資料中心的伺服器中鑲嵌FPGA（現場可程式設計門陣列，一種可程式設計的矽晶片），雖然它在使用時更加靈活，但在處理大量資料方面效率較低，使之較針對特定任務優化的晶片處於劣勢。

相關報導：

https://www.ft.com/content/1c2aab18-3337-11e9-bd3a-8b2a211d90d5