深度学习增强毫米级计算机，288 微瓦运行神经网络

【新智元导读】密歇根大学两位计算机科学家，在本月初于旧金山举行的IEEE国际固态电路会议（ISSCC）上，介绍了仅有毫米大小的微型计算机。不仅体积小，原型产品仅使用几纳瓦的功率就能在本地运行神经网络，其产品有望让物联网和其他智能设备更加智能。

PDF：https://reconfigdeeplearning.files.wordpress.com/2017/02/isscc2017-14-7visuals.pdf

计算机科学家David Blaauw从他的包里拿出一个小塑料盒。他小心翼翼地用手指甲拿起里面的小黑点，把它放在酒店的咖啡桌上。体积仅为一立方毫米，这个小黑点就是世界上最小的计算机之一。我不得不小心忍住不要咳嗽或打喷嚏，以免把这台袖珍计算机吹走，弄进垃圾桶里。

Blaauw和他的同事Dennis Sylvester 是IEEE Fellow、密歇根大学的计算机科学家。他们在今年2月，旧金山举行的IEEE国际固态电路会议（ISSCC）上介绍了与刚刚说的那些“微尘”计算机相关的十篇论文。在过去几年，他们也提交了类似的微型设备研究。

这些微型计算机主要用于为医疗设备和物联网提供更加智能、更小的传感器。像麦克风、摄像头这些传感器，一般是用作其他智能设备的眼睛和耳朵，必须保持时刻警觉，因此对能耗的要求很高。此外，这类设备也大多将数据上传到云中，因为它们不能在本地分析。有些人预测到2035年，全球将有1万亿个这样的设备。

“如果你有一个万亿的设备在不断产生数据，我们将被淹没在数据的海洋里，”Blaauw说。通过开发能够在本地进行分析的小型、高能效的计算传感器，Blaauw和Sylvester希望使未来的智能设备更加安全，同时还节省能源。

在会议上，他们展示了自己的微尘设计，仅使用几纳瓦的功率执行任务，比如区分开过去的汽车的声音，或测量温度和光照等级。他们展示了一个小型收音机，可以将数据从小型计算机发送到距离20米的接收机——相比去年他们在ISSCC汇报的50厘米范围有了很大的提升。Blaauw和Sylvester还描述了他们在TSMC上将闪存嵌入到设备中的工作，以及深度神经网络专用的低功耗硬件研发项目。

Blaauw和Sylvester说，他们采取一体化方法添加新功能，这样就不会增加功耗。目前，业界尚没有统一的方法实现这样一点，硬要说有的话，就是“智能电路设计”。

Sylvester表示，在内存方面研究是如何权衡提升性能的一个很好的例子。以前的微尘计算机使用8千字节的SRAM，性能相当低。要录制视频和声音，微型计算机需要更多的内存。因此，他们与台积电合作，在电路板上嵌入闪存。现在，他们可以制造具有1兆字节存储空间的小型计算机。

闪存可以在比SRAM小的占用空间中存储更多的数据，但是需要大量的电力来写入存储器。使用TSMC，他们设计了一个新的存储器阵列，使用更有效的电荷泵来进行写入。存储器阵列比TSMC的商业产品密度小一点，但仍然比SRAM好得多。Sylvester：“我们以很小的牺牲获取了巨大的收益。”

他们在ISSCC上展示的另一个微尘设计包括了一个深度学习处理器，上面可以运行一个神经网络，只使用288微瓦的能耗。神经网络通常需要大型内存组和强大的处理能力，因此通常运行在由高级GPU供电的服务器上。有部分研究人员一直试图通过专门设计用于运行这些算法的专用硬件来减小深度学习AI的体积和功率需求。但就算是这些处理器，仍然使用超过50毫瓦的功率——对于微尘计算机而言承受不起。密歇根研究人员通过重新设计芯片架构降低了电源要求，比如在存储器（SRAM）内设置四个处理元件以最小化数据移动。

研究人员希望把神经网络带到物联网上。“很多运动检测摄像机拍摄到的是在风中移动的树枝，这对安防而言并没有什么帮助，”Blaauw说。安保摄像机和其他连接的设备不够聪明，无法区分盗贼和移动的树枝之间的区别，所以浪费了能量，而且将一些无关的画面送到云端进行分析。

能够在本地运行的深度学习处理器可以做出更好的决策，但只有当它们不使用太多计算资源的时候才有实际应用意义。密歇根研究小组认为，深度学习处理器可以被集成到许多其他互联网联网设备中，不仅仅局限于安保系统。例如，如果HVAC系统看到多个人穿上外套，就可以决定降低空调。

除了在学术会议展示他们的作品，密歇根大学的研究人员希望能在未来几年将其研究成果推广上市。Blaauw和Sylvester说，他们的创业公司CubeWorks目前正在开发和研究投放市场的原型。CubeWorks公司成立于2013年底。去年10月，英特尔投资公司宣布投资这家公司，具体金额未披露。

原文地址：http://spectrum.ieee.org/tech-talk/robotics/artificial-intelligence/millimeterscale-computers-now-with-deep-learning-neural-networks-on-board