从市场营销，零售到医疗保健和金融，在这些领域采用人工智能(AI)和机器学习(ML)正在极大地改变传统方法的应用范围。人工智能使系统能够感知，理解，行动和学习以执行复杂的任务，例如决策，这需要早期的人类智慧。与常规编程不同，常规编程需要针对每种情况定义动作，而AI与ML算法结合可以处理大型数据集，接受训练以选择如何响应以及从遇到的每个问题中学习以产生更准确的结果。
这不仅影响了千层浪色板app下载使用数据的方式，还影响了千层浪色板app下载设计和制造用于支持下一代设备的硬件芯片或集成电路(IC)的方式，从而带来了新的机遇。人工智能的发展将创新的核心从软件转移回了硬件。例如，为了获得更好的性能，与传统要求相比，人工智能需要更多的内存来处理和传输大型数据集。考虑一下越来越多的家庭使用虚拟助手的情况。如果没有可靠的硬件来实现与内存和逻辑相关的功能，则这些硬件将无法正常工作。
根据埃森哲半导体技术展望2019，来自埃森哲实验室和埃森哲研究的年度报告显示，与扩展现实，分布式账本等技术相比，半导体行业对人工智能在未来几年的工作潜力高度乐观，以及量子计算。四分之三(77%)的半导体高管表示，他们要么已经在业务中采用了AI，要么正在试用该技术。
AI和ML的概念
尽管AI和ML这两个术语可以互换使用，但前者的目的是成功完成任务，而后者则确保准确性。因此，通过AI培训可以解决复杂的问题，但是通过学习数据和已执行的任务来最大程度地提高效率是ML的概念。ML依靠大型数据集来找到常见的模式，并根据概率进行预测。
在为金融市场预测和自动车辆控制设计的系统中，应用AI更为常见。用来处理不同一般情况的通用AI是通常被认为是AI子集的ML发挥作用的地方。在所谓的监督学习ML算法中，建立输入数据与目标输出之间的关系模型以进行预测，而无监督学习不涉及对训练数据进行分类。在需要从环境中连续获取信息的复杂计算机游戏中与人类竞争的情况下，将实施强化学习。
像深度神经网络这样的ML子分支已经被应用于各个领域，包括语音识别，社交网络过滤，计算机视觉，自然语言处理等。这些技术可获取并检查成千上万的用户数据，以进行诸如面部识别之类的精度和准确性应用。这促进了目前被认为是不可思议的创新的快速发展，但是随着硬件的进步，在未来几十年中，更先进的创新可能会取代它的位置。
AI和ML应用如何重新定义传统系统
AI和ML不仅可以通过算法的进步，还可以通过存储能力，计算能力，网络等方面的进步而发展到目前的水平，这使得以经济的成本使大众可以使用先进的设备成为可能。传统上，逻辑通常是在电子系统的设计中进行硬连线的。但是，鉴于当前的高制造成本和芯片开发的日益复杂性，AI驱动的处理器体系结构正在重新定义传统的处理器体系结构，以适应新的需求。
计算主要在中央处理单元(CPU)(计算机的大脑)上进行。随着应用AI和ML算法的对计算要求很高的应用的出现，通过图形处理单元(GPU)，微处理器(MPU)，微控制器(MCU)，现场可编程门阵列(FPGA)和数字信号处理器的组合，提供了更多处理选择(DSP)即将达到最佳功能要求。这些选项被认为是不同的类别，它们正逐渐成为异构处理解决方案，例如片上系统(SoC)和定制设计的专用集成电路(ASIC)。
与在训练和推理期间调整神经网络模型时存储参数以存储参数的传统存储方法不同，不仅在数据中心而且在边缘计算中都需要高带宽RAM。用于正常运行的易失性存储器数量的增加导致功耗水平的过度上升。这推动了对不断发展的内存接口的需求，以确保任务能够高速执行。尽管新的处理器体系结构正在帮助减轻负载，但还正在研究和实现其他机制，例如新的内存接口和对内存本身的处理。
总部位于英国的初创公司Graphcore的IPU是一种具有高片上存储器容量的新型处理器，专门用于处理机器智能模型中的复杂数据结构。外部存储源返回结果要比片上存储源花费更多的时间。根据IHS Markit的一份报告，到2025年，全球人工智能应用存储设备的收入将从2019年的206亿美元增加到604亿美元，而处理器市场将从2019年的222亿美元增长到2025年的685亿美元。
因此，半导体提供了所有AI应用所需的必要处理和存储功能。对于同时使用多个服务器并开发准确的AI模型，提高网络速度也很重要。正在研究诸如高速互连和路由交换机之类的措施以实现负载平衡。
改善AI应用芯片的答案在于技术本身。利用AI和ML来提高性能，并且随着设计团队在该领域的经验越来越丰富，他们将增强芯片的开发，制造和调整以进行更新的方式。使用AI和ML可以解决与传统方法无法解决和优化的芯片的实现，签核和验证相关的复杂问题。
总部位于美国的Synopsys公司在现有EDA工具中使用基于ML的预测模型，声称在HSPICE中获得了类似的结果，例如PrimeTime功率恢复速度提高了5倍，High sigma仿真速度提高了100倍。所有这些都需要专注于研发和准确的端到端解决方案，从而为可能在半导体公司不同部门创造价值的全新市场创造机会。
克服挑战
主要重点是数据及其使用。这不仅需要处理器的新架构。不同的芯片架构可用于不同的目的，并且训练数据的大小和价值等因素可能会使AI在某些应用中无用。
AI使得可以将数据处理为模式而不是单个位，并且当以矩阵形式完成存储操作时，AI效果最佳，从而增加了要处理和存储的数据量，从而提高了软件的效率。例如，尖峰神经网络可以减少数据流，因为数据是以尖峰的形式馈入的。另外，即使有很多数据，也可以减少训练预测模型的有用数据量。但是问题仍然存在。像在芯片设计中一样，机器学习模型的训练发生在不同的环境中，处于不同的级别。
人工智能的应用需要一种标准化的方法。为了有效利用AI，需要考虑为AI设计的芯片以及经过修改以适合AI要求的芯片。如果系统中存在问题，则需要工具和方法来快速解决它。尽管越来越多地采用设计自动化工具，但是设计过程仍然是高度手动的。调整输入是一个耗时但效率极低的过程。在设计实现中，即使只是一小步，本身也可能是一个全新的问题。
声称使用AI和ML以获得趋势的优势并增加销售和收入的公司已被广泛滥用。尽管压缩和解压缩的成本不是很高，但片上存储器的成本却并不便宜。AI芯片也往往非常大。
为了构建存储和处理数据的系统，需要不同团队的专家合作。大型芯片制造商，IP供应商和其他电子公司将采用某种形式的AI来提高其整个运营效率。以降低的计算成本提供云计算服务可以帮助促进发展。技术的进步将迫使半导体公司增强能力并提高其技能，从而使下一代设备进入市场。
