人工知能チップの過去、現在、そして未来

AIは現在ニュースでよく取り上げられています。現在、AIは医療診断、新しい化学物質の合成、群衆の中に隠れている犯罪者の顔の識別、車の運転、さらには芸術作品の創作に使用されています。時々、私たちは AI が万能であり、人間はすぐに失業し、AI が私たちのためにすべてを行うのを黙って見ているのではないかと考えているようです。

AI技術の起源を理解するために、この記事ではAIの発展の歴史を記録します。先進運転支援システム（ADAS）と自動運転車の事例を通じて、AIチップの現在の開発状況と、AIチップがどのようにして私たちの日常生活を真に変えていくのかを分析します。まずはAIの歴史から始めましょう。AIが発展するにつれて、より専門的な技術、つまりプログラミングではなく経験学習に依存して意思決定を行う、いわゆる機械学習が登場しました。機械学習は、その後のディープラーニングの基礎を築きました。ディープラーニングでは、データをより深く理解するためにアルゴリズムを階層化します。

図 1: AI は機械学習につながり、その後ディープラーニングへと進化しました (出典: Nvidia)

AI技術の起源

1956 年のダートマス会議で、科学者のジョン・マッカーシー、クロード・シャノン、マービン・ミンスキーが「人工知能」という用語を作り出した。 「機械学習」という用語は、1950 年代後半にアーサー・サミュエルによって造られました。サミュエルは、間違いから学習して、それを書いた人よりもさらに優れたチェッカー プログラムを開発した人物です。

コンピュータ技術が急速に発展しているこの時代、楽観的な環境により、研究者たちは AI 技術が短期間で「征服」されるだろうと信じています。科学者たちは、人間の脳の機能に基づいたコンピューティングが現実の問題を解決できるかどうかを研究し、「ニューラル ネットワーク」という概念を生み出しました。 1970 年、マービン・ミンスキーはライフ誌に「今後 3 年から 8 年以内に、普通の人間と同等の知能を持つ機械が登場するだろう」と書きました。

1980 年代までに、AI は研究室から商業化へと移行し、投資の波を引き起こしました。 1980年代後半、AI技術バブルがついに崩壊し、AIは研究分野に戻り、科学者たちはAIの可能性の開発を続けました。業界関係者は AI を時代を先取りした技術と呼んでいるが、一方で AI は未来の技術だと言う人もいる。いわゆる「AIの冬」が長く続いた後、商業開発が再び始まりました。

図2: AIタイムライン

1986 年、ジェフリー・ヒントンと彼の同僚は、多層、つまり「ディープ」ニューラル ネットワークのパフォーマンスを劇的に向上させることができるバックプロパゲーションと呼ばれるアルゴリズムを説明した画期的な論文を発表しました。 1989 年、ベル研究所のヤン・ルカンと他の研究者は、手書きの郵便番号を認識するようにトレーニングできるニューラル ネットワークを作成し、新しいテクノロジーの重要な実用例を実証しました。ディープラーニング畳み込みニューラルネットワーク (CNN) のトレーニングにはわずか 3 日しかかかりませんでした。時は進み、2009 年にスタンフォード大学の Rajat Raina、Anand Madhavan、Andrew Ng が、ディープラーニングの分野で最新の GPU の計算能力がマルチコア CPU をはるかに上回ることを示す論文を発表しました。 AIは再び出航する準備ができています。

本物のAIチップを発見

最近、なぜ AI についてよく耳にするのでしょうか? さまざまな重要な要素が重なり、AI テクノロジーの劇的な進歩の基盤が築かれており、ますます重要になる現実世界の問題を解決できると多くの人が信じています。今日のインターネットが提供するインフラストラクチャを利用することで、世界中の研究者は、新しいアルゴリズムやソリューションを作成するために必要な計算能力、大規模データ、高速通信にアクセスできます。例えば、自動車業界では、機械学習が自動運転などの非常に複雑なタスクを処理できるため、AI 技術の研究開発に投資する意欲を示しています。

AI チップ設計における主な課題の 1 つは、すべてを統合することです。ここでは、複数の種類のハードウェア アクセラレータを使用してディープラーニングを実装する、非常に大規模なカスタム SoC について説明します。 AI チップの設計は、特に自動車業界の安全性と信頼性に対する厳しい要件を考慮すると、非常に難しい作業になる可能性がありますが、AI チップはあくまでもチップであり、処理技術、メモリ、I/O、相互接続技術に新しいソリューションが生まれる可能性もあります。

Google や Tesla などの新しい IC 設計企業、および AIMotive や Horizo​​n Robotics などの AI チップの新興企業は、ディープラーニングの計算の複雑さを深く理解していますが、これらの最先端の SoC の開発では厳しい課題に直面する可能性があります。構成可能な相互接続 IP は、業界のすべての新規参入企業が可能な限り迅速に機能的なシリコンに到達できるようにする上で重要な役割を果たすことができます。

図 3: Google TPU を例にした AI チップ分析図。

たとえば、車のフロントカメラには、ディープラーニングアクセラレータを搭載した AI チップを使用でき、路上の物体を検出して分類することができます。各 AI チップには、最大の帯域幅を確保するための独自のメモリ アクセス プロファイルがあります。オンチップ相互接続のデータ フローは、パフォーマンス目標が達成されたときに広い帯域幅のパスを確保するために最適化する必要がありますが、面積、コスト、電力を最適化するために可能な場合は狭いパスが割り当てられます。

各接続は、より高レベルの AI アルゴリズムに対応するように最適化する必要もあります。さらに興味深いことに、新しい AI アルゴリズムが毎日開発されています。ある意味、今日のディープラーニング チップはバナナのようなものです。AI チップに腐ったバナナや古いアルゴリズムを使いたい人は誰もいません。これらの最先端製品の場合、市場投入までの時間は他の多くの半導体製品よりもさらに重要です。

AIの未来

ディープラーニングとニューラルネットワークによって AI テクノロジーは急速に進歩していますが、多くの研究者は、AI の最も驚くべき目標を達成するには、根本的に新しいアプローチがまだ必要であると考えています。ほとんどの AI チップは、10 年以上前に LeCun 氏と Hinton 氏らが発表した同じアイデアの、常に改良されたバージョンを実装するように設計されているが、この方向での飛躍的な進歩が人間のように考えることができる AI につながると期待する理由はない。現在わかっているように、あるタスクに多大な労力を費やしたディープラーニングを、新しい異なるタスクに適用することはできません。

さらに、ニューラル ネットワークには事前の知識を組み込む適切な方法がなく、「上と下」や「子には親がいる」などのルールもありません。最後に、ニューラル ネットワーク ベースの AI は学習するために多数の例を必要としますが、人間はたった 1 回の記憶に残る経験でストーブに触れないことを学習できます。大規模なラベル付きデータセットが存在しない問題に既存の AI 技術をどのように適用するかは明らかではありません。

AI チップは今のところ特にスマートではありませんが、間違いなくスマートであり、近い将来さらにスマートになる可能性は十分にあります。これらのチップは、半導体処理、コンピューター アーキテクチャ、SoC 設計の進歩を継続的に活用して、処理能力を向上させ、次世代の AI アルゴリズムをサポートします。同時に、新しい AI チップには、ディープラーニングに必要なデータの継続的な流れを新しい独自のハードウェア アクセラレータに供給するための高度なメモリ システムとオンチップ相互接続アーキテクチャが引き続き必要になります。

オリジナルリンク: https://semiengineering.com/artificial-intelligence-chips-past-present-and-future/