2014年8月，在硅谷Cupertino Flint Center召开的26届Hotchips 会议上，百度宣读了其发表的论文(据不完全统计，这应该也是国内第四篇Hotchips文章,前3篇均为龙芯团队所发)。一年之后，一个叫“仙童”的项目，获得了奖金为一百万美金的百度最高奖。

　　这两个看起来无关的事件，背后都是一个工作，就是百度自主研究的人工智能计算机。虽然百度从事人工智能计算机的研究和探索已经长度4年，本文是第一次系统阐述这背后的故事和历程。

　　百度人工智能应用百度是国内应用深度学习的先锋，早在2012年初，百度就在语音识别上规模应用深度学习算法并取得了非常好的效果。在2012年底，百度CEO 李彦宏宣布成立公司的第一个研究院——百度深度学习研究院。当时，世界上也就Google、微软等少数几个公司公开宣布在深度学习、人工智能领域进行战略投入。

　　这4年下来，深度学习技术已经渗透到百度各个产品，如网页搜索、广告点击率预估模型、百度杀毒等。深度学习技术极大地提高了百度产品的用户体验。如百度的语音识别，经过这4年的不断磨练，其识别准确率也从当初80%左右提高到了今天的96%。

　　除了率先在各个产品线引入前沿的深度学习算法，百度在人工智能应用方面还有更长远的布局：

　　l 百度建立了百度研究院，下设硅谷人工智能实验室、北京深度学习实验室、北京大数据实验室等三大前沿实验室。

　　l 2014年，人工智能领域最权威的学者之一——吴恩达加入百度。

　　l 同年，在百度技术开放日上，百度发布大数据引擎，对外开放大数据及人工智能能力。

　　l 在之后的百度技术节上，百度高级副总裁王劲勾画了“万物智能”的愿景，并展现了百度为迎接万物智能时代所做的技术布局。

　　l 2015年百度世界大会上推出的“度秘”，就是万物皆智能的一个很好的体现。它将成为人们生活中的智能秘书。度秘可以通过语音对话或者图像很自然地和人进行交互，甚至都不需要交互，而是根据历史信息、传感器信息、周围环境变化来判断一个人的需求。如果你饿了可以帮你订餐，在你生病后可以告诉你吃什么药，如果明天下雨会提醒你带上伞，你需要出行会时会帮你订好酒店、机票等等——这些看起来很平常的“秘书”服务，如果真要达到非常可用的状态，其实背后就需要非常先进的人工智能技术做支撑。

　　人工智能对计算机系统及体系结构的挑战人工智能的应用，包括云(数据中心)和端(智能设备)两部分。云端除了训练(离线训练)，还有在线的服务。训练是指利用训练数据，选择合适的训练方法，训练出一个模型。在线服务是指利用训练出来的模型来响应在线响应用户的请求。端部分也是人工智能的一个强需求，按照“万物智能”的愿景，很多终端设备，也都能运行人工智能的算法，能智能地响应外部请求，如智能辅助驾驶、无人车、智能摄像头、工业IOT等等。

　　深度学习的离线训练，是工业界和学术界研究最多、关注最多的领域。自深度学习热潮席卷而来，无论是学术界还是工业界，涌现了很多新的、面向深度学习算法和应用设计的系统，如Google提出来的parameter server，其他人也借鉴了parameter server的思想，根据不同的应用场景，设计了不同的各种系统。

　　在体系结构方面，深度学习训练多是基于GPU及infiniband高速互联网络。使用GPU来做大规模的矩阵计算，然后使用infiniband高速网络进行分布式参数更新。这种架构在工业界里面非常普遍，很多专有的服务器里带有8个GPU，服务器之间通过infiniband互联。很多论文都在研究怎么利用服务器内8个GPU的局部性、利用infiniband的RDMA、利用GPU的计算能力来完成完整的分布式深度学习训练任务。

　　GPU加infiniband的硬件架构，目前比较适合深度学习的训练，也比较适合工业界的规模应用，毕竟这两种硬件性能都不错，且供应商众多，比较很容易获得产品及技术支持。所以一开始，这种架构就得到了工业界和学术界的青睐。

　　在线服务方面，无论是工业界还是学术界，公开的信息都比较少。因为有机会大规模部署人工智能服务的，只有像百度这样技术驱动的大型互联网公司，而这些公司，一般处于保密考虑，会延后发布自己的核心技术。

　　至于人工智能的终端设备，虽然媒体一直在勾画这个领域的宏伟蓝图，但实际上的成功规模应用并不多，所以工业界和学术界对这部分内容公开得也比较少。

　　其实，无论是离线训练、在线服务还是智能设备，里面运行的都是一些常用的深度学习算法，如DNN/RNN(LSTM)/CNN，这些算法的具体实现这里不具体论述。这些算法都有一些共性，如都是计算和访存密集型，主要的计算算子是矩阵操作、卷积、激活函数等。如果是离线训练，考虑到分布式实现，对节点间的通信带宽和延时要求也很高。

　　从大规模部署应用的角度看，无论是哪种类型的应用，对体系结构最终的衡量标准是performance/dollar及performance/Watt，也就是效率，包括能耗效率和成本效率。只有这两个效率足够高，这种体系结构才有生命力。例如在嵌入式终端里面，往往需要考虑极致的能耗和成本效率，有时候甚至需要对算法做些剪枝和模型规模限制。在数据中心里面，成本和功耗也是规模部署要考虑的第一要素。

　　如今，人们提到深度学习的硬件架构，会首先想到GPU。这主要是因为，在能方便采购到的硬件里，GPU确实能提供较好的数学计算能力和访存带宽。但对于能耗和成本效率，即使在数据中心应用，GPU离我们的目标仍有很大的改进空间。所以我们需要重新思考，面向人工智能的典型应用和算法，设计一种新的、通用的体系结构，这种体系结构能实现极致的能耗和成本效率，还能灵活延伸扩展，很容易支持离线训练、在线服务和智能终端三种场景。

　　大胆探索，问题导向人们在面对热门研究领域的时候，都比较容易自然而然地“仰望星空”，觉得只要参与其中就一定能有大收获。但如果只是急功近利，缺少冷静的思考，就很难取得突破性的成果及持续性的产出。这就像早期用几个GPU随便搭个小集群，做一些模型训练，也能发一些不错的paper，能很快看到产出，外界也会给一些不错的评价。但实际上，这些工作并没有本质的突破，也没办法带来持续的影响力，因为这并没有解决人工智能体系结构最关键的成本和功耗效率问题，也没有给整个学术界和产业界带来新的观点和思路。

　　大家也可以看得到，最近这几年类似的工作非常多，也都大同小异，产业界的竞争也趋于红海。短平快的工作，再加上喧闹的市场氛围，是比较容易出一些所谓的“成果”，如果当初我们只是沉迷于此，就不会有突破性的新技术产生。

　　在面对人工智能这种火热的研究领域，在加上喧闹的市场环境，我个人还是非常认同李国杰院士在10月刊的CCCF上的观点：“大胆探索，问题导向”，也就是说既要仰望星空，也要脚踏实地。只有抓住了最核心的问题，然后大胆发挥想象力，朝着一个远景目标一点一点的迭代和探索，在实践过程中以问题为导向，聚焦目标，才能最终做出经得起考验的东西。

　　百度的探索及实践在人工智能体系结构这条路上，并不是只有百度一家在努力。大家能看到，计算所的陈云霁老师及其团队做出了非常好的成绩，发表了很多顶级论文，也给这个领域的同行带来了不少新的思路。

　　百度在这个领域，起步也非常的早，在2012年就开始这方面的研究。虽然那时候百度语音识别已经规模应用了深度学习算法，但其他应用还在起步阶段，深度学习算法也在快速发展迭代中。那时候我们为了提高深度学习算法的计算速度，已经在GPU和CPU上做了很多优化，也发了一些深度学习算法GPU加速的论文，得到了外界的认可。

　　经过这些工作，我们更能深刻理解GPU/CPU在深度学习应用里面的成本和能耗效率离目标有较大差距。于是，我们产生了一些大胆的想法——自己设计深度学习专有的体系结构和芯片。

　　需求定义

　　在当时看来，有很多具体方向可以做：例如离线训练，很多产品线都需要从传统的机器学习模型逐步迁移到深度学习算法，离线训练看起来机会很多;在线服务，很多产品的深度学习模型也逐步上线，所以也有需求;人工智能硬件、无人驾驶等等很多新产品与新技术都炒得热火朝天。

　　这些方向要怎么选，是一个很大的难题。在工业界，如果方向选错，很有可能几年的资金和团队投入都会浪费，而且还会错失机会。所以当时我们比较冷静，坚定问题导向。经过深入的思考，发现离线训练GPU可以阶段性地满足要求，智能设备虽然炒的火，但时机仍没成熟。而在线的服务，这个需求是客观存在的，虽然2012年那会能上线的服务还很少，模型也不大，但可以预估模型肯定会越来越大，业务也是越来越多，而且GPU因为功耗、成本等原因，不适合线上大规模部署。在这样一个非常具体的问题驱动下，我们提出先针对这个细分领域定制我们的人工智能计算机。项目取名“仙童”，寓意是希望我们能像50年前的仙童，在人工智能体系结构及硬件芯片这个崭新领域做些开拓性的工作，开辟一块新天地，甚至能做出影响以后几十年的成果。

　　系统定义

　　深度学习算法的核心算子都比较容易抽象，例如DNN主要算子是矩阵乘法和激活函数，RNN/LSTM是向量乘矩阵和激活函数，CNN是卷积。这三种算法，核心计算都可以抽象成向量的内积及激活函数。为了保证系统的灵活性，该系统设计成SOC形式，设计专有的硬件加速器来加速深度学习算法。在数据中心， SOC里面的处理器很自然就是X86的CPU，深度学习协处理器通过PCIE总线和CPU互联。协处理的控制调度，都是由X86 CPU完成。这种架构以后如果要延伸到嵌入式智能设备领域，只需要把处理器换成ARM即可，加速器部分仍可以保持不变。

　　架构设计

　　向量的内积硬件比较好实现，只要堆足够多的ALU，性能就能线性提高，而且这个功能的流水线也很规则，很容易实现。但向量内积的瓶颈一般都在访问内存，所以主要挑战在于怎么利用cache/片内buffer的局部性，提高访存效率。这里需要跟进ALU的数量、运行频率、DDR的带宽来精细计算所需要的片内buffer的大小，及片内buffer的访问模式，以充分利用数据的局部性。加速器的硬件的架构如下, 该架构有两级的memory hierarchy，芯片外的DDR3和芯片内部的SRAM buffer，高效的访存控制是该系统的关键。