人工智能芯片在移动终端和机器视觉领域的落地，快速地推动着AI变革的潮流，也让人工智能机器视觉芯片逐渐成为行业的焦点与热点。9月28日，中星微在北京中关村论坛发布了新一代人工智能机器视觉芯片—“星光摩尔一号”。

中星微执行董事张韵东向《中国电子报》记者表示，“星光摩尔一号”包含多个亿级晶体管的处理内核，是中国工程院院士邓中翰团队的原创设计，基于在“多模融合”智能计算架构的创新和“多核异构”处理器（XPU）片上微架构的创新，适合机器视觉、无人机、机器人等应用场景。通过中星微发布的这款新一代人工智能机器视觉芯片，我们能够读出人工智能机器视觉芯片的哪些“芯”趋势？

冯诺依曼架构遇瓶颈，“智能摩尔技术路线”应运而生

随着后摩尔时代的到来，先进制程的开发面临难以突破的物理极限；在人工智能时代，处理和存储单元分离的冯诺依曼计算架构也逐渐显现出瓶颈。功耗墙(power wall)就是存储与计算模块分离所带来的最大问题之一。随着半导体工艺的演进，数据迁移的效率却没有显著提高，这导致数据迁移所消耗能量与数据计算所消耗能量之间的功耗比越来越大。有关研究显示，数据搬运消耗的能耗是浮点计算的4到1000倍，而且随着半导体工艺的进步，虽然总体功耗下降，但是数据搬运的功耗占比越来越大。

面临传统冯诺依曼架构存在的瓶颈，采用新的XPU（多核异构智能处理器）芯片架构成为一大解决之道。张韵东向《中国电子报》记者表示，通过多核结构不同处理器的有机结合，不同的算法可以实现更深层次的融合。在后摩尔定律时代，“智能摩尔技术路线”为智能芯片产业的发展提供了新思路。

何为“智能摩尔技术路线？”在接受记者采访时，张韵东详细阐释了“智能摩尔技术路线”的含义。他表示，这其实是一种计算方法的创新。“‘智能摩尔技术路线’借鉴了人脑思维机制，通过计算架构的创新来持续快速提升性能功耗价格比，以维持经典摩尔定律下芯片技术的发展速度。”张韵东说。

简单来说，这种架构就是一颗芯片里面集成多种不同计算内核。张韵东对记者说道，相对于传统的冯诺依曼架构，XPU片上架构兼顾了一维标量计算、二维矢量计算与三维张量计算的不同特性。通过片上异构计算池的资源共享和均衡调度机制，能够实现更准的识别精度、更高的计算性能和更低的功耗。

避免深度学习弊端，将“形象思维”与“逻辑思维”相结合

有观点认为，人工智能技术的价值在于让机器代替人做很多简单且重复的工作，而人可以有更多时间做更具创造力的工作。但是现在，人工智能的核心元器件—芯片正在不断向智慧化发展，使得机器逐步拥有自己学习的能力。

目前，主流的人工智能算法都是基于深度学习，但事实上，深度学习存在明显的短板。张韵东向记者表示，深度学习对样本全面性的要求非常高，需要的样本数量非常多。

“如果收集到的样本不够多，机器的识别进度会大幅下降，深度学习的运算过程也是不可解释的。”张韵东谈道，这其实相当于“黑盒计算”。他表示，如果人们想教会机器识别一辆自行车，那么至少要提供给它几万张甚至几十万张的图片，而且这些图片需要覆盖不同角度、不同颜色和不同款式。机器经过大量学习之后，才可以对自行车进行识别。但是如果要教一个孩子识别自行车，人们可能用语言描述，或者给他展示几个样品，这个孩子就可以正确识别出自行车了。“这是因为人类具备智慧，他的思维方式大量采用基于概念的判断和逻辑推理。”张韵东说。

既然机器通过深度学习模式，无法做到像人类通过逻辑思维模式识别事物，那么机器类人的终极“智慧之路”究竟应该往哪里走？

中星微发布的“星光摩尔一号”芯片或许给出了业界答案，那就是将深度学习算法与人脑的逻辑思维模式相结合。张韵东告诉记者，通过借鉴人脑“形象思维”与“逻辑思维”的不同工作机制，邓中翰创新中心提出了“多模融合”智能计算框架，将数据驱动型的深度学习算法与知识驱动型的数理计算、逻辑推理算法进行不同层次的深度融合，在一定程度上降低了仅靠深度学习算法而造成的小样本场景失效和过程的不可解释性。

目前，基于在“多模融合”智能计算架构的创新和“多核异构”处理器（XPU）片上微架构的创新，“星光摩尔一号”芯片为人工智能边缘计算开辟了一条新的思路。在张韵东看来，通过采用人脑机制来避免深度学习黑盒计算的弊端， “多模融合”智能计算框架的采用将是今后人工智能芯片的发展趋势。希望在不久之后，我们能够看到更多更聪明的机器，见证更加智能的未来。