晶元算力挖礦神經網路

『壹』 給人工智慧提供算力的晶元有哪些類型

給人工智慧提供算力的晶元類型有gpu、fpga和ASIC等。

GPU，是一種專門在個人電腦、工作站、游戲機和一些移動設備（如平板電腦、智能手機等）上圖像運算工作的微處理器，與CU類似，只不過GPU是專為執行復雜的數學和幾何計算而設計的，這些計算是圖形渲染所必需的。

FPGA能完成任何數字器件的功能的晶元，甚至是高性能CPU都可以用FPGA來實現。 Intel在2015年以161億美元收購了FPGA龍 Alter頭，其目的之一也是看中FPGA的專用計算能力在未來人工智慧領域的發展。

ASIC是指應特定用戶要求或特定電子系統的需要而設計、製造的集成電路。嚴格意義上來講，ASIC是一種專用晶元，與傳統的通用晶元有一定的差異。是為了某種特定的需求而專門定製的晶元。谷歌最近曝光的專用於人工智慧深度學習計算的TPU其實也是一款ASIC。

(1)晶元算力挖礦神經網路擴展閱讀：

晶元又叫集成電路，按照功能不同可分為很多種，有負責電源電壓輸出控制的，有負責音頻視頻處理的，還有負責復雜運算處理的。演算法必須藉助晶元才能夠運行，而由於各個晶元在不同場景的計算能力不同，演算法的處理速度、能耗也就不同在人工智慧市場高速發展的今天，人們都在尋找更能讓深度學習演算法更快速、更低能耗執行的晶元。

『貳』 3060顯卡挖礦算力是什麼

3060其實之所以那麼受關注，主要原因還是之前老黃說挖礦性能被限制了，同時還推出了自己家的新礦卡。但是3060限制挖礦以後，ETH算力是大幅度降低，大概在22左右，而性能相當的2070s大概是40左右，所以3060的挖礦能力確實被削弱了。

不過這個削弱大概只是在eth上，外媒有拿到3060的用戶發現，這塊顯卡在其他虛擬幣上的算力有不俗的表現。

比如採用Octopus演算法的CFX，單卡算力就還能達到45MH/s，和此前的RTX3060Ti（47MH/s）相差無幾，按照當前CFX每個幣價3.03元以及3000元左右的購卡成本，以及6毛錢一度的市電來計算，每日凈收益高達45.67元，回本周期只需兩個月左右，相當可觀。

顯卡的結構如下：

電容：電容是顯卡中非常重要的組成部件，因為顯示畫質的優劣主要取決於電容的質量，而電容的好壞直接影響到顯卡電路的質襞。

顯存：顯存負責存儲顯示晶元需要處理的各種數據，其容量的大小，性能的高低，直接影響著電腦的顯示效果。新顯卡均採用DDR6/DDR5的顯存， 主流顯存容量一般為2GB ~ 4GB。

GPU及風扇：GPU即顯卡晶元，它負責顯卡絕大部分的計算工作，相當於CPU在電腦中的作用。GPU風扇的作用是給GPU散熱。

『叄』 新型神經網路晶元會對科技領域乃至整個世界產生什麼巨大影響

一、與傳統計算機的區別1946年美籍匈牙利科學家馮·諾依曼提出存儲程序原理，把程序本身當作數據來對待。此後的半個多世紀以來，計算機的發展取得了巨大的進步，但「馮·諾依曼架構」中信息存儲器和處理器的設計一直沿用至今，連接存儲器和處理器的信息傳遞通道仍然通過匯流排來實現。隨著處理的數據量海量地增長，匯流排有限的數據傳輸速率被稱為「馮·諾依曼瓶頸」——尤其是移動互聯網、社交網路、物聯網、雲計算、高通量測序等的興起，使得『馮·諾依曼瓶頸』日益突出，而計算機的自我糾錯能力缺失的局限性也已成為發展障礙。
結構上的缺陷也導致功能上的局限。例如，從效率上看，計算機運算的功耗較高——盡管人腦處理的信息量不比計算機少，但顯然而功耗低得多。為此，學習更多層的神經網路，讓計算機能夠更好地模擬人腦功能，成為上世紀後期以來研究的熱點。
在這些研究中，核心的研究是「馮·諾依曼架構」與「人腦架構」的本質結構區別——與計算機相比，人腦的信息存儲和處理，通過突觸這一基本單元來實現，因而沒有明顯的界限。正是人腦中的千萬億個突觸的可塑性——各種因素和各種條件經過一定的時間作用後引起的神經變化（可變性、可修飾性等），使得人腦的記憶和學習功能得以實現。

大腦有而計算機沒有的三個特性:低功耗（人腦的能耗僅約20瓦，而目前用來嘗試模擬人腦的超級計算機需要消耗數兆瓦的能量）；容錯性（壞掉一個晶體管就能毀掉一塊微處理器，但是大腦的神經元每時每刻都在死亡）；還有不需為其編製程序（大腦在與外界互動的同時也會進行學習和改變，而不是遵循預設演算法的固定路徑和分支運行。）

這段描述可以說是「電」腦的最終理想了吧。
註：最早的電腦也是模擬電路實現的，之後發展成現在的只有0、1的數字CPU。
今天的計算機用的都是所謂的馮諾依曼結構，在一個中央處理器和記憶晶元之間以線性計算序列來回傳輸數據。這種方式在處理數字和執行精確撰寫的程序時非常好用，但在處理圖片或聲音並理解它們的意義時效果不佳。
有件事很說明問題：2012年，谷歌展示了它的人工智慧軟體在未被告知貓是什麼東西的情況下，可以學會識別視頻中的貓，而完成這個任務用到了1.6萬台處理器。
要繼續改善這類處理器的性能，生產商得在其中配備更多更快的晶體管、硅存儲緩存和數據通路，但所有這些組件產生的熱量限制了晶元的運作速度，尤其在電力有限的移動設備中。這可能會阻礙人們開發出有效處理圖片、聲音和其他感官信息的設備，以及將其應用於面部識別、機器人，或者交通設備航運等任務中。

神經形態晶元嘗試在矽片中模仿人腦以大規模的平行方式處理信息：幾十億神經元和千萬億個突觸對視覺和聲音刺激物這類感官輸入做出反應。

作為對圖像、聲音等內容的反應，這些神經元也會改變它們相互間連接的方式，我們把這個過程叫做學習。神經形態晶元納入了受人腦啟發的「神經網路」模式，因此能做同樣的事。
人工智慧的頂尖思想家傑夫·霍金斯（Jeff Hawkins）說，在傳統處理器上用專門的軟體嘗試模擬人腦（谷歌在貓實驗中所做的），以此作為不斷提升的智能基礎，這太過低效了。
霍金斯創造了掌上電腦（Palm Pilot），後來又聯合創辦了Numenta公司，後者製造從人腦中獲得啟發的軟體。「你不可能只在軟體中建造它，」他說到人工智慧，「你必須在矽片中建造它。」
現有的計算機計算，程序的執行是一行一行執行的，而神經網路計算機則有所不同。
現行的人工智慧程式，基本上都是將大大小小的各種知識寫成一句一句的陳述句，再灌進系統之中。當輸入問題進去智能程式時，它就會搜尋本身的資料庫，再選擇出最佳或最近解。2011年時，IBM 有名的 Watson 智能電腦，便是使用這樣的技術，在美國的電視益智節目中打敗的人類的最強衛冕者。
（神經網路計算機）以這種非同步信號發送（因沒有能使其同步的中央時鍾而得名）處理數據的速度比同步信號發送更快，以為沒有時間浪費在等待時鍾發出信號上。非同步信號發送消耗的能量也更少，這樣便滿足了邁耶博士理想的計算機的第一個特點。如果有一個處理器壞了，系統會從另一路線繞過它，這樣便滿足了邁耶博士理想的計算機的第二個特點。正是由於為非同步信號發送編程並不容易，所以大多數計算機工程師都無視於此。然而其作為一種模仿大腦的方式堪稱完美。功耗方面：
硬體方面，近年來主要是通過對大型神經網路進行模擬，如 Google 的深度學習系統Google Brain，微軟的Adam等。但是這些網路需要大量傳統計算機的集群。比方說 Google Brain 就採用了 1000 台各帶 16 核處理器的計算機，這種架構盡管展現出了相當的能力，但是能耗依然巨大。而 IBM 則是在晶元上的模仿。4096 個內核，100 萬個「神經元」、2.56 億個「突觸」集成在直徑只有幾厘米的方寸（是 2011 年原型大小的 1/16）之間，而且能耗只有不到 70 毫瓦。
IBM 研究小組曾經利用做過 DARPA 的NeoVision2 Tower數據集做過演示。它能夠實時識別出用 30 幀每秒的正常速度拍攝自斯坦福大學胡佛塔的十字路口視頻中的人、自行車、公交車、卡車等，准確率達到了 80%。相比之下，一台筆記本編程完成同樣的任務用時要慢 100 倍，能耗卻是 IBM 晶元的 1 萬倍。

Ref: A million spiking-neuron integrated circuit with a scalable communication network and interface. Paul A. Merolla et al. Science 345, 668 (2014); DOI: 10.1126/science.1254642
因為需要擁有極多數據的Database 來做training以及需要極強大的計算能力來做prediction，現有的一些Deep learning如Andrew Ng的Google Brain、Apple的Siri等都需要連接網路到雲端的伺服器。

二、爭議：
雖然深度學習已經被應用到尖端科學研究及日常生活當中，而 Google 已經實際搭載在核心的搜尋功能之中。但其他知名的人工智慧實驗室，對於深度學習技術的反應並不一致。例如艾倫人工智慧中心的執行長 Oren Etzioni，就沒有考慮將深度學習納入當前開發中的人工智慧系統中。該機構目前的研究是以小學程度的科學知識為目標，希望能開發出光是看學校的教科書，就能夠輕松應付各類考試的智能程式。Oren Etzioni 以飛機為例，他表示，最成功的飛機設計都不是來自於模仿鳥的結構，所以腦神經的類比並無法保證人工智慧的實現，因此他們暫不考慮借用深度學習技術來開發這個系統。
但是從短期來看，情況也許並沒有那麼樂觀。
首先晶元的編程仍然是個大問題。晶元的編程要考慮選擇哪一個神經元來連接，以及神經元之間相互影響的程度。比方說，為了識別上述視頻中的汽車，編程人員首先要對晶元的模擬版進行必要的設置，然後再傳給實際的晶元。這種晶元需要顛覆以往傳統的編程思想，盡管 IBM 去年已經發布了一套工具，但是目前編程仍非常困難，IBM 團隊正在編制令該過程簡單一點的開發庫。（當然，如果我們回顧過去編程語言從匯編一路走來的歷史，這一點也許不會成為問題。）
其次，在部分專業人士看來，這種晶元的能力仍有待證實。
再者，真正的認知計算應該能從經驗中學習，尋找關聯，提出假設，記憶，並基於結果學習，而IBM 的演示里所有學習（training）都是在線下的馮諾依曼計算機上進行的。不過目前大多數的機器學習都是離線進行的，因為學習經常需要對演算法進行調整，而 IBM 的硬體並不具備調整的靈活性，不擅長做這件事情。

三、人造神經元工作原理及電路實現
人工神經網路
人工神經網路（artificial neural network，縮寫ANN），簡稱神經網路（neural network，縮寫NN），是一種模仿生物神經網路的結構和功能的數學模型或計算模型。
神經網路是一種運算模型，由大量的節點（或稱「神經元」，或「單元」）和之間相互聯接構成。每個節點代表一種特定的輸出函數，稱為激勵函數（activation function）。每兩個節點間的連接都代表一個對於通過該連接信號的加權值，稱之為權重（weight），這相當於人工神經網路的記憶。網路的輸出則依網路的連接方式，權重值和激勵函數的不同而不同。而網路自身通常都是對自然界某種演算法或者函數的逼近，也可能是對一種邏輯策略的表達。Ref：Wikipedia： 人工神經網路
電路原理
神經遞質的分泌反過來又是對動作電位刺激的反應。然而神經元在接收到這些神經遞質信號中的一個後便不會再繼續發出動作電位。當然，它們會逐漸累加至一個極限值。在神經元接受了一定數量的信號並超過極限值後----從根本上講是一個模擬進程----然後它們會發出一個動作電位，並自行重置。Spikey的人造神經元也是這么做的，當它們每次受到激發時都會在電容中累積電荷，直至達到限值，電容再進行放電。具體電路結構和分析之後有機會的話再更新。
現階段硬體的實現方式有數電（IBM、Qualcomm）、模電、數模混合（學界）、GPUs等等，還有各種不是基於硅半導體製程製作的神經元等的device方面的研究。

四、歷史
Neuromorphic engineering由老祖宗Carver Mead提出
卡福·米德是加州理工學院的一名工程師，被公認為神經形態計算機之父（當然還發明了「神經形態學」這個詞）
神經形態晶元的創意可以追溯到幾十年前。加州理工大學的退休教授、集成電路設計的傳奇人物卡弗·米德（Carver Mead）在1990年發表的一篇論文中首次提出了這個名稱。
這篇論文介紹了模擬晶元如何能夠模仿腦部神經元和突觸的電活動。所謂模擬晶元，其輸出是變化的，就像真實世界中發生的現象，這和數字晶元二進制、非開即關的性質不同。

後來這（大腦研究）成為我畢生的工作，我覺得我可以有所貢獻，我嘗試離開計算機行業而專注大腦研究。首先我去了MIT的人工智慧研究院，我想，我也想設計和製作聰明的機器，但我的想法是先研究大腦怎麼運作。而他們說，呃，你不需要這樣做，我們只需要計算機編程。而我說，不，你應該先研究大腦。他們說，呃，你錯了。而我說，不，你們錯了。最後我沒被錄取。但我真的有點失望，那時候年輕，但我再嘗試。幾年後再加州的Berkley，這次我嘗試去學習生物方面的研究。我開始攻讀生物物理博士課程。我在學習大腦了，而我想學理論。而他們說，不，你不可以學大腦的理論，這是不可以的，你不會拿到研究經費，而作為研究生，沒有經費是不可以的。我的天。
八卦：老師說neural network這個方向每20年火一次，之前有很長一段時間的沉寂期，甚至因為理論的不完善一度被認為是江湖術士的小把戲，申請研究經費都需要改課題名稱才能成功。（這段為小弟的道聽途說，請大家看過就忘。後來看相關的資料發現，這段歷史可能與2006年Geoffrey E. Hinton提出深度學習的概念這一革命性工作改變了之前的狀況有關。）

五、針對IBM這次的工作：
關於 SyNAPSE
美國國防部先進研究項目局的研究項目，由兩個大的group組成：IBM team和HRL Team。
Synapse在英文中是突觸的意思，而SyNAPSE是Systems of Neuromorphic Adaptive Plastic Scalable Electronics的簡稱。
Cognitive computing: Neurosynaptic chips
IBM proces first working chips modeled on the human brain
另一個SyNAPSE項目是由IBM阿爾馬登實驗室（位於聖何塞）的達爾門德拉·穆德哈負責。與四所美國大學（哥倫比亞大學，康奈爾大學，加州大學默塞德分校以及威斯康辛-麥迪遜大學）合作，穆德哈博士及其團隊製造了一台神經形態學計算機的原型機，擁有256個「積分觸發式」神經元，之所以這么叫是因為這些神經元將自己的輸入累加（即積分）直至達到閾值，然後發出一個信號後再自行重置。它們在這一點上與Spikey中的神經元類似，但是電子方面的細節卻有所不同，因為它們是由一個數字儲存器而非許多電容來記錄輸入信號的。
Ref: A million spiking-neuron integrated circuit with a scalable communication network and interface. Paul A. Merolla et al. Science 345, 668 (2014); DOI: 10.1126/science.1254642

『肆』 挖礦機的算力晶元算是一種加強型的GPU嗎

算 礦卡，顧名思義就是用於挖礦的顯卡，更嚴謹來說就是長期高負載運行挖礦的顯卡。用於挖礦的顯卡，一般會連續幾個月24小時不間斷地滿負載工作。這樣一來PCB與電子元件都會加速老化，影響元器件的壽命。且不計算顯卡的休息時間，即使以我們每日玩游戲8個小時作標准，礦卡的壽命也只有正常顯卡的三分之一。可以說，礦卡一般壽命也只有幾個月。

『伍』 顯卡怎麼計算挖礦算力

可以參考下面，根據一些網吧市場常用的顯卡,整理的一份相關顯卡的價格和算力以及預計回本期,大概可以做個參考:

Radeon RX 580顯卡
整機功耗：243W
計算力：22.4M
顯卡售價：1999元
每24小時挖ETH數量：0.015
每24小時產生收益:24.48元
預計回本時間：81.66天

Radeon RX 470顯卡
整機功耗:159W
計算力：24.3M
顯卡售價：1599元
每24小時挖ETH數量：0.017
每24小時產生收益:27.9元
預計回本時間：57.31天

Radeon RX 480顯卡
整機功耗:171W
計算力：24.4M
顯卡售價：1999元
每24小時挖ETH數量：0.017
每24小時產生收益:27.87元
預計回本時間：71.73天

(5)晶元算力挖礦神經網路擴展閱讀：

顯卡（Video card，Graphics card）全稱顯示介面卡，又稱顯示適配器，是計算機最基本配置、最重要的配件之一。顯卡作為電腦主機里的一個重要組成部分，是電腦進行數模信號轉換的設備，承擔輸出顯示圖形的任務。

顯卡接在電腦主板上，它將電腦的數字信號轉換成模擬信號讓顯示器顯示出來，同時顯卡還是有圖像處理能力，可協助CPU工作，提高整體的運行速度。對於從事專業圖形設計的人來說顯卡非常重要。 民用和軍用顯卡圖形晶元供應商主要包括AMD(超微半導體)和Nvidia(英偉達)2家。現在的top500計算機，都包含顯卡計算核心。在科學計算中，顯卡被稱為顯示加速卡。

『陸』 零跑汽車發布自動駕駛晶元：算力4.2TOPS 支持L3級自動駕駛

國家發改委產業發展司機械裝備處處長吳衛

未來，中國製造的汽車將是全球新技術融合最多、創新融合最多的，也必將領跑全球汽車工業。

同時，汽車晶元領域的競爭也異常激烈。相比於消費電子產品的晶元，汽車晶元對安全性、穩定性的要求更高，是晶元行業共同面對的難題，這也是中國晶元公司的機會。

結語：自研技術讓零跑更具競爭力

零跑汽車是中國造車新勢力企業中第一個自主研發汽車自動駕駛晶元的，搭載這款晶元的量產車零跑C11下月就將發布。零跑汽車在自動駕駛領域的飛速進步，也得到了用戶的認可。

統計數據顯示，零跑汽車兩款量產車型從今年7月以來銷量逐步攀升，9月銷量破千，10月銷量有望突破1600輛，大量的自研技術讓零跑這一造車新勢力具備了更強的競爭力。

本文來源於汽車之家車家號作者，不代表汽車之家的觀點立場。

『柒』 神經網路完成晶元設計僅幾小時，完成了什麼樣的突破

美國科學家團隊匯報機器學習工具已能夠 有效地加快計算機晶元設計。科學研究表明，該方式 能得出可行的晶元設計，且晶元性能不遜於我們技術工程師的設計，而全部設計全過程只需好多個鍾頭，而不是好多個月，這為將來的每一代計算機晶元設計節約千餘鍾頭的人力資源。這類方式 早已被谷歌用於設計下一代人工智慧計算機軟體。

不一樣元件在計算機晶元上的合理布局，是決策晶元總體性能的重要。設計計算機晶元的物理布局既繁雜又用時，難度系數十分大，必須技術專業我們設計技術工程師投入很多工作中。而雖然已因此開展很多年的試著，晶元布局整體規劃一直都沒法完成自動化技術，必須設計技術工程師們耗費數月的勤奮才可以生產製造可供經營規模生產製造的合理布局。

總編圈點

在不上6鍾頭的時間里，一個深度神經網路加強方式 ，能夠 自動生成晶元設計的全部重要指標值，包含功能損耗、性能和晶元總面積，且得出的布局都好於或可與我們設計的晶元布局圖對比肩。這毫無疑問是人工智慧助推我們完成更強、更快、更強總體目標的案例。有趣的是，這一人工智慧如今又被拿來設計下一代人工智慧，這是我們見到一種相互依存——更強勁的人工智慧設計硬體配置，已經促進人工智慧的發展。

『捌』 中科院提出圖神經網路加速晶元設計，這是一種怎樣的晶元呢

隨著技術發展，人工智慧技術也在不斷的發展。現有的晶元已經難以滿足一些神經網路的計算了，中科院提出了圖神經網路加速晶元，這種晶元專用於圖神經網路的運算。讓我們一起來了解一下什麼是圖神經網路，這種晶元有什麼重大的突破。

圖神經網路的應用前景非常廣泛，不僅用在日常交通預測、網約車調度、運動檢測等民用領域，還可以助力科研的知識推理、化學研究以及在知識圖譜、視覺推理等學科發展方向上。