在日前于推算机械学会(ACM)进行的国际实体设计会议(ISPD)上，，，一位专题演讲的主讲人暗示，，，即时的机械学习(machine learning)范例正在改写晶片设计的决策架构，，，进一步为微晶片的实体设计减一些多报答成分。

IEEE暨英特尔(Intel)平走运算尝试室院士Pradeep Dubey在ISPD专题演讲上颁发「追求终极学习机械」(Quest for the Ultimate Learning Machine)时提到，，，认知电脑将取代很多报答成分。

Dubey说：：：「传统上，，，机械掌管运算数字，，，而人类则在晶片的实体设计上做决定。但是，，，机械此刻能够同时做到这两部份，，，而使运算提升至一个全新的领域！！！

以往将决策工作交给电脑的工作——即基于规定而定的人为智慧(AI)，，，如今无法再持续进行了，，，由于每一位专家都有自己的风格，，，而无法达成一套最佳的准则。然而，，，当今的认知电脑可能执行与人类决策行为有关的四个步骤，，，即感知、、、推理、、、行动、、、适应并重覆，，，直达到成最佳化设计。

然而，，，当今基于神经网路的深度学习认知电脑可能执行这四个步骤中的每一步，，，只管每一步骤中都存在延长。据Dubey暗示，，，我们今天的工作是提高每个步骤的速度，，，直到实现即时作业，，，让认知电脑能收受微晶片实体设计中的报答成分。

凭据Dubey的说法，，，最大的阻碍在于感测和推理步骤期间的深度学习。为了克服英特尔为其Xeon处置器系列增长新款Lake Crest的挑战，，，利用了去年收购Nervana Systems获得的硬体神经网路。 Dubey强调，，，Lake Crest将使深度学习可能即时出现用于出产十亿闸晶片的巨量资料(Big Data)组合。

另一方面，，，赛灵思(Xilinx)资深副总裁兼技术长Ivo Bolsens暗示，，，只需使用现场可编程闸阵列(FPGA)就能达实现同样的工作。 (当然，，，英特尔也由于在2015年收购Altera而占有FPGA技术)。然而，，，Bolsens宣称，，，FPGA能够加快深度学习的脚步，，，最终实现让SoC的每一部份都是硬体可配置的「全可编程平台」(all programmable platform)。

Bolsens暗示：：：「FPGA的最大优势在于拥有丰硕的互连。并且，，，FPGA还占有大量的全域影象体与资料流架构，，，可有效地搭配机械学习运作！！！菇刂聊壳拔，，，FPGA比起其他任何类型的晶片更能有效利用摩尔定律(Moore’s Law)，，，FPGA目前可实现多达13层的可编程互连，，，因而能让任何闸之间彼此互换。此外，，，28nm可说是FPGA的最佳选择，，，由于这一节点时的每闸成本(cost-per-gate)达到最小化——终于随着FPGA用于越来越小的几何尺寸，，，其成本也相对提高中。在一样的封装中使用多个晶片，，，可能达到以每秒150Gbps的短距离互连，，，在系统级封装(SiP)中达到1Gbps。

编译：：：Susan Hong

参考原文：：：ISPD Predicts Chip Futures; Machine Learning to Determine Architectures，，，by R. Colin Johnson

文章起源:EET 电子工程专辑