1.5万亿美元、20亿台、10倍、8%，AI的未来在何方？

过去十年来，人工智能（AI）已从实验室探索阶段发展成一项被广泛应用的技术，应用范围从医疗检测到智能手机，再到现在大火的AIGC应用，比如集聊天、写代码、创作文案、查资料、出旅游攻略等多种功能于一体的ChatGPT。

在众多应用的推动下，到2030年，AI市场规模有望达到15,970亿美元，相比2021年的870亿美元，复合年均增长率为38.1%。

这种爆炸式增长得益于半导体创新，包括从高速执行并行数据处理的AI片上系统（SoC）到用于设计和制造这些芯片的AI工具。

如今，支持人工智能的半导体基础设施已不再为现有芯片供应商和代工厂所独有。随着AI工具的辅助作用日益显著，从汽车制造商到超大规模用户再到设备制造商，很多企业都在全心打造定制芯片来开发创新解决方案。本文将探讨2023年的人工智能发展趋势，这些趋势将有望推动这种创新，同时帮助行业解决如今所面临的一些挑战。

2023关键词：集成

据预计，2025年将有超过20亿台AI增强型设备出货，届时边缘计算仍将是推动人工智能发展的巨大市场动力，促进技术和应用不断创新。随着更多的人工智能处理会在边缘进行，未来一年内，许多努力和创新都会集中在一个方面，那就是集成。

在边缘设备中，AI系统需要执行各种不同的任务，这不仅需要不同类型的计算能力，还需要不同类型的内存和连接，当然还有传感器输入。而在构建系统时将多种异构组件集成到一个高能效、可投产的功能性设计中，是一项重大的挑战。除了半导体开发和制造外，这项工作还势必牵涉到其他工程设计领域，例如机械设计、光学设计、电气设计以及数字和模拟半导体设计。

数据中心的集成虽然面临不同的挑战，但同样错综复杂。虽然数据中心用例可能更数字化、更可预测，但这并不意味着就更容易部署人工智能。为了提供所需的深度计算性能，需要将多个裸片集成到一个芯片器件中。

这些组件主要由密集的数字逻辑组成，如加速大型神经网络所需的原始计算能力。举个例子，开发者可能需要将八个相同的CPU集成到一个3D器件中，这就在基板、Die-to-Die通信、散热、噪声等方面带来了前所未有的挑战，特别是在功耗方面。

AI设计工具的采用率将再增长10倍

随着芯片和制造的复杂度不断增加，AI设计工具的应用也在呈指数级增长。

去年，《Wired》杂志报道了全球首个由AI设计的芯片──三星正在使用新思科技DSO.ai实现尖端计算机芯片的自动化设计。短短一年内，由AI设计的商业芯片在数量上至少增加了一个数量级。随着AI设计技术加快普及，训练数据集变得更加全面，同时设计团队开始深入和广泛地利用新型工具的优势，我们预计这一趋势仍将继续，新思科技帮助流片的设计也将从今年的数百个增加到2023年的数千个。

随着未来一年该技术日趋成熟，AI驱动的新设计能力将在新的芯片设计领域带来生产力的突破，并开始帮助打造更加复杂的设计，以满足功耗、性能和面积（PPA）方面的需求。因此，如果看到基于AI强化学习的应用在2023年投入市场来解决各种设计挑战，以及从数字设计到定制设计和验证的快速普及，也就不足为奇了。

生成式AI将加速应用开发

在开发新的AI应用时，一个最具挑战性、耗时最长的环节是创建一个模型，然后优化并训练它来执行特定的任务。这项工作很重要，目前还做不到完全自动化。随着AI应用的激增，模型构建日益成为发展的障碍。为此，人们加大了对所谓的基础模型的研究投入。

“基础模型”是一种AI模型，只需设计一次，就可以使用非常庞大的数据集进行训练，从而实现各种目标。经过训练后，这种模型可用于许多不同的应用。其目标是减少为每个应用专门架构和开发新模型而花费的时间。开发者可以利用成熟的基础模型，通过向它提供不同类型的数据来训练它处理新的工作。基础模型规模巨大，使用户能够实现全新的功能，而这是以前使用早期架构所无法实现的。

基础模型正在推动另一项AI技术发展成为2023年的焦点，那就是生成式AI。这一波新的AI浪潮专注于创造新的内容，其基础是底层模型能够使用海量数据（包括文本、图像、语音，甚至是来自传感器的3D信号）进行训练。基于这些输入，同一个基础模型经过训练后可用来合成各种新的内容，如创造艺术、创作音乐，甚至是为聊天机器人生成文本。生成式AI将使得创建新内容变得前所未有的简单，因为相关模型不是为特定任务而设计的，而是设计为能够不断学习。

在追求净零排放的过程中AI将发挥重要作用

AI应用非常强大，但也会消耗大量的能源。最近有一项研究表明，一个常见Transformer模型的单次训练能耗大约是美国家庭年均能源预算的八倍。显然，如果情况不改变，扩展这些AI应用将会严重影响到我们的能源消耗、基础设施以及我们建立数据中心的方式。

AI设计工具可以更好地优化AI处理器芯片来提高能效，从而直接帮助全球为实现净零排放而努力。新思科技最近开展的一项非正式研究表明，利用AI设计工具优化AI芯片，整体上平均可以节省约8%的能源。

如果将这种8%的节能效果推广到全世界的每一个数据中心，则意味着可以节省大量的能源，而这项研究还只是触及了皮毛。其优势还远不止芯片设计。它还可以优化国家的电网性能，更大限度地提高农作物产量，尽可能减少用水量，以及减少楼宇制冷所需的能源用量等等。AI不仅能够减少自身的碳足迹，还能造福环境，以上只是其中的几个例子。