在HOTCHIPS 2019年会上，许多重要的芯片设计和技术被展示和讨论，包括Trent XT、EUV光刻机、Zen 2、96-Tensor TPU等。会议还讨论了未来芯片设计的趋势，例如7nm以下的制程技术、3D堆叠技术等。

此外，AMD在会议上介绍了其未来的芯片设计策略，即推出基于Zen 2微架构的第三代EPYC服务器处理器，并强调了7nm霄龙三代EPYC的性价比。同时，其他公司也在会议上展示了多款7nm产品，包括Nvidia的T4 GPU、高通的新款服务器芯片等。

HOTCHIPS（High-Performance Chips）是一个聚焦于微处理器和半导体技术的年度技术会议，通常涵盖以下一些主题：

新一代处理器架构和设计：会议通常会介绍最新的处理器架构、设计方法和优化技术。这可能包括针对性能、能效、多核心和多线程等方面的创新。

人工智能硬件：HOTCHIPS会议可能会涵盖人工智能领域的硬件加速器、神经网络处理器、深度学习芯片等技术。

高性能计算和超级计算机：针对高性能计算和超级计算机的硬件设计、体系结构和优化也是会议的热点。

存储技术和存储层次：新型存储技术、非易失性存储器（NVM）、快闪存储器等领域的发展也可能是HOTCHIPS的话题之一。

封装和互联技术：芯片封装、高速互联技术、片上系统（SoC）互联等方面的创新在会议上可能得到讨论。

物联网和边缘计算：物联网、边缘计算和嵌入式系统的硬件设计与优化也是会议的一部分。

安全性和隐私保护：在数字化时代，硬件安全性和隐私保护变得越来越重要，HOTCHIPS可能会涵盖这些方面的话题。

新兴技术和趋势：会议通常还会关注半导体技术领域的新兴趋势，如量子计算、光计算、生物计算等。

在这届Hot Chips大会上，AI 仍是主角，但 AI 芯片设计已经不是主角，从一个新颖的话题变为了成熟的工程。

会议要点摘要：

本次大会确实是有非常多非常扎实的工作，也展现了整个处理器与高性能芯片领域行业的趋势与变化。本系列文章将介绍我在 Hot Chips 大会上的几点观察与思考，涵盖以下几点内容：

•       AI 仍是主角，但 AI 芯片设计已经不是主角，从一个新颖的话题变为了成熟的工程；

•       异构是大势所趋，无论赛灵思还是英伟达，都在持续前进；

•       安全是一个越来越重要的话题；

•       FPGA 在各种不同应用中扮演着重要角色；

•       集成电路工艺演进：未来越来越难，但一定会有突破。

AI芯片从火热到理性

Cerebras 是本次报告最大的亮点，也是被大家关注最多的 “AI 芯片” 的代表。然而，实际上本次大会，AI 芯片的设计本身，已经不是被大家关注的重点了。

此次 Hot Chips 大会的情况也充分说明，AI 芯片的技术噱头时代已经过去，越来越多的人在考虑，怎样去改变当前的范式，用更新的底层技术去实现更好的性能；是否能够真的做出可量产的芯片，之后怎样去和应用更好的融合，实现一个整体好用的系统。在单纯数字芯片模式下，单纯新的体系结构的创新，已经无法带来任何新的机会了 —— 我们必须进一步向前看。

No.3异构计算：大势所趋

异构计算，Heterogeneous Computing, 不是一个新鲜的话题，然而真正出现大量使用的异构计算平台，却是从近几年的事情了。异构最重要的涵义，是系统由多种不同功能的部分组成，让每个部分做它最擅长的事情，而不是用统一的平台来做所有的事情。

异构计算的兴起，与AI芯片的兴起，本质上都有一个核心原因，摩尔定律的放缓甚至结束。

在过去几十年，芯片性能的增长，过半是由于制造工艺的进步带来的。在AMD CEO Lisa Su的报告中，也可以看到对于GPU，过去十年性能进步最重要的因素，也还是制造工艺的进步，占到了40%。而随着摩尔定律的放缓，由制造工艺带来的进步越来越小，我们必须更多地依赖微架构和系统层面的进步来实现整体的进步。而这其中，最直接的方式，就是设计Domain-specific architecture（DSA），放弃一部分通用性，来获得更大的性能提升。通常而言，越专用，通用性越差，越容易取得更好的性能。

也正因为此，我们看到了GPU在图像渲染上碾压CPU，我们看到了在不同通用性层次支持深度学习的各类DPU/NPU/NNP/MLU/DLA/VPU。比如，我们可以选择支持各类机器学习算法、而不仅仅是深度学习的MLU，也可以选择只支持深度学习推理的DPU，而如今又出现了不少专注在深度学习训练的专用芯片。

（Hot Chips 31现场nVidia的报告）

在这次Hot Chips大会上介绍的Turing GPU，虽然还挂着GPU的名字，其实也已经是一颗异构计算芯片，不仅仅是传统那些SIMD单元，总共由Turing SM, RT Core，与Tensor Core三个部分组成。报告人John Burgess介绍，传统做光线追踪，对于每一条光线，要反复花费数千个时钟周期，才能正确计算和物体的交界点在哪里，而一次渲染会有非常多条光线要计算，因此他们才想要设计RT Core来专门解决光线追踪的问题。这就是典型的异构与DSA解决问题的方式：为一个计算复杂的任务设计专用加速器，用异构的系统来做整体的计算。

制造工艺之于AI芯片

黄老师有理有据地阐述了他的观点：摩尔定律很健康！然而俗话说“屁股决定脑袋”，他这样说，我们就无从知道，有多少比例的原因是他正在台积电担任集团研究副总裁。

如在AMD CEO Lisa Su的报告中，就已经画出来了工艺演进的曲线，可以看到10nm与7nm工艺的发展速度已经很大程度上偏离了原来的projection。虽然系统级封装，利用Interposer方式将HBM与计算部分集成到一起，大大提升了存储带宽，但是这并不是集成密度的提升。

而芯片制造工艺对于行业影响最大的，并不只是放缓，其制造成本也有非常大的影响：对于晶圆厂和Fabless设计公司均是这样。

对于晶圆厂来说，7nm等先进工艺生产线动辄数十亿美金的投资是一笔巨大的负担。于是我们看到，在2018年8月，第二梯队的晶圆厂联电、Global Foundries先后宣布放弃7nm工艺。在整个市场上，拥有最先进生产工艺的代工厂，只剩下了台积电、Intel和三星。

对于Fabless的芯片设计公司，问题同样巨大。对于台积电28nm、16nm、7nm的芯片来说，要完成一颗芯片的量产，其IP购买、MPW、量产的成本在数百万美金，千万美金，亿美金以上——如果考虑人员成本、设备成本等等的，这个数字还会高上不少。这就导致只有出货量极大、收入极高的几家大厂能够负担得起最先进工艺。比如大家耳熟能详的联发科，如今也只能先使用着台积电的12nm，而不能像高通和海思一样使用7nm工艺。

先进制造工艺的成本问题，对于AI芯片创业公司也有很大影响。一般的AI芯片创业公司，可能只能负担得起28nm工艺，或者说最开始只敢用28nm工艺进行尝试。融资足够多的AI创业企业才能尝试得起16nm工艺的生产费用。在全球数十家AI芯片创业公司当中，我只听说过有一家敢于去使用7nm。

如地平线在周五发布的征程二代芯片，就是使用的台积电28nm工艺（虽然28nm HPC +是多次改进的版本，不展开详细介绍），这也是大部分嵌入式/终端AI芯片目前选择的制造工艺；在Hot Chips上吸引了众多眼球的Cerebras与Habana，均采用的16nm工艺——而这也是迫不得已，因为他们的应用场景在云端，必须追求极限的高性能，所以必须使用能负担得起的最好的工艺，也必须选择HBM或者更加极端的存储方案（如Cerebras使用的Wafer-scale engine，采用18GB SRAM，单片成本据说在100万美金左右）。

--------------------------------------------------------------

全部会议资料下载链接分享：

链接：https://pan.baidu.com/s/1098dWOw3AT1v0_XJ0wvRWg?pwd=qxcc

提取码：qxcc