2024人工智能安全可控的产业生态

目录 41 52 62.1 62.1.1 61. 61） 62） 73） 74） 72. 91） 9（6） 92） 93） 103. 111） 112） 113） 114） 125） 126） 127） 128） 139） 132.1.2 131. 131） 132） 133） 144） 145） 146） 142. 151） 152） 153） 17（1） 172.2 191. 191） 192） 193） 205） 202. 211） 212） 213） 214） 225） 226） 222.2.2 231. 232. 233. 244. 255. 253 253.1 273.1.1 271. 272. 271） 273.1.2 291. 292. 293.2 301. 302. 313. 314 314.1 314.2 321. 322. 324.3 321.到2025 322.到2035 333.到2050 334.4我国IT 335 335.1 345.2 341. 342. 353. 355.3 351. 352. 353. 355.4 351. 362. 363. 364. 375. 376 37122.12.1.1（芯片）、神经网络芯片、传感器与中间件为核心的硬件，为人工智能系统的计算提智能应用和算法提供高效支持，向下对器件和电路、工艺和材料提出需求。早在20世纪80未被真正实现。这主要是受限于硬件技术的发展水平，难以提供深度神经网络训练推断过程所需的算力。直到近年来，、、等异构计算芯片被应用到人工智能应算性能进行对比可以发现，芯片相比于其他几种芯片，在计算效能、大小、成本等人工智能计算芯片。目前来看，人工智能芯片并不能取代的位置，正如（作为专用图像处理器）与的共生关系，人工智能芯片将会作为的人工智能运算处理器，专门处理人工智能应用所需的大并行矩阵计算需求，而务器产品中，人工智能芯片被设计成计算板卡，通过主板上的接口与相连；而在终端设备中，由于面积、功耗成本等条件的限制，人工智能芯片需要以形式被整合进o系统级芯片，主要实现终端对计算力要求较低的人工智能推断任务。图7-12019—2025图7-22020—2025WaveComputing、寒武纪及比特大陆）也加入了竞争行列，很多公司专门推出云端训练人工智能计算最重要的应用之一，MobileEyeSoC和NVIDIADrivePX系列提供的神经网云和边缘配合的人工智能应用。总体来说，云端人工智能处理主要强调精度、处理应用中往往是配合工作的。最普遍的方式是在云端训练神经网络，然后在云端（备采集数据）更多的边缘设备，它们会把人工智能处理分布在各种网络设备（如5基站）中，让数据个巨大的人工智能处理网络，它们之间的协作训练和推断也是一个有待探索的方向。随着大数据、人工智能的崛起，人工智能算力每3.5个月增长1倍，6年增长30万倍，远超不多每24个月至少增长1倍，模型构建的复杂度是原来的5倍，需要使用计算能力强大10的芯片才能满足上述需求，即每2年超过2倍的数据增长、超过5倍的模型构建复杂度，需要超过10倍的算力提升，可能成为人工智能时代新的摩尔定律。2015年，设立了面向基于敏捷开发的集成电路项目，旨在打破传统时代下从算法描述、硬件描述、、网表到版图的传统流程，利用面向对象的前馈方法学，将从设计到版图的时间缩短到几天甚至几个小时。2017年，继续加码，推出项目，旨在重新定义电路产生的方式，摒弃传统劳动密集型开发模式，转而向由数据与智能驱动的综合模式发展。在2018会议上，展示的新一代小规模人工智能嵌入式芯片采用了敏捷开发方法，设计流程采用面向对象的验证，集合y和h，将传统的近3年的设计研发周期缩短到3个月。敏捷开发将成为未来人工智能芯片设计实现的新趋势。周期短，可编程灵活性高，可对任务进行流水化并行处理，在推理运算方面明显优于开发验证与芯片的前期定制提供一种节约的选择。一般被用于人工智能领域的应用加速。微软、亚马逊数据中心使用作为加速器；Motpu于2018年部署万量级节点，在网卡与交换机之间插入，加速ng搜索服务、、生物信息与压缩；阿里云自研高性能加速卡，可搭载16个nx9，提供超过1000万个逻辑单元、47的计算能力，为人工智能产业等提供加速服务，在特定场景下的处理效率比高百倍。主体深度学习专用芯片体系结构类似，对固定模式的人工智能应用核心操作（如卷积）的执行效率接近100，适合块数据型的流水处理，由于深度神经网络算法的数据流控制是确定的，可据此定制优化访存，芯片可实现较高频率、较低功耗。其他专用人工智能芯片，如通用定制处理器算法引擎（如视频解码、数字信号处理、安全），对智能的定制加速多体现在软件层面。人工智能算法的计算单元相对简单，因此，探索新的物理器件（如光衍射、忆阻器）行存储和运算，可以极大地优化人工智能芯片的功耗和算法。最新发表在au的论文中，研究人员通过实验，展示了模拟非易失性存储器（）能够有效地加速反向传播（）算法，后者是许多最新的人工智能算法的核心。这些能让算法中的乘-加运算在模拟域中并行。研究人员将一个小电流通过一个电阻器传递到一根导线中，然的过程。识。开源内容囊括指令集与处理器核、uncoreIP、EDA工具链、更高抽象的硬件开发语槛。2017年9月，NVDLANVIDIA在GTCChina2017大会上发布，在GitHub上有完整的开为降低人工智能技术的使用难度并吸引更多的开发者，许多人工智能项目转向将noo、2、等主流框架封装成高级，构建人工智能的前端框架。基于高级的前端框架实现方式支持不同领域的差异性。例如，的前端框架，通过极简的、高度模块化的神经网络库，能够运行在noo和hno任一平台，降低了开发难度，提升了智能模型的兼容性，加速了开发效率。人工智能系统软件的中间表示是介于编程框架和处理器的中间表示。对于框架和平台厂商：多种深度学习框架在多种硬件平台上的实现移植涉及的工作量大、时间周期长；对台厂商，只要支持，即可与软件栈衔接性。2.1.2FPGA的半定制化芯片、全定制化ASIC芯片、类脑计算芯片（IBMTrueNorth）等；另NNVM编译器。国内企业寒武纪公司2019年发布人工智能开发平台CambriconNeuware，产业界绝大多数编译器都按照LLVM（LowLevelVirtualMachine，底层虚拟机）体系架目前主流的开源框架主要有国外的noo（谷歌）、、yoh、（亚马逊），以及国内的dddd（百度）、ndpo（华为）、uub（京东）等。目式依然依托国外平台。（ApplicationProgrammingInterface，API）为系统前台和后端提供快速、高效且安全性高表7-12.22.2.1提高人工智能芯片性能和能效的关键之一在于支持高效的数据访问。在传统冯·诺伊曼体片的实现中，基于冯·诺伊曼体系结构提供运算能力是相对比较简单易行的，但由于运算跟上运算部件消耗数据的速度，再增加运算部件也无法得到充分利用，即形成所谓的冯·诺伊曼“瓶颈或存储墙”问题，如图73所示。目前常见的方法是利用高速缓存（h）等层次化存储技术，尽量缓解运算和存储的速度差异。图7-3冯·诺伊曼存储“瓶颈”HopChips2019会议上，AMD公司和LisaSu博士指出，在过去十年间，性能进步最重要的得起28n工艺，融资足够多的人工智能芯片创业企业才敢尝试16n工艺2。这就导致一能，再通过其通用性和原有的渠道、用户生态等优势，卖出更多的芯片来收回成本。立DARPA、GoogleX实验室、Facebook人工智能研究院的经验，成立我国人工智能国家技术交流合作，积极争取国际技术标准话语权，实现“你中有我，我中有你，突破美国的科技封锁线；三是促进人工智能软硬件产业链协同创新发展，组建依托安全可控信息技术产学研用联盟，设立“产业基金创新基金”，加强产业链上下游企业在战略、技术、标创新和产业发展合力。GoogleCode均明确声明遵守美国出口管制条例，并且司法管辖权均在美国加利福尼亚足。美国斯坦福大学发布的《2019的论文的影响力更大，较全球平均水平高出50%。清华大学（计算机系）—中国工程院科技知识中心“知识智能联合研究中心和清华大学人工智能研究院在2020年推出的人工智能全球2000位最具影响力学者”榜单显示，中国学者的占比仅为9.4，远远落后于美国的61.4%3。2.2.2对于第一类硬件，我国半导体产业实力有可能成为人工智能发展的潜在瓶颈。2021国半导体的全球生产市场份额仅为4%，而美国的市场份额达到50；我国半导体行业的融资总额占比仅为4.3%。（2019年）86.7%，有计划应用开源技术的企业的占比为10.6%[4]“重论文轻工业模式的科研项目使一线的学者更愿意发表大量高水平论文，这样更能产生项的项目，失败的少，成果不显著的少。国外研究团队更倾向“轻科研重工业模式，也是一种模式”，虽然这种模式论文少、见效慢、风险高，但更有利于硬核心技术快速对誉和产业影响并不是通过论文数量产生的；其有自己的学术评价标准，并不追求论文数量；自2010年以来，其在计算机体系结构领域只发表了18篇论文，但其在5年（2011—2015年）的时间里，围绕进行了12次流片，每次流片都意味着对上一次工作的否定和完善，这种处理器级别的流片次数和频率远远超出了世界上其他所有大学。3图7-43.13.1.1具体而言，模式识别和机器学习领域的论文，仅在2015—2021年的61）通过对学术搜索领域进行人才相关分析，全球学术搜索领域的学者数量为7262发展趋势来看，总体呈现上升趋势。如图75所示，中国学术搜索领域学者数量总体保持稳定，全球占比约为10%8。图7-5学术搜索领域人才对比分析在排名前十的机构（见图76）中，清华大学位列第一，学者数量为231人，但学者h-nd（高引用指数）均值在排名前十的机构中偏低。微软和卡内基梅隆大学分别列第2位、第3位，学者数量分别为202人、199人，这两家机构的学者hndx平。图7-62020年学术搜索领域学者数量及学者h-index均值排名前十的机构[8]图7-72020年人机交互学者人才数量国家3.1.22019年8（InformationTechnologyandInnovationFoundation，ITIF）数据创新中心发布了《谁会在（WhoIsWinningtheAIRace：China，theEUortheUnitedStates？）[10]。该报告通过对分）。就应用和试行人工智能的企业百分比而言，中国位居首位（4.7分），（2.9分）和欧盟（2.5分）人工智能的行业应用示意[13]如图7-8图7-83.244.14.24.3到2025到2035到20504.4我国IT从早期通过863计划、核高基”计划实现核心技术零的突破，到一代代芯片、基础软硬阶段，目前正在步入产业化发展、使用体验提升到好用愿用的新阶段。目前，国内人工智能产品和应用的研发主