2018-12-19 10:10

　　各位领导，各位专家好！今天我的报告的标题是从硬件、软件到系统，开启多元化创新时代。主题是多元化创新，背后的含义，今天在整个先进计算的体系里面，没有颠覆性技术，所以只能是多元化创新，是这样一个含义。

　　首先我们画了一个曲线（示意图），我们今天总结来看，当前信息通信最大的挑战之一，就是技术上的挑战，是需求和计算技术之间的鸿沟，差距非常之大。在移动互联网时代，我们使用手机的时候，没有意识到计算能力对我们计算业务支持的延迟。我们看对于未来，今天已经有了一些业务的雏形，今天很多的计算能力还远远不够，比如说人工智能，今天的机器学习，云端的训练至少需要一周的时间，显然时间太长了。我们看虚拟现实、增强现实，渲染的计算能力远远达不到体验的要求。

　　我们看自动驾驶，今天计算勉强能达到L3的支持能力，如果L4的驾驶，需要在今天的计算能力上增长50倍，显然这个差距是很大的。 另外一方面，类脑智能，或者量子计算它的产业化会更长，甚至需要十年以上的时间。

　　同样是移动计算，移动手机的计算和自动驾驶的计算，它的差距有多大？从计算需求来看，今天手机能够达到最高的计算是2TFLOPS，自动驾驶需要2500TFLOPS，数据生成的速度差距会更大，差了一万倍，计算能力也远远达不到支持L4及以上的计算能力。再加上一些其他的要求，比如温度，我们今天的计算支持工业，支持特别是自动驾驶驾的需求差距会更大。

　　先进计算是整个信息通信技术里面的基础和核心，我们理解先进计算不是一个单一的，单点的技术，是面向未来多种计算技术的一个统称，它包括很多的方面，包括原理、材料、系统、算法、网络架构、应用等等，我们谈计算有不同的视角，还有体系的视角，还有材料的视角，不同的材料，整个体系就发生变化。今天由于90%以上谈的都是冯诺伊曼架构体系的计算，我们今天看冯诺伊曼体系架构的要素，主要是六个方面，一个是基础理论，大家都比较熟悉了，像图灵机、冯诺伊曼架构等等，这是几十年前就建立的理论。第二是器件，包括设计、制造等等，第三层面就是固件层面，第四个层面就是系统，就是资源管理和任务调度。上面包括应用的软件技术和应用的技术。

　　从宏观来讲，三大技术推动了计算能力50年指数级的倍增。一个是器件技术，半导体工艺。第二大技术就是芯片的技术，就是频率的增加以及大核的扩展。第三就是系统的技术，分布式计算所带动的整体的效果的提升。

　　我们看从90年代以来，整个计算的重点是在不断的发生迁移，从大型的单机的计算到并行计算，到2003年谷歌发布他们着名的论文，分布式计算开始兴起。Hinton教授发布了2006年的深度置信网络论文以后，人工智能的计算开始大规模发展。所以这里面我还有一点自己的想法，我今年参加了一些国际上人工智能的大会，我感觉这次深度学习的浪潮绝对不是短暂的浪潮，我看到非常非常多的论文和深度学习、深度神经网络在各个领域的应用，非常非常多，所以它不会是一个短期的浪潮。

　　今天我们看计算技术的升级遇到了很大的挑战，甚至天花板效应已经出现了。第一，摩尔定律即将接近终点。我们看5纳米已经是10个硅原子的直径。第二就是频率越高，芯片的功耗急剧的增加。我们手机计算芯片再发展下去，它的计算能力，CPU计算能力再提高已经没有用了。因为你整个计算的效能都补到CPU传输的速度上去了，你的车再好堵在路上也没有用。有人讲CPU和存储压在一个芯片里，这是不太可能的。

　　第三个是阿姆达尔定律。第四个就是冯诺依曼计算架构瓶颈。这四个瓶颈决定的今天的计算能力无法大规模的往上提升。但是我们计算的需求远远超过了摩尔定律。看到了人工智能深度学习整个计算量，每3.5个月增长一倍，我们很快就失去了这一波的计算红利。对于今天的数据智能有一个很大的挑战。今天由于没有一个颠覆性的技术，所以今天定义计算平台的是什么？其实是应用，而不是以往的像大型机、小型机，包括智能手机时代的硬件芯片。因为我们在移动互联网时代，先有了智能手机，先有了芯片和操作系统，才有了移动计算平台。我们看到云计算、人工智能、自动驾驶，我们根据业务需求去定义这个计算能力。其实是我们今天整个产业发展的动力发生变化。

　　我分享四个我们认为先进计算的核心特征，应用驱动、体系融合、开放创新和颠覆未至，由于今天计算不是颠覆性技术驱动，需要体系化的融合推动技术的发展。整个创新发展的方式是开放的，开源式的创新模式。

　　首先是颠覆未至，这是今天我们看到工艺的升级已经趋缓，有很多的挑战，而且今天这个节点上参与者非常少，只有三家能够达到7毫米，到3毫米以后，估计现在目前只有3家了。整个新的起点结构在10年之内也会发生变化，新材料的引入等等还有很多的挑战。我们如果想去颠覆没有达到的情况下提升我们的计算，我们只能优化而不是颠覆。我们有四个发展方向，近期主要是把内存增加，通过软件的技术，来提升我们的计算能力。中远期就是引入新存储硬件技术。

　　我们再谈谈量子和类脑。今年有很多量子计算的新闻，但是今天量子计算还处于原始阶段，只能进行特定的应用。类脑计算，今天对脑机理的认知还不是很熟悉，所以今天对于深度学习很多的缺点的苛求是有点过分了，至少深度学习有大部分的应用，而且在很多的应用上非常有效的，很多的类脑也好，或者其他的人工智能方式没有有效的。

　　第二个特点就是应用的驱动。这个趋势越来越明显，以前我们说SDN也好，SDC也好，更多是软件定义到网络架构的层面，其实它没有对底层的芯片做定义。今天人工智能时代，直接定义到芯片底层的架构里，所以这个改变是非常大的。

　　去年到今年，全球有非常多的各类人工智能的芯片出现，主要由于在云端的推理，以及终端的推理方面，有很多的不同的特性所导致的。我们看中国至少有60家做人工智能芯片的公司。软件方面，应用驱动的趋势也非常明显，由于我们今天是一个从通用计算到专用计算的时代，导致你软件整体架构必须围绕这个来改变。

　　体系怎么演进？怎么提升我们的计算速度？处理这块，在云端一直是以通用计算作为主导的方向，但是今天这个情况在发生变化，特别是人工智能的云端训练，它需要所谓GPU的云端的训练。重点是存储，这个存储对现阶段没有颠覆性技术发生的情况下，存储所带来计算能力的提升是非常显着的及最主要的，中间这张图，如果我们把速度用数字来计算的话，CPU寄存器的延迟是按照1来作为标杆，CPU片装存储的延迟是3，系统内存的延迟是100，我们所用的硬盘延迟是100万，所以整个延迟的速度就太多了，相比CPU。所以今天导致的一个情况就是，CPU非常非常空闲，IO非常非常忙。对于整个系统的优化，就是围绕着怎么去提高IO的效率，这是一个方面。

　　另外，新型的非易性存储已经发生了，它会带来一个体系性的变化。 IO的提升主要是两个方面，这个太技术了。

　　还有第四个特点就是开放式创新。每一个ICT的浪潮它都抓住了这样的机会，而且它对于业界的影响是越来越重要，它也是从板级到芯片级的开源，到开源的指令级，它的渗透也是逐步的深入。目前最具争议的就是网络开源，当然这是另外的话题。

　　我们看在计算里面，硬件的开源浪潮也在兴起，我们认为还有几个特点需要关注，今天我们看RISC-V技术没有根本性创新，整个进度低于预期。

　　最后我们的展望，专用加速的架构将占据越来越重要的位置。在国际计算机体系架构的论文中，在90年代之中，有关处理器架构占了绝大多数，到2010年以后，GPU通用的加速架构越来越多。今天专用的加速架构占据了绝对的主导，这是学术研究的一个趋势。对于未来市场来讲，我们认为也是比较乐观的，未来有五大市场会有爆发性的增长，分别在云侧的是训练和推理的场景，边缘侧是智能手机、安防和汽车的场景。由于时间关系我就讲到这里，谢谢大家！