谷歌Apollo透過AI深度學習找出AI晶片設計方法
http://bit.ly/3bQxYDk
深度學習是一種AI形式，有時比人腦在做決策時，擁有更清楚的邏輯與思維。現今有許多
應用程式依賴深度學習，以加快決策甚至被併入AI晶片中。
美國電腦科學家兼Google Brain總監Jeff Dean於一年前曾經提到，谷歌將如何利用AI來
推進其客製化晶片的內部開發工作，這會加速其軟體開發速度。例如：在IC電路的佈局和
路線上，AI改變谷歌對事物的看法。在這種情況下，晶片設計人員將使用軟體來確定構成
晶片運作基礎的電路佈局。這與設計建築物的平面圖非常相似。
簡單來說，在某些情況下，AI被證明比起人類做得更好。因此，組織或公司都必須將AI視
為他們的第一要務，對於深度學習態度也是如此。Jeff Dean不斷強調在某些情況下深度
學習比起人類在晶片中佈局電路能夠做出更好的決策。
最近，谷歌提出了一項名為阿波羅（Apollo）研究專案。在Apollo中，谷歌正在執行”架
構探索”。換句話說，Apollo專案旨在有條不紊地運行各種方法，並告訴人們哪種方法最
有效。
這種“架構探索”的層次比起佈局佈線還要高得許多，並且在性能改進方面也表現出其價
值。它可以在不同的晶片上工作，並且有一個獨家團隊參與開發AI晶片，稱為加速器。該
晶片與輝達A100“ Ampere” GPU、Cerebras Systems WSE晶片、以及當前市場的許多AI
晶片都屬於同一類，是使用AI設計且運行AI的晶片。
其實，晶片的體系架構關鍵在於晶片功能元素的設計，以及它們如何相互作用，甚至包含
軟體程式人員應如何取得這些功能元素等。例如：經典的英特爾x86處理器晶片具有一定
數量在記憶體、專屬的算術邏輯單元和許多寄存器等。因而將這些部分組合在一起的方式
，就是所謂的英特爾架構。
由於Apollo專注於神經網絡，因此該架構也將圍繞著神經網絡。不過，這絕對不是一件容
易的事。搜索不僅僅限於幾個參數，還牽涉到要使用多少個數學單元（稱為處理器元素）
以及對於給定模型而言，參數記憶體和激活記憶體的最佳化都有關。
簡而言之，Apollo所採用的架構使能夠弄清楚，不同的優化方法在晶片設計更能提高效率
。即使晶片設計會受到AI新工作量的影響，但晶片設計過程對於神經網絡產生影響還是非
常值得投入的。