AI芯片：科技探索与AGI愿景

本书旨在从创新的角度探讨AI芯片的现状和未来，共分9章。第1章为概论，介绍大模型浪潮下， AI芯片的需求与挑战。第2章、第3章分别介绍实现深度学习AI芯片的创新方法与架构，以及一些新兴的算法和思路。第4章全面介绍半导体芯片产业的前沿技术，包括新型晶体管、集成芯片、分子器与分子忆阻器，以及打印类脑芯片等。第5章~第8章分别探讨用化学或生物方法实现AI、AI在科学发现中的创新应用、实现神经形态计算与类脑芯片的创新方法，以及具身智能芯片。第9章展望未来的 AGI芯片，并探讨相关的发展和伦理话题。 本书可供 AI和芯片领域的研究人员，工程技术人员，科技、产业决策和管理人员，以及创投从业者参考，也可供AI、集成电路、计算机等相关专业的本科生、研究生和教学工作者，以及所有对AI芯片感兴趣的读者阅读。

张臣雄，毕业于上海交通大学电子工程系，在德国卡尔斯鲁厄理工学院（Karlsruhe Institute of Technology，KIT， 原卡尔斯鲁厄大学）理论电子学研究所获得工学硕士和工学博士学位。曾在德国西门子、美国Interphase 任职多年，并在一家世界500强大型高科技企业担任首席科学家，曾任上海通信技术中心CEO。 两家创业公司的创始人之一。长期致力于半导体芯片的研究与开发，参与并领导了多个重要的国际研究项目，多次获得业内奖项。有200 余项专利在多个国家获授权或在申请中，出版多部专著并发表多篇学术论文。著有《AI 芯片：前沿技术与创新未来》。

第 1章 大模型浪潮下，AI 芯片的需求与挑战 // 1 1.1　生成式AI 开创新时代 // 2 1.2　AI 芯片：CPU、GPU、FPGA、ASIC // 4 1.2.1　CPU // 6 1.2.2　GPU // 13 1.2.3　FPGA // 21 1.2.4　ASIC // 23 1.3　边缘AI 芯片 // 34 1.4　AI 芯片的算力提升与能耗挑战 // 37 1.5　本章小结 // 40 参考文献 // 41 第 2章 实现深度学习AI 芯片的创新方法与架构 // 43 2.1　基于大模型的AI 芯片 // 46 2.1.1　 Transformer 模型与引擎 // 46 2.1.2　存内计算AI 芯片 // 53 2.1.3　基于GPU 的大模型计算 // 57 2.1.4　基于FPGA 的大模型计算 // 59 2.1.5　基于ASIC 的大模型计算 // 60 2.1.6　Transformer 模型的后继者 // 61 2.2　用创新方法实现深度学习AI 芯片 // 63 2.2.1　基于开源RISC-V 的AI 加速器 // 65 2.2.2　射频神经网络 // 69 2.2.3　光电组合AI 芯片 // 74 2.2.4　量子AI 芯片 // 78 2.2.5　矩阵乘法计算的加速 // 85 2.3　用于边缘侧训练或推理的AI 芯片 // 91 2.3.1　边缘AI 训练 // 93 2.3.2　Transformer 模型边缘部署 // 95 2.3.3　智能手机AI 芯片 // 96 2.3.4　边缘侧的4 种AI 终端设备 // 101 2.3.5　极低功耗的AI 芯片 // 103 2.4　本章小结 // 108 参考文献 // 109 第3章 AI 的未来：提升AI 算力还是提升AI 智力 // 113 3.1 深度学习算法的困境：大模型是一条不可持续发展的道路 // 114 3.1.1 收益递减法则适用于神经网络 // 114 3.1.2 资源浪费与环境破坏的问题 // 116 3.2　超越ChatGPT 的新趋势：用小模型替代大模型 // 118 3.2.1 强化学习 // 119 3.2.2 指令调整 // 119 3.2.3 合成数据 // 120 3.3　终身学习与迁移学习 // 122 3.3.1 终身学习 // 122 3.3.2 迁移学习 // 123 3.4　符号计算 // 125 3.4.1　超维计算 // 127 3.4.2　耦合振荡计算 // 138 3.4.3　神经符号计算 // 146 3.5　本章小结 // 150 参考文献 // 152 第4章 AI 芯片：汇聚半导体芯片产业前沿技术 // 155 4.1　摩尔定律仍在不断演进 // 156 4.1.1　晶体管架构从FinFET 到CFET // 156 4.1.2　晶背供电技术——打破传统规则 // 159 4.1.3　EUV 光刻机与其他竞争技术 // 162 4.2　从“集成电路”到“集成芯片” // 168 4.2.1　芯粒与异质集成 // 170 4.2.2　3D 堆叠 // 179 4.2.3 “无封装”的晶圆级单片芯片 // 184 4.3　开发使用新材料、新工艺的芯片 // 186 4.3.1　0D、1D、2D 材料 // 187 4.3.2　用于类脑芯片的固态离子器件 // 189 4.3.3　分子器件与分子忆阻器 // 192 4.3.4　打印类脑芯片 // 199 4.4　本章小结 // 201 4.4.1 工艺技术创新 // 201 4.4.2 芯片架构创新 // 202 4.4.3 新材料与制造工艺 // 203 参考文献 // 204 第5章 从AI 硬件到AI 湿件：用化学或生物方法实现AI // 206 5.1　化学计算 // 209 5.1.1　用酸碱反应实现逻辑门和神经网络 // 210 5.1.2　液态的忆阻器、MAC 计算单元及存储器 // 213 5.1.3　化学计算的总体现状与前景 // 225 5.2　生物计算 // 225 5.2.1　用活细胞实现AI // 226 5.2.2　真菌计算 // 236 5.2.3　生物计算 // 239 5.3　本章小结 // 242 参考文献 // 244 第6章 AI 在科学发现中的创新应用 // 246 6.1　科学发现的4 个传统范式与正在开启的第五范式 // 248 6.2　科学发现的过程与方法 // 252 6.2.1 科学推理的类型 // 253 6.2.2 自动化科学发现框架 // 254 6.3　直觉和灵感与诺贝尔奖和重大科学发现 // 255 6.4　AI 替代人类生成假说 // 256 6.4.1 直接生成 // 259 6.4.2 穷举搜索 // 261 6.4.3 分析排错与组合优化 // 262 6.5　用AI 实现诺贝尔奖级别的科学发现 // 263 6.5.1 AI 科学家的构建 // 263 6.5.2 AI 科学家取得诺贝尔奖级别成果面临的挑战 // 268 6.6　AI 芯片用于“AI 科学家”系统 // 270 6.7　用量子启发AI 技术发现新型超材料的案例 // 272 6.8　本章小结 // 275 参考文献 // 277 第7章 实现神经形态计算与类脑芯片的创新方法 // 279 7.1　云端使用的神经形态计算与类脑芯片 // 282 7.2　基于大模型的神经形态计算架构 // 286 7.3　超导与非超导低温类脑芯片 // 290 7.3.1　超导低温类脑芯片 // 291 7.3.2　半导体与超导体混合式神经形态网络 // 294 7.3.3　非超导低温类脑芯片 // 296 7.3.4　低温AI 类脑芯片的巨大发展潜力 // 297 7.4　以树突为中心的“合成大脑” // 298 7.5　自旋波类脑芯片 // 303 7.6　本章小结 // 307 参考文献 // 310 第8章 具身智能芯片 // 312 8.1　AI 的下一个前沿：具身智能 // 313 8.1.1 具身智能的缘起 // 314 8.1.2 具身智能中的第 一人称视角 // 316 8.2　AI 感知技术与芯片 // 318 8.2.1　输入端的数据压缩 // 319 8.2.2　视觉：眼睛——摄像头与视觉传感器 // 321 8.2.3　触觉：皮肤——触摸屏、触摸板、人工皮肤及3D 生物组织打印 // 325 8.2.4　听觉：耳朵——麦克风与助听器 // 327 8.2.5　味觉：舌头——电子舌 // 329 8.2.6　嗅觉：鼻子——电子鼻 // 331 8.2.7　具身智能的增强感知 // 334 8.2.8　新的“第六感” // 335 8.3　具身智能系统与芯片 // 337 8.3.1　基于忆阻器的感存算一体化技术 // 341 8.3.2　具身智能的执行控制 // 346 8.3.3　感知、存储、计算、执行一体化 // 347 8.4　湿件具身智能 // 347 8.5　本章小结 // 349 参考文献 // 352 第9章 从AI 芯片到AGI 芯片 // 354 9.1　生成式AI 点燃AGI 之火 // 355 9.2　现阶段更智能、更接近AGI 的6 种算法与模型 // 358 9.2.1　MoE 模型 // 359 9.2.2　Q* 算法 // 363 9.2.3　测试时计算：提高泛化能力 // 366 9.2.4　具身智能与渗透式AI // 367 9.2.5　大型多模态模型 // 370 9.2.6　分布式群体智能 // 373 9.2.7 发展重点：基于强化学习的后训练与推理 // 377 9.2.8　超越大模型：神经符号计算 // 379 9.3　AGI 芯片的实现 // 381 9.3.1　技术需求 // 382 9.3.2　架构与形态 // 387 9.4　未来：AGI 和ASI——神话还是悲歌 // 392 9.5　本章小结 // 394 参考文献 // 396 附录：芯片技术发展进程中具有里程碑意义的几本书 // 397