本書從AI的發(fā)展歷史講起，介紹了目前最熱門的深度學習加速芯片和基于神經形態(tài)計算的類腦芯片的相關算法、架構、電路等，并介紹了近年來產業(yè)界和學術界一些著名的 AI芯片，包括生成對抗網絡芯片和深度強化學習芯片等。本書著重介紹了用創(chuàng)新的思維來設計 AI 芯片的各種計算范式，以及下 一代AI芯片的幾種范例，包括量子啟發(fā)的 AI芯片、進一步提升智能程度的AI芯片、有機自進化AI芯片、光子AI芯片及自供電AI芯片等。本書也介紹了半導體芯片技術在“后摩爾定律時代”的發(fā)展 趨勢，以及基礎理論（如量子場論、信息論等）引領 AI 芯片創(chuàng)新并將不斷發(fā)揮巨大作用。最后，本書介紹了AI發(fā)展的三個層次、AI 芯片與生物大腦的差距以及未來的發(fā)展方向。
本書可供在AI芯片領域學習和工作的研究生、本科生、工程技術人員，以及所有對AI芯片感興趣的人員參考。
市面上少有的AI芯片全書；
AI芯片主流大廠首席科學家多年研究經驗和前瞻的傾心總結；
覆蓋AI芯片相關的技術路線、理論基礎和產業(yè)實踐等諸多方面；
從深度學習AI芯片等現(xiàn)有產品，到自學習/進化等下一代技術，再到量子場論、超材料甚至生物技術AI芯片等前瞻題材，本書將帶您走進AI芯片的未來。
張臣雄畢業(yè)于上海交通大學電子工程系，在德國獲得工學碩士和工學博士學位。曾在西門子、Interphase任職多年，曾任上海通信技術中心及一家世界500強大型高科技企業(yè)分別擔任CEO/CTO、首席科學家等職，長期從事及主管半導體芯片的研究和開發(fā)，推動芯片的產業(yè)化應用。
張臣雄博士是兩家創(chuàng)業(yè)公司的創(chuàng)始人之一。他擁有200余項專利及專利申請，出版了多本專著并發(fā)表了100多篇論文。
第 一篇 導論
第 1章 AI芯片是人工智能未來發(fā)展的核心
——什么是AI芯片 // 2
1.1 AI芯片的歷史 // 3
1.2 AI芯片要完成的基本運算 // 5
1.2.1 大腦的工作機制 // 5
1.2.2 模擬大腦運作的神經網絡的計算 // 7
1.2.3 深度學習如何進行預測 // 8
1.2.4 提高性能和降低功耗 // 9
1.3 AI芯片的種類 // 11
1.3.1 深度學習加速器 // 15
1.3.2 類腦芯片 // 16
1.3.3 仿生芯片及其他智能芯片 // 17
1.3.4 基于憶阻器的芯片 // 19
1.4 AI芯片的研發(fā)概況 // 22
1.5 小結 // 23
第 2章 執(zhí)行“訓練”和“推理”的AI芯片 // 25
2.1 深度學習算法成為目前的主流 // 25
2.1.1 深度學習的優(yōu)勢與不足 // 28
2.1.2 監(jiān)督學習與無監(jiān)督學習 // 29
2.1.3 AI芯片用于云端與邊緣側 // 31
2.1.4 把AI 計算從云端遷移到邊緣側 // 36
2.1.4.1 為什么要在邊緣側部署AI // 37
2.1.4.2 提高邊緣側AI 計算能力的幾個思路 // 38
2.2 AI 芯片的創(chuàng)新計算范式 // 40
2.3 AI 芯片的創(chuàng)新實現(xiàn)方法 // 42
2.4 小結 // 45
第二篇 最熱門的AI 芯片
第3章 深度學習AI 芯片 // 48
3.1 深度神經網絡的基本組成及硬件實現(xiàn) // 48
3.1.1 AI 芯片的設計流程 // 50
3.1.2 計算引擎和存儲系統(tǒng) // 51
3.1.2.1 計算引擎 // 51
3.1.2.2 存儲系統(tǒng) // 55
3.2 算法的設計和優(yōu)化 // 57
3.2.1 降低數(shù)值精度的量化技術 // 57
3.2.2 壓縮網絡規(guī)模、“修剪”網絡 // 62
3.2.3 二值或三值神經網絡 // 63
3.2.4 可變精度和遷移精度 // 64
3.2.5 簡化卷積層 // 66
3.2.6 增加和利用網絡稀疏性 // 66
3.3 架構的設計和優(yōu)化 // 67
3.3.1 把數(shù)據流用圖表示的架構設計 // 68
3.3.2 架構設計及優(yōu)化的其他考慮 // 71
3.4 電路的設計和優(yōu)化 // 72
3.4.1 用模數(shù)混合電路設計的MAC // 73
3.4.2 FPGA 及其Overlay 技術（“軟件定義硬件”） // 74
3.5 其他設計方法 // 76
3.5.1 卷積分解方法 // 76
3.5.2 提前終止方法 // 77
3.5.3 知識蒸餾方法 // 77
3.5.4 經驗測量方法 // 78
3.5.5 哈希算法取代矩陣乘法 // 78
3.5.6 神經架構搜索 // 78
3.6 AI 芯片性能的衡量和評價 // 79
3.7 小結 // 82
第4章 AI 芯片產業(yè)和創(chuàng)業(yè)
——近年研發(fā)的AI 芯片及其特點 // 85
4.1 對AI 芯片巨大市場的期待 // 86
4.2 “1+3”大公司格局 // 87
4.2.1 英偉達 // 87
4.2.2 谷歌 // 91
4.2.3 英特爾 // 94
4.2.4 微軟 // 96
4.2.5 其他一些著名公司的AI 芯片 // 97
4.2.6 三位世界級AI 科學家 // 101
4.3 學術界和初創(chuàng)公司 // 102
4.3.1 大學和研究機構的AI 芯片 // 103
4.3.2 四家初創(chuàng)“獨角獸”公司的芯片 // 111
4.4 小結 // 119
第5章 神經形態(tài)計算和類腦芯片 // 121
5.1 脈沖神經網絡的基本原理 // 122
5.2 類腦芯片的實現(xiàn) // 125
5.2.1 憶阻器實現(xiàn) // 127
5.2.2 用自旋電子器件實現(xiàn) // 129
5.3 基于DNN 和SNN 的AI 芯片比較及未來可能的融合 // 131
5.4 類腦芯片的例子及最新發(fā)展 // 133
5.5 小結 // 138
第三篇 用于AI 芯片的創(chuàng)新計算范式
第6章 模擬計算 // 142
6.1 模擬計算芯片 // 143
6.2 新型非易失性存儲器推動了模擬計算 // 147
6.2.1 用阻變存儲器實現(xiàn)模擬計算 // 147
6.2.2 用相變存儲器實現(xiàn)模擬計算 // 149
6.2.3 權重更新的挑戰(zhàn) // 150
6.2.4 NVM 器件的材料研究和創(chuàng)新 // 151
6.3 模擬計算的應用范圍及其他實現(xiàn)方法 // 153
6.4 模擬計算的未來趨勢 // 154
6.5 小結 // 156
第7章 存內計算 // 158
7.1 馮·諾依曼架構與存內計算架構 // 158
7.2 基于存內計算的AI 芯片 // 161
7.2.1 改進現(xiàn)有存儲芯片來完成存內計算 // 161
7.2.2 用3D 堆疊存儲技術來完成存內計算 // 164
7.2.3 用新型非易失性存儲器來完成存內計算 // 165
7.3 小結 // 171
第8章 近似計算、隨機計算和可逆計算 // 174
8.1 近似計算 // 174
8.1.1 減少循環(huán)迭代次數(shù)的近似計算 // 176
8.1.2 近似加法器和近似乘法器 // 177
8.1.3 降低電源電壓的近似計算 // 178
8.1.4 基于RRAM 的近似計算 // 180
8.1.5 應對電路故障的近似計算 // 182
8.2 隨機計算 // 182
8.3 可逆計算 // 187
8.4 小結 // 191
第9章 自然計算和仿生計算 // 192
9.1 組合優(yōu)化問題 // 193
9.2 組合優(yōu)化問題的最優(yōu)化算法 // 195
9.2.1 模擬退火 // 195
9.2.2 自組織映射 // 197
9.2.3 群體算法 // 199
9.3 超參數(shù)及神經架構搜索 // 201
9.3.1 粒子群優(yōu)化的應用 // 202
9.3.2 強化學習方法的應用 // 202
9.3.3 進化算法的應用 // 203
9.3.4 其他自然仿生算法的應用 // 204
9.4 基于自然仿生算法的AI 芯片 // 205
9.4.1 粒子群優(yōu)化的芯片實現(xiàn) // 206
9.4.2 用憶阻器實現(xiàn)模擬退火算法 // 207
9.5 小結 // 208
第四篇 下一代AI 芯片
第 10 章 受量子原理啟發(fā)的AI 芯片 // 210
10.1 量子退火機 // 210
10.2 伊辛模型的基本原理 // 212
10.3 用于解決組合優(yōu)化問題的AI 芯片 // 214
10.3.1 基于FPGA 的可編程數(shù)字退火芯片 // 214
10.3.2 使用OPO 激光網絡來進行最優(yōu)化計算 // 216
10.3.3 CMOS 退火芯片 // 218
10.3.4 商用量子啟發(fā)AI 芯片 // 220
10.4 量子啟發(fā)AI 芯片的應用 // 221
10.5 小結 // 223
第 11 章 進一步提高智能程度的AI 算法及芯片 // 224
11.1 自學習和創(chuàng)意計算 // 225
11.2 元學習 // 226
11.2.1 模型不可知元學習 // 226
11.2.2 元學習共享分層 // 227
11.2.3 終身學習 // 228
11.2.4 用類腦芯片實現(xiàn)元學習 // 229
11.3 元推理 // 230
11.4 解開神經網絡內部表征的纏結 // 231
11.5 生成對抗網絡 // 235
11.5.1 生成對抗網絡的FPGA 實現(xiàn) // 239
11.5.2 生成對抗網絡的CMOS 實現(xiàn) // 239
11.5.3 生成對抗網絡的RRAM 實現(xiàn) // 240
11.6 小結 // 242
第 12 章 有機計算和自進化AI 芯片 // 243
12.1 帶自主性的AI 芯片 // 244
12.2 自主計算和有機計算 // 247
12.3 自進化硬件架構與自進化AI 芯片 // 248
12.3.1 自進化硬件架構 // 248
12.3.2 自進化AI 芯片 // 250
12.4 深度強化學習AI 芯片 // 252
12.5 進化算法和深度學習算法的結合 // 253
12.6 有機計算和遷移學習的結合 // 254
12.7 小結 // 255
第 13 章 光子AI 芯片和儲備池計算 // 256
13.1 光子AI 芯片 // 257
13.1.1 硅光芯片 // 258
13.1.2 光學神經網絡架構 // 259
13.1.3 光子AI 芯片 // 261
13.2 基于儲備池計算的AI 芯片 // 263
13.3 光子芯片的新進展 // 267
13.4 小結 // 268
第五篇 推動AI 芯片發(fā)展的新技術
第 14 章 超低功耗與自供電AI 芯片 // 271
14.1 超低功耗AI 芯片 // 271
14.2 自供電AI 芯片 // 274
14.2.1 使用太陽能的AI 芯片 // 276
14.2.2 無線射頻信號能量采集 // 277
14.2.3 摩擦生電器件 // 280
14.2.4 微塵大小的AI 芯片 // 282
14.2.5 可采集能源的特點 // 283
14.2.6 其他可能被發(fā)掘的能源 // 284
14.3 小結 // 285
第 15 章 后摩爾定律時代的芯片 // 287
15.1 摩爾定律仍然繼續(xù)，還是即將終結 // 287
15.1.1 摩爾定律進一步 // 290
15.1.2 比摩爾定律更多 // 293
15.1.3 超越CMOS // 300
15.2 芯片設計自動化的前景 // 310
15.3 后摩爾定律時代的重要變革是量子計算芯片 // 312
15.4 小結 // 313
第六篇 促進AI 芯片發(fā)展的基礎理論研究、應用和創(chuàng)新
第 16 章 基礎理論研究引領AI 芯片創(chuàng)新 // 316
16.1 量子場論 // 317
16.1.1 規(guī)范場論與球形曲面卷積 // 317
16.1.2 重整化群與深度學習 // 321
16.2 超材料與電磁波深度神經網絡 // 322
16.3 老子之道 // 327
16.4 量子機器學習與量子神經網絡 // 331
16.5 統(tǒng)計物理與信息論 // 333
16.6 小結 // 336
第 17 章 AI 芯片的應用和發(fā)展前景 // 338
17.1 AI 的未來發(fā)展 // 338
17.2 AI 芯片的功能和技術熱點 // 341
17.3 AI 的三個層次和AI 芯片的應用 // 343
17.4 更接近生物大腦的AI 芯片 // 346
17.4.1 帶“左腦”和“右腦”的AI 芯片 // 349
17.4.2 用細菌實現(xiàn)的擴散憶阻器 // 350
17.4.3 用自旋電子器件實現(xiàn)的微波神經網絡 // 351
17.4.4 用電化學原理實現(xiàn)模擬計算 // 352
17.5 AI 芯片設計是一門跨界技術 // 353
17.6 小結 // 355
附錄 中英文對照表 // 360
參考文獻 // 371
書單推薦
