第 一篇 導(dǎo)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(yùn)算 //　5 1.2.1　大腦的工作機(jī)制 //　5 1.2.2　模擬大腦運(yùn)作的神經(jīng)網(wǎng)絡(luò)的計算 //　7 1.2.3　深度學(xué)習(xí)如何進(jìn)行預(yù)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(xué)習(xí)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(jié) //　23 第 2章　執(zhí)行“訓(xùn)練”和“推理”的AI芯片 //　25 2.1　深度學(xué)習(xí)算法成為目前的主流 //　25 2.1.1　深度學(xué)習(xí)的優(yōu)勢與不足 //　28 2.1.2　監(jiān)督學(xué)習(xí)與無監(jiān)督學(xué)習(xí) //　29 2.1.3　AI芯片用于云端與邊緣側(cè) //　31 2.1.4　把AI 計算從云端遷移到邊緣側(cè) //　36 2.1.4.1　為什么要在邊緣側(cè)部署AI //　37 2.1.4.2　提高邊緣側(cè)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(jié) //　45 第二篇　最熱門的AI 芯片 第3章　深度學(xué)習(xí)AI 芯片 //　48 3.1　深度神經(jīng)網(wǎng)絡(luò)的基本組成及硬件實現(xiàn) //　48 3.1.1　AI 芯片的設(shè)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(shè)計和優(yōu)化 //　57 3.2.1　降低數(shù)值精度的量化技術(shù) //　57 3.2.2　壓縮網(wǎng)絡(luò)規(guī)模、“修剪”網(wǎng)絡(luò) //　62 3.2.3　二值或三值神經(jīng)網(wǎng)絡(luò) //　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(wǎng)絡(luò)稀疏性 //　66 3.3　架構(gòu)的設(shè)計和優(yōu)化 //　67 3.3.1　把數(shù)據(jù)流用圖表示的架構(gòu)設(shè)計 //　68 3.3.2　架構(gòu)設(shè)計及優(yōu)化的其他考慮 //　71 3.4　電路的設(shè)計和優(yōu)化 //　72 3.4.1　用模數(shù)混合電路設(shè)計的MAC //　73 3.4.2　FPGA 及其Overlay 技術(shù)（“軟件定義硬件”） //　74 3.5　其他設(shè)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(jīng)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(jīng)架構(gòu)搜索 //　78 3.6　AI 芯片性能的衡量和評價 //　79 3.7　小結(jié) //　82 第4章　AI 芯片產(chǎn)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(dá) //　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(xué)家 //　101 4.3　學(xué)術(shù)界和初創(chuàng)公司 //　102 4.3.1　大學(xué)和研究機(jī)構(gòu)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(jié) //　119 第5章　神經(jīng)形態(tài)計算和類腦芯片 //　121 5.1　脈沖神經(jīng)網(wǎng)絡(luò)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(jié) //　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(quán)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(yīng)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(jié) //　156 第7章　存內(nèi)計算 //　158 7.1　馮·諾依曼架構(gòu)與存內(nèi)計算架構(gòu) //　158 7.2　基于存內(nèi)計算的AI 芯片 //　161 7.2.1　改進(jìn)現(xiàn)有存儲芯片來完成存內(nèi)計算 //　161 7.2.2　用3D 堆疊存儲技術(shù)來完成存內(nèi)計算 //　164 7.2.3　用新型非易失性存儲器來完成存內(nèi)計算 //　165 7.3　小結(jié) //　171 第8章　近似計算、隨機(jī)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(yīng)對電路故障的近似計算 //　182 8.2　隨機(jī)計算 //　182 8.3　可逆計算 //　187 8.4　小結(jié) //　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(jīng)架構(gòu)搜索 //　201 9.3.1　粒子群優(yōu)化的應(yīng)用 //　202 9.3.2　強(qiáng)化學(xué)習(xí)方法的應(yīng)用 //　202 9.3.3　進(jìn)化算法的應(yīng)用 //　203 9.3.4　其他自然仿生算法的應(yīng)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(jié) //　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(jī) //　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(wǎng)絡(luò)來進(jìn)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(yīng)用 //　221 10.5　小結(jié) //　223 第 11　章 進(jìn)一步提高智能程度的AI 算法及芯片 //　224 11.1　自學(xué)習(xí)和創(chuàng)意計算 //　225 11.2　元學(xué)習(xí) //　226 11.2.1　模型不可知元學(xué)習(xí) //　226 11.2.2　元學(xué)習(xí)共享分層 //　227 11.2.3　終身學(xué)習(xí) //　228 11.2.4　用類腦芯片實現(xiàn)元學(xué)習(xí) //　229 11.3　元推理 //　230 11.4　解開神經(jīng)網(wǎng)絡(luò)內(nèi)部表征的纏結(jié) //　231 11.5　生成對抗網(wǎng)絡(luò) //　235 11.5.1　生成對抗網(wǎng)絡(luò)的FPGA 實現(xiàn) //　239 11.5.2　生成對抗網(wǎng)絡(luò)的CMOS 實現(xiàn) //　239 11.5.3　生成對抗網(wǎng)絡(luò)的RRAM 實現(xiàn) //　240 11.6　小結(jié) //　242 第 12　章 有機(jī)計算和自進(jìn)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(jī)計算 //　247 12.3　自進(jìn)化硬件架構(gòu)與自進(jìn)化AI 芯片 //　248 12.3.1　自進(jìn)化硬件架構(gòu) //　248 12.3.2　自進(jìn)化AI 芯片 //　250 12.4　深度強(qiáng)化學(xué)習(xí)AI 芯片 //　252 12.5　進(jìn)化算法和深度學(xué)習(xí)算法的結(jié)合 //　253 12.6　有機(jī)計算和遷移學(xué)習(xí)的結(jié)合 //　254 12.7　小結(jié) //　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(xué)神經(jīng)網(wǎng)絡(luò)架構(gòu) //　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(jìn)展 //　267 13.4　小結(jié) //　268 第五篇　推動AI 芯片發(fā)展的新技術(shù) 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(jié) //　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(jié) //　287 15.1.1　摩爾定律進(jìn)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(shè)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(jié) //　313 第六篇　促進(jìn)AI 芯片發(fā)展的基礎(chǔ)理論研究、應(yīng)用和創(chuàng)新 第 16　章 基礎(chǔ)理論研究引領(lǐng)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(xué)習(xí) //　321 16.2　超材料與電磁波深度神經(jīng)網(wǎng)絡(luò) //　322 16.3　老子之道 //　327 16.4　量子機(jī)器學(xué)習(xí)與量子神經(jīng)網(wǎng)絡(luò) //　331 16.5　統(tǒng)計物理與信息論 //　333 16.6　小結(jié) //　336 第 17　章 AI 芯片的應(yīng)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(shù)熱點 //　341 17.3　AI 的三個層次和AI 芯片的應(yīng)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(xì)菌實現(xiàn)的擴(kuò)散憶阻器 //　350 17.4.3　用自旋電子器件實現(xiàn)的微波神經(jīng)網(wǎng)絡(luò) //　351 17.4.4　用電化學(xué)原理實現(xiàn)模擬計算 //　352 17.5　AI 芯片設(shè)計是一門跨界技術(shù) //　353 17.6　小結(jié) //　355 附錄　中英文對照表 //　360 參考文獻(xiàn)　//　371