本文共 3280 字，大约阅读时间需要 10 分钟。
据最近报道称中国的芯片巨头企业紫光展锐在最近研究出了几款新的芯片产品，连高通都没有想到中国的速度会如此之快。紫光展锐这一次抢先苹果和华为一步发布了自己的6nm芯片，一举打破了美国芯片技术在全球垄断的地位。那么在如今芯片行业从微型化向智能化转变的同时，还有那些技术值得我们去探索，这一讲我还是分享我特别喜欢的李铁夫老师的文章，从四个方面来剖析未来技术前瞻，把握科技动向。
什么是新原理器件？硅半导体的晶体管技术快要到极限了，到了环绕栅这个结构，已经是用栅极把整个沟道给完完全全地包裹起来了，达到了最强的控制能力。对于还能不能继续缩小器件尺寸，我们不敢抱太大的希望。
那么自下而上的这条技术路径是不是没办法继续了呢？我们想能不能超越现在的这种硅半导体晶体管的器件结构呢？这就是新原理器件。
现在看来比较有希望的是碳纳米管或者石墨烯这类低维材料，它们最大的优势是电子在其中的传输速度比在硅材料当中要快得多。
你想想，我们不断减小晶体管尺寸的目的是什么呢？就是想让器件越来越快，功耗越来越低，方式只能是晶体管的沟道越来越短，这样信息传递的时间才能更短。
可材料换成碳纳米管或石墨烯就不一样了，这些低维材料，就算不把器件做到7纳米、5纳米这么小，也可能达到同样的信息处理时间和同样低的功耗，器件的性能不就有了更大的提升空间吗？
除了这些新型的低维材料，我觉得还有一个新原理器件值得你关注，就是自旋器件。
自旋是电子天然具有的一个物理维度，是量子计算的核心。其实自旋在经典计算中也有大用处。
你可以这么理解，自旋就是电子在顺时针或者逆时针自转，这其实就可以代表0和1嘛。所以，自旋器件的开关，就不要电子在两个“地铁站”之间流动了，只靠电子自转的翻转就行了。
这下电子流动带来的传输时间和功耗就都可以避免了，所以，自旋器件是很有希望实现高速低功耗的器件。
不过这些新材料和新结构的工艺难度非常大，尤其是如果想要做出几亿，甚至几十亿个器件规模的集成电路，还要保证均匀性、可靠性，非常困难。
这些技术今天还只是在实验室小规模研究阶段，但未来会有很大的发展空间。
像CPU或者GPU芯片，在硬件上不可变，但软件上编程性很高，可以运行各种软件，这是通用芯片。
像谷歌TPU这种定制芯片，它的特点就是硬件不可变，做出来之后硬件就定型了，它用灵活性交换来了高性能。FPGA虽然能做到硬件可编程，但是一种静态的可编程，没法根据软件作出实时调整。
所谓“可重构”，就是说芯片内部的电路结构，可以根据软件进行动态调整，对不同的软件都力求达到定制化硬件的性能。
你可以把它的工作原理想象成铁路网络里面的扳道岔，也就是铁路工人扳动铁轨的道岔，实现火车运行线路的改变。只不过在可重构芯片里面有大量的道岔，而且每个道岔都是晶体管开关，可以非常非常快速地扳动，这就实现了根据具体问题，实时调整电路结构的功能，实现了硬件和软件高度匹配。
为什么要发展可重构芯片呢？
专用芯片是人工智能技术在这几年爆发的一个主要原因。在未来，为了满足万物互联的需求，我们还会需要更多种类，但是小批量的专用芯片。但你也知道，专用芯片的困境就是成本高，只有谷歌、阿里这些大公司才玩得起。
所以我们想一想， CPU、GPU这种通用芯片可以运行各种软件，联想的计算机可以用，苹果的计算机也可以用，可以跑Windows程序，也可以运行Linux和macOS。只有这样，芯片研发高达几亿美元的成本才可能将合理地分摊到每颗芯片上。
这种经济上的正反馈促进了芯片技术的发展，这是Intel可以崛起的原因。但专用芯片的高成本却没有这么大的销售量来支撑，这里面天然存在性能和经济性的矛盾。
我们自然期望，有没有高性能又兼具经济性的芯片呢？比如说，一颗芯片能针对于各种不同类型的问题、各种应用软件都能自适应地形成一个最优的架构，也就是说，这颗芯片对于任何问题都是定制芯片，都能够高效地解决问题。
可重构芯片技术就要实现这个目标。对于新的问题，软件改变了，硬件能够在几十纳秒的时间里面针对软件需求进行改变。
因为一颗芯片就可以应对大量不同的场景，就有足够的销量来摊平开发成本，可重构芯片技术是当今最前沿的领域之一，未来十年，这个领域一定会有很大的突破。
上面我们讲的自下而上和自上而下的技术路径，其实都还是在现在的芯片技术基础上发展，在现有赛道上往前跑。
第三个要介绍的是，未来很有希望出现的全新的芯片架构。
其中有一个很大的可能性，就是经典芯片和量子计算相结合的混合计算芯片组。一旦实现的话，一定会给信息产业带来量级上的提升。
量子计算并不是要取代现在的经典计算机，而是互为补充、协同工作。
量子计算一个主要的应用场景就是针对大规模的优化问题，可以实现指数加速，远超经典计算系统。但量子计算还远未成熟，相信会长期处于NISQ阶段，也就是有噪声的中等规模量子计算阶段，还不能像理想中那样解决大规模的实际问题。
所以有一个趋势就是，要把经典芯片和量子计算芯片结合起来。
对于一个大规模的实际问题，我们需要有聪明的算法把这个问题分解，把其中困难的部分交给量子芯片来解决。而且，这个困难问题还不能太大，太大的话就要继续分拆，直到规模足够小，就可以用NISQ量子芯片来做了。最后再把这两个系统的答案拼装起来，给出一个最终答案。
未来，我相信这种经典加量子的混合计算方案，一定可以用来解决实际的人工智能问题。
接下来，当人工智能的算力越来越高，还可能有一个重要的研究方向，那就是，人工智能用于芯片设计，也就是用芯片研发出更好的芯片，换句话说就是芯片的自我进化。
谷歌团队在2020年ISSCC大会上透露，正在把自家的TPU芯片用在集成电路设计中，比如电路布局这个环节。最新的结果是AI仅用6小时就完成了以往需要几周才能完成的工作量，而且还做得更好，减少了布线数量，提高了面积使用率。
在未来，基于经典芯片的人工智能EDA软件，或者是经典加量子混合计算的人工智能EDA都会逐步成熟，给芯片技术带来前所未有的推动。
最后要说其实是一种新的计算模式，叫类脑计算。
2020年7月15日，英国公司Graphcore发布了一款AI芯片，采用台积电7纳米加工工艺，上面集成了594亿个晶体管。这可是非常大的一个数目，人的大脑也就是900亿个神经元。
那么我们就怀疑，在这个将近600亿的规模上有没有可能出现智慧呢？不知道，我觉得不太容易。为什么呢？因为芯片的运算模式和人脑有很大区别。
现在芯片通用的运算模式叫做冯诺依曼体系，它的特点是数据的存储和运算是分开进行的。比如我们的计算机里，数据存在内存里，运算要在CPU的运算模块里进行。每次运算的时候，CPU的控制模块，根据软件的命令，把数据从内存里调到CPU的运算模块进行运算。
你知道吗？这个过程的效率非常低。
比如现在计算机里面有一个很严重的问题叫存储墙，就是说内存里的数据量越来越大，CPU的处理能力越来越快，但它们之间的信息通道却非常狭窄，就好像一个哑铃。
可以说99%的计算时间和能耗都花在了数据的传输上，真正用于计算的只有1%。
其实这个模式跟我们大脑的运算完全不一样。大脑的运算模式叫做“存算一体”，都是在神经元里面进行的。所以大脑进行如此复杂的抽象和推理运算，只有20瓦的功耗，远远低于现在的CPU芯片。
现在有一种技术就叫做类脑芯片，就是要仿照大脑的模式进行运算。类脑芯片的关键点就是存算一体。
这个怎么来实现呢？现在有好几种技术都能做到了，这里我举一个我认为最有希望的例子，叫做阻变存储器。
所谓阻变是说器件的电阻会发生变化，电阻值会根据流过的电流来改变，换句话说就是你上一次的运算结果会以电阻值的形式保存在这个电阻里，来影响我下一次的计算。
这个机制跟我们大脑中神经元的工作机制是一样的。利用这种新的器件结构和运算模式，类脑芯片很有希望实现高性能低功耗的智能运算，甚至我很期待达到一定规模后，会不会有新的智能现象涌现出来。
转载地址：http://izaaf.baihongyu.com/