153-0773-3338
當(dāng)AI時代算力集群規(guī)模正逐步從萬卡向十萬卡、百萬卡甚至千萬卡升級時，一支中國團(tuán)隊(duì)悄然另辟蹊徑。
今年10月，北京大學(xué)人工智能研究院/集成電路學(xué)院雙聘助理教授孫仲與北京大學(xué)集成電路學(xué)院蔡一茂教授、王宗巍助理教授率領(lǐng)的團(tuán)隊(duì)成功研制出基于阻變存儲器的高精度、可擴(kuò)展模擬矩陣計(jì)算芯片，在全球范圍內(nèi)首次將模擬計(jì)算的精度提升至24位定點(diǎn)精度，讓未來同等任務(wù)下使用更少的計(jì)算卡成為可能。
這是一種完全不同于目前所有商用量產(chǎn)芯片的新型芯片，計(jì)算精度從1%躍升至千萬分之一；可以支撐6G、具身智能及AI大模型訓(xùn)練等多個前沿場景；更重要的是，它可在28納米及以上成熟工藝量產(chǎn)，繞開光刻機(jī)“卡脖子”環(huán)節(jié)。
事實(shí)上，AI大模型、具身智能、6G等應(yīng)用背后都是矩陣計(jì)算，AI推理是做矩陣乘法，AI訓(xùn)練是在解矩陣方程。而英偉達(dá)的崛起正是得益于GPU（圖形處理器）很擅長做矩陣計(jì)算。
作為北京大學(xué)人工智能研究院的研究員，“熱愛且擅長”讓孫仲深耕模擬計(jì)算領(lǐng)域多年。從聚焦AI算法底層通用矩陣計(jì)算加速研究，到在《自然·電子學(xué)》《自然·通訊》等頂刊發(fā)表系列成果，他始終錨定模擬計(jì)算——這個上世紀(jì)30至60年代曾風(fēng)靡一時卻因精度瓶頸被數(shù)字計(jì)算取代的技術(shù)，在他眼中正是突破算力困局的關(guān)鍵。
新型芯片研制成功對于應(yīng)對AI領(lǐng)域的算力與能耗挑戰(zhàn)有何意義？隨著摩爾定律漸趨終結(jié)、數(shù)字計(jì)算陷入能耗困局，GPU還能否一直“稱王”？近日，《每日經(jīng)濟(jì)新聞》記者對孫仲進(jìn)行了深入專訪。
NBD：芯片研制成功的意義是什么？有觀點(diǎn)認(rèn)為，它為算力領(lǐng)域提供了新的技術(shù)路線，有助于減少對單一計(jì)算范式的依賴，是否如此？
孫仲：確實(shí)如此。計(jì)算范式只有兩種：模擬（類比）計(jì)算與數(shù)字計(jì)算。當(dāng)前主流芯片——無論是GPU、TPU（張量處理器）、CPU（中央處理器）還是NPU（神經(jīng)網(wǎng)絡(luò)處理器）——都是數(shù)字芯片，底層都是硅基器件，基于邏輯門（邏輯函數(shù)）、晶體管，都要二進(jìn)制化。以先進(jìn)GPU為例，一張卡可能集成超過1000億個晶體管，因此能提供很大的算力。但如果追本溯源，會發(fā)現(xiàn)數(shù)字計(jì)算其實(shí)并非一種很高效的計(jì)算方式。
舉例來說，想要完成一次簡單的“1+1”需要28個晶體管，想完成兩個10位數(shù)的乘法需要約1萬個晶體管。但正因?yàn)楝F(xiàn)在晶體管可以做得很小，才能在芯片上容納千億級的晶體管，所以它可以“以量換算”——一次操作要消耗1萬個晶體管，它不在乎，因?yàn)樗銐蚨啵?000億除以1萬還有1000萬，這意味著它還有很大算力。
而一個芯片里能有這么多晶體管，在于摩爾定律。我認(rèn)為摩爾定律是讓現(xiàn)在數(shù)字芯片如此成功的唯一推手。最初晶體管做出來大概是5厘米×5厘米×5厘米這么大，因?yàn)橛心柖桑?厘米變成5納米，所以千億級的晶體管也可以被塞進(jìn)去，否則，一萬個晶體管可能要鋪滿整間屋子甚至整個樓層。
注：摩爾定律是由英特爾公司聯(lián)合創(chuàng)始人戈登·摩爾提出。該定律提到，當(dāng)價(jià)格不變時，集成電路上可容納的晶體管數(shù)目每隔18至24個月增加一倍，性能也將提升一倍。
但如今摩爾定律趨于終結(jié)，晶體管很難再微縮，所以業(yè)界現(xiàn)在只能橫向堆計(jì)算卡：少則百卡，多則萬卡、十萬卡。但這樣的方式我認(rèn)為是不可持續(xù)的——能耗、碳排放均呈指數(shù)級上升，與國家“雙碳”目標(biāo)相悖。因此，我認(rèn)為需要探索一種不同的計(jì)算范式，即模擬（類比）計(jì)算。
模擬計(jì)算并非全新的計(jì)算范式，在上世紀(jì)30至60年代曾被廣泛應(yīng)用，但隨著計(jì)算任務(wù)日益復(fù)雜，其精度瓶頸凸顯，逐漸被數(shù)字計(jì)算取代。我們這次研究的核心正是要解決模擬計(jì)算“算不準(zhǔn)”這一痛點(diǎn)。
NBD：模擬（類比）計(jì)算是比數(shù)字計(jì)算更高效嗎？
孫仲：是的。模擬計(jì)算也叫類比計(jì)算，人類從小算“1+1”，并非動用28個晶體管，而是“一根筷子加一根筷子等于兩根筷子”“一棵樹加一棵樹等于兩棵樹”的物理類比，一根筷子、一棵樹都是物理系統(tǒng)。若將“筷子”“樹”縮至電子尺度——1個電子加1個電子是2個電子，這永遠(yuǎn)成立，要做計(jì)算的時候，就可以直接通過物理定律來做計(jì)算——相較于28個晶體管，電子級類比在硬件資源開銷與能耗上均下降數(shù)個量級。
數(shù)字計(jì)算是二進(jìn)制，都以0和1來表示信息，例如“5”被編碼為“101”，任何運(yùn)算都需通過邏輯門對二進(jìn)制信息進(jìn)行操作；模擬計(jì)算則無需編碼，“5”可直接對應(yīng)物理量（如5 V、5000Ω），加法與乘法都可以直接通過物理定律瞬時完成。
換句話說，數(shù)字計(jì)算中間有一個“翻譯”環(huán)節(jié)，而這個環(huán)節(jié)把原本的信息“翻譯”得體量更為龐大，計(jì)算過程需要去一一處理這些更龐大的信息，才能得到針對原始問題的解。而模擬計(jì)算則省去了這個中間環(huán)節(jié)，所以速度更快，能耗也大幅降低。
NBD：既然數(shù)字計(jì)算流程如此繁瑣，為什么要設(shè)計(jì)成這樣？為什么早期計(jì)算機(jī)仍然舍棄模擬計(jì)算而轉(zhuǎn)向數(shù)字？
孫仲：根本原因在于可靠性。轉(zhuǎn)成0和1，就只需要區(qū)分0和1，這是最可靠的。數(shù)字計(jì)算的魯棒性更好，抗干擾能力更強(qiáng)；而早期模擬計(jì)算追求連續(xù)函數(shù)輸出，極易受噪聲影響，導(dǎo)致結(jié)果漂移，加之當(dāng)時也缺乏現(xiàn)在的穩(wěn)定器件，模擬精度難以保證，因此業(yè)界普遍轉(zhuǎn)向數(shù)字范式。
NBD：就是說模擬計(jì)算長期受困于精度瓶頸，而你們的研究恰好解決了這一難題？
孫仲：是的。精度問題一直是“如鯁在喉”的關(guān)鍵痛點(diǎn)，我們將相對誤差大幅壓降至千萬分之一（10??）量級，相當(dāng)于把這個“鯁”拿出來了，這也是我們的成果受到廣泛關(guān)注的核心原因。
NBD：將相對誤差壓降至千萬分之一是怎么做到的？
孫仲：首先需要強(qiáng)調(diào)一個前提，提升精度不能以犧牲能效或速度為代價(jià)，否則沒有意義。也就是說，不能精度提升了，能效反而下降或者計(jì)算速度比數(shù)字芯片還慢了。
為了提升精度，我們沿用了計(jì)算機(jī)領(lǐng)域的經(jīng)典迭代優(yōu)化算法。簡單來說，就是基于2019年提出的低精度電路來解方程，解方程的過程就好比在一片山谷中找最低點(diǎn)，能量函數(shù)最低點(diǎn)就是方程的最優(yōu)解。2019年的這個電路一上來就會告訴你最低點(diǎn)在某個盆地，它不是精確的最低點(diǎn)，但是非常接近。之后再以高精度模擬計(jì)算電路反復(fù)修正，如果精確點(diǎn)是1，首次迭代得0.9，二次得0.99，三次得0.999??僅需數(shù)次迭代就能把精度提升非常多，并且能效仍比數(shù)字計(jì)算高數(shù)個量級。
NBD：能否具體介紹一下這款芯片？
孫仲：我們的研究以阻變存儲器為介質(zhì)，摒棄傳統(tǒng)硅基晶體管與邏輯門，采用類比方式完成計(jì)算。具體而言，就是將待解的矩陣方程映射至電路物理量，使電路自發(fā)求解矩陣方程，而非由邏輯門一步步推算。
2019年我們用設(shè)計(jì)的第一個電路類比求解時，可以求解成功，但精度比較低——1%量級的誤差，準(zhǔn)確度可達(dá)99%，聽起來還好，但對于需要級聯(lián)千步乃至萬步的大規(guī)模計(jì)算任務(wù)而言，誤差將呈指數(shù)級累積——在半導(dǎo)體領(lǐng)域，如果每一步工藝成功率是99%，就意味著這個芯片做出來的成功率是0。同理，在計(jì)算環(huán)節(jié)若每步保留1%誤差，千步之后結(jié)果將面目全非。
因此，必須把單步誤差壓得足夠低，降至千萬分之一乃至億分之一（10??）量級，才能滿足AI訓(xùn)練等場景對FP16（浮點(diǎn)16位）精度的剛性需求。我們的研究正是將相對誤差從1%降至千萬分之一，將精度提升至24位定點(diǎn)精度，提升了5個數(shù)量級，使模擬計(jì)算首次具備與主流數(shù)字精度接軌的能力，24位定點(diǎn)精度相當(dāng)于數(shù)字計(jì)算的浮點(diǎn)32位（FP32），從而展現(xiàn)出廣闊的應(yīng)用前景。
NBD：在研制成功的過程中有沒有遇到一些困難？
孫仲：嚴(yán)格意義上的困難集中在認(rèn)知層面。模擬計(jì)算長期被貼上“低精度”標(biāo)簽，早期我們自己也接受這個設(shè)定，所以在2019—2022年間，我們陸續(xù)設(shè)計(jì)了多款電路，解各類矩陣方程，但都停留在低精度（1%左右的相對誤差）。每當(dāng)向外推介時，對方一句“精度問題怎么解決”便足以讓討論終止，低精度應(yīng)用的局限性顯而易見。
真正要應(yīng)用的話，高精度肯定是一個基本需求，只有突破了精度瓶頸，才能談規(guī)模應(yīng)用。上世紀(jì)，模擬計(jì)算就是因?yàn)榫绕款i才被數(shù)字計(jì)算取代。但從科學(xué)探索和原始創(chuàng)新的角度來看，低精度階段必不可少。
NBD：這款新型芯片的創(chuàng)新點(diǎn)主要是什么？
孫仲：歸納起來，主要創(chuàng)新有三點(diǎn)。
第一，器件層面：上世紀(jì)的模擬計(jì)算都是基于傳統(tǒng)硅基電路，多用于求解微分方程；我們則首次采用已可量產(chǎn)的、足夠成熟的阻變存儲器作為核心器件，面向矩陣方程求解，形成“現(xiàn)代模擬計(jì)算”范式。
第二，電路層面：2019年我們提出一種全新的反饋電路，這是核心?？梢栽诓伙@著增加能耗與延時的前提下，將計(jì)算誤差由1%降低至千萬分之一量級，使模擬計(jì)算首次具備與FP32等同的數(shù)值可靠性。
第三，算法層面：引入了經(jīng)典的迭代優(yōu)化及“位切片”算法——將24位定點(diǎn)數(shù)拆分為8組3位并行或串行處理，再通過移位相加得到全精度結(jié)果，從而高效實(shí)現(xiàn)高精度矩陣乘法。
NBD：阻變存儲器在這個過程中扮演什么角色？
孫仲：阻變存儲器是實(shí)現(xiàn)高速、低功耗矩陣方程求解的硬件載體，我們利用它實(shí)現(xiàn)了最核心的矩陣方程求解的電路，能夠?qū)崿F(xiàn)快速近似求解，然后再用高精度的模擬計(jì)算系統(tǒng)迭代，實(shí)現(xiàn)高精度的方程求解。
但這樣的載體其實(shí)并不一定非要是阻變存儲器，是因?yàn)槲乙恢睆氖伦枳兇鎯ζ鞯难芯?，原則上，其他的存儲器（比如相變、磁性、鐵電存儲器等）都可以承載該電路。換句話說，類比計(jì)算的核心是數(shù)學(xué)到物理的映射，物理系統(tǒng)可以是多元的，不局限于阻變存儲器。
NBD：目前這款芯片的研究處于什么階段？
孫仲：目前還處在實(shí)驗(yàn)室階段。我們假設(shè)未來6G大規(guī)模MIMO（天線陣列）的某類任務(wù)由我們的芯片執(zhí)行，并給出相應(yīng)的性能評估，屬于原理性驗(yàn)證，并非現(xiàn)網(wǎng)實(shí)測。
由于實(shí)驗(yàn)室的規(guī)模比較小，尚無法與高端數(shù)字芯片抗衡。晶體管已經(jīng)可做到納米尺度并且運(yùn)行頻率極高，在小規(guī)模任務(wù)上優(yōu)勢明顯。我們的芯片更適用于中等規(guī)模場景，也就是在中等規(guī)模才能發(fā)揮出優(yōu)勢。太小則性能不及，超大規(guī)模則暫時夠不著。
目前，所有主流AI訓(xùn)練均為一階方法，二階訓(xùn)練方法速度會更快，迭代次數(shù)會更少，但是每次迭代都要解一次矩陣方程，單次計(jì)算量巨大，這對于數(shù)字芯片來說是很難的。但我們的技術(shù)恰好可以去做快速矩陣方程求解，因此理論上非常適合來做二階訓(xùn)練的加速。
NBD：二階訓(xùn)練是否特指大模型的訓(xùn)練？
孫仲：并非只有大模型才是AI，小規(guī)模的神經(jīng)網(wǎng)絡(luò)也是AI，所以無所謂大模型小模型，小至傳統(tǒng)神經(jīng)網(wǎng)絡(luò)，大至千億參數(shù)模型，都可以使用二階訓(xùn)練；其目的是為了讓AI訓(xùn)練得更快。
NBD：除AI訓(xùn)練、6G外，還有哪些潛在應(yīng)用？
孫仲：具身智能、超級計(jì)算。像氣象預(yù)報(bào)、量子力學(xué)、熱擴(kuò)散模擬等超級計(jì)算都是解微分方程，而微分方程在數(shù)字計(jì)算機(jī)上需轉(zhuǎn)成矩陣方程后才能求解。因此，超算中心的絕大部分算力實(shí)質(zhì)上都是用于解矩陣方程。所以，超算領(lǐng)域甚至可以是一個更大的、更契合的應(yīng)用場景。
NBD：在超算領(lǐng)域應(yīng)用還需要做什么？
孫仲：需要擴(kuò)大芯片的矩陣規(guī)模（指數(shù)據(jù)規(guī)模，即矩陣行列數(shù)），因?yàn)槌阋獾亩际呛艽蟮膯栴}，涉及的矩陣規(guī)模可能是“百萬×百萬”級別的。如果需求是解“百萬×百萬”的方程，硬件也需要對應(yīng)擴(kuò)展。當(dāng)然，我們不會直接去做“百萬×百萬”的陣列，而是通過算法設(shè)計(jì)實(shí)現(xiàn)“以小博大”——例如以512×512硬件求解1024×1024方程，以1024×1024硬件求解2048×2048方程，依此類推。
NBD：這個規(guī)模要做大依靠什么？
孫仲：要流片，要去代工廠做。跟數(shù)字芯片的流程是一樣的，我們的芯片也能在現(xiàn)有的代工廠產(chǎn)線上做出來，這是相較于量子計(jì)算、光計(jì)算的顯著優(yōu)勢——它們因材料與工藝條件差異，無法沿用當(dāng)前生產(chǎn)線。
NBD：預(yù)計(jì)多久能夠落地到消費(fèi)端？若面向消費(fèi)端，還需完成哪些關(guān)鍵環(huán)節(jié)？
孫仲：這沒辦法準(zhǔn)確預(yù)估。首先我們要擴(kuò)大芯片的陣列規(guī)模；其次必須投入大量工程資源，包括流片、測試、可靠性驗(yàn)證等量產(chǎn)前工作；最后還需商業(yè)推動——說服產(chǎn)業(yè)鏈伙伴放棄現(xiàn)有方案、采用新技術(shù)，這都屬于典型的市場行為。
NBD：下一步有什么規(guī)劃？
孫仲：就團(tuán)隊(duì)內(nèi)部而言，我們設(shè)定的工作節(jié)點(diǎn)是：兩年內(nèi)把陣列從16×16提升至128×128，并力爭擴(kuò)展至512×512。達(dá)到這樣的規(guī)模后，就能夠在具身智能、6G通信等中等規(guī)模矩陣場景產(chǎn)生實(shí)際效用。
NBD：要在兩年內(nèi)完成16×16到512×512的躍升，技術(shù)難度如何？
孫仲：芯片規(guī)模擴(kuò)大必然伴隨寄生效應(yīng)、良率控制、功耗分布等工程挑戰(zhàn)，所以肯定是有難度的，需要在器件、電路與工藝層面同步優(yōu)化。
需要強(qiáng)調(diào)的是，新型芯片問世，證實(shí)了一條新路徑的可行性。我們需要提前做技術(shù)儲備：當(dāng)某類計(jì)算任務(wù)（如超級AI）急切需要做矩陣方程求解時，中國要有現(xiàn)成方案和團(tuán)隊(duì)站在那里，可能不是我們，是其他團(tuán)隊(duì)，但要有這樣的儲備。GPU當(dāng)年僅用于游戲，2012年因AI需求爆發(fā)而一飛沖天；同理，中國必須儲備多種先進(jìn)技術(shù)，以等待屬于自己的“2012時刻”。當(dāng)窗口開啟，技術(shù)儲備將決定我們能否抓住下一波浪潮。