Facebook加入AI芯片竞赛，自研ASIC

Facebook认识到，要想在AI领域实现下一个突破，它需要大大提高计算速度。目前，Facebook已经加入与亚马逊和谷歌的竞争，开发自己的AI芯片。

LeCun 在接受英国 《金融时报》 采访时表示，Facebook 希望与多家芯片公司合作开发新的芯片设计——最近宣布了与英特尔合作开展项目——但他也表示，Facebook正在开发自己的定制 “ASIC” 芯片，以支持其AI程序。

LeCun说：“众所周知，Facebook会在需要时构建自己的硬件——例如，构建自己的ASIC。遇到任何障碍，我们都将全力以赴。”这是Facebook首次发表官方评论，证实了其在芯片领域的雄心。

谈到公司在芯片方面取得突破的机会时，LeCun补充说：“底层肯定有很大的空间。”

Facebook自研芯片的决定，对英伟达也构成了又一个长期挑战。英伟达是目前用于数据中心AI的图形处理器的主要生产商。由于大型数据中心客户离开，英伟达正面临短期困境。

现在，更大的需求是更专业的AI芯片，其设计旨在以闪电般的速度、更低的功耗执行单一任务，而不是过去的通用处理器。这种需求不仅吸引了谷歌、亚马逊、苹果等公司的投资浪潮，也吸引了几十家初创企业。

对新的芯片设计和硬件架构的关注表明，需要在基础计算方面取得根本性突破，以防止今天的AI成为一个死胡同。

LeCun 表示，纵观AI的历史，在研究人员提出让该领域得到突破的洞见之前，它往往已经在硬件方面取得了很大的进步。

“在相当长的一段时间里，人们没有想到相当明显的想法，”他说，这阻碍了人工智能的发展。其中就包括反向传播，这是当今深度学习系统的一项核心技术，算法可以通过反向传播来减少错误。 LeCun 表示，这显然是对早期研究的延伸，但直到上世纪90年代计算机硬件发展后，这一技术才得到广泛应用。

Facebook过去也曾设计过其他类型的硬件，例如，在将数据中心设备开源供他人使用之前，为这些设备提出一些新想法。 LeCun 表示，同样的方法也将适用于芯片设计。他补充说：“我们的目标是将其送走。”

重新设计神经网络，模仿更多人类智能

Facebook还将研究重点放在神经网络的新设计上。神经网络是深度学习系统的核心，是图像和语言识别等领域最近进展的基础。

30年前，LeCun在 AT＆T 贝尔实验室研究AI芯片时，构建了第一个“卷积”神经网络，这是目前深度学习系统常用的神经网络。

LeCun 表示，Facebook正致力于“一切可以降低功耗(并)改善延迟的事情”，以加快处理速度。但他补充说，实时监控视频带来的巨大需求，将需要新的神经网络设计。

Facebook也在寻找新的神经网络架构，以模仿人类智能的更多方面，并使系统更自然地进行交互。

LeCun说，Facebook正大力投入于“自我监督”系统，这种系统能够对周围的世界做出更广泛的预测，而不仅仅是得出直接与它们所接受的数据相关的结论。这可以使它们对世界产生同样广泛的理解，从而使人类能够应对新的情况。

“就新用途而言，Facebook感兴趣的一件事是开发智能数字助理——具有一定程度的常识的智能助理，”他说。“它们拥有背景知识，你可以和它们就任何话题进行讨论。”

向计算机灌输常识的想法还处于非常早期的阶段，LeCun表示，这种更深层次的智能“不会很快发生”。

他说：“能够在不确定性下进行预测是当今的主要挑战之一。”

Facebook正在参与一项更广泛的研究努力，旨在增强当今的神经网络。在ISSCC研讨会上，LeCun概述了这项工作。

其中，包括根据通过它们的数据调整其设计的网络，使其在面对现实世界的变化时更加灵活。另一种研究方法是研究只“激活”解决特定问题所需神经元的网络，这种方法与人类大脑的运作方式类似，可以大大降低功耗。

研究工作还包括将计算机存储添加到神经网络中，这样当与人“交谈”时，神经网络就能记住更多的信息，并形成更强的语境感。

神经网络的进步可能会对驱动它们的芯片的设计产生连锁反应，这可能会为制造当今领先AI芯片的公司带来更多竞争。

LeCun 表示，谷歌的TPU——最强大的机器学习数据中心芯片——“仍相当通用”。但“它们做出的假设不一定适用于未来的神经网络架构。”

另一方面，芯片设计的灵活性也有其他缺点。例如，微软计划在其所有数据中心服务器上安装一种不同类型的芯片，即FPGA(现场可编程门阵列)。这些芯片在使用方式上更加灵活，但在处理大量数据方面效率较低，这使它们与专为特定任务而优化的芯片相比处于劣势。