尽管目前IBM的硬件业务仅限于POWER和大型机芯片及系统，但IBM正在悄悄地建立构建自己在AI硬件方面的能力。下面是我们对IBM此举的一些思考和原因推测。
IBM的AI硬件研究成果
IBM在2019年初成立了IBM Research AI Hardware Center，与纽约州、纽约州立大学理工学院以及Mellanox、三星和Synopsys等科技公司合作研发AI芯片。该中心采取了一种整体化的、端到端的方法，设定了雄心勃勃的目标计划，即未来10年内将AI性能提高1000倍。路线图的起点，是开发降低精度的技术。同时，该中心还在开发新的数字和模拟AI核心以实现这些创新。路线图的结尾处，是尚未在半导体制造中采用的、由全新材料制成的新核心。
IBM最近发表了两篇论文，描述了用于降低精度的方法，这些方法的目标是提高AI处理效率，同时维持预测准确性。基本上，在Nvidia和谷歌的引领下，过去4-5年有关AI的研究一直集中在降低精度和数学运算。如果“降低精度”听起来似乎不太好，那么你要记住，精度越高成本就会越高——而且是以字位长度的平方计算的。因此，从32位加速到16位（或降低成本），速度提高了4倍。谷歌最近提出了一种新的16位格式，称为Bfloat，Bfloat166提供16位浮点格式,其动态范围与标准IEEE-FP32相同,但精度较低。或者说，可以在保留精度的同时，功耗更低，占用芯片空间越少。英特尔是该技术的支持者之一。但是，研究人员还在朝着8位浮点数同时保持精度的方向努力。
IBM本周提出了一种“混合8位浮点数”的格式，该格式可以提高性能，将成本降低多达4倍。就是说，如果有厂商（会是IBM吗？）能生产出可以执行这种计算进行训练的芯片，那么该芯片将使用已经“量化”为8位格式的DNN。这种“混合”特性来自于前向和后向传递计算对精度的不同要求。通过针对前向和后向传递计算定制用于指数和尾数的位数，IBM证明了确实可以仅使用8位权重和激活来训练用于视觉、语音和语言处理的神经网络，而且还能够以接近16位计算结果相当的精度执行操作。此外，芯片通信更高效了，训练时间缩短了30-60％。
如果这种数学运算听起来很复杂，那么带来的好处则要简单得多。从理论上讲，这种方法可以让某个厂商打造用于训练深度神经网络的芯片，该芯片的芯片面积仅为普通芯片的1/4，在相同成本情况下性能提高4倍。
在AI推理方面，出于相同的原因，芯片厂商和模型开发人员正在转向8位整数的方法。但是，还能降得更低吗？迄今为止，还未能降低到8位模型的精度水平。但是，IBM最近发表了一篇论文，提议结合使用所谓的参数化限幅激活（PACT）和统计感知权重合并（SAWB）两种技术，演示了2位推理处理操作，其精度与8位量化模型相当。
对谁的影响最大？
如果有人在CPU或AI芯片中使用这些技术，那么答案就是“所有人”。IBM路线图肯定意味着IBM将做到这一点，但就目前而言，这一切都是在IBM研发中心而非产品部门进行的。我在IBM工作了10年，研究项目无法变成产品是很正常的，这就是研究的本质。不过，让我们考虑一下IBM将怎么做。
我看到IBM有三种方式让AI硬件研究成果变现。首先，IBM可以把这项技术许可给其他半导体公司，用于移动、边缘和数据中心芯片平台。其次，IBM可以把这项技术融入到IBM POWER以及/或者大型机处理器中，尤其是2位推理处理。第三，IBM可以生产用于数据中心训练和推理处理的加速器，直接与Nvidia和英特尔展开竞争。最后一项可能有更大的潜在市场，但也会带来一个业务问题——IBM需要构建渠道来吸引POWER和大型机客户群之外的数据中心客户。例如，IBM可能会通过联想进行售卖，卖给那些正在搭建数据中心服务器的ODM厂商。当然，这三个选项不是互相排斥的。
总结
IBM AI硬件研究中心所取得的成果给我留下了深刻的印象，而且仅用了短短一年的时间。IBM一开始就抛出了将效率提高1000倍的雄心愿景，采用了整体化的方法，从算法到芯片再到材料。这让IBM在这个快速发展的市场中具有巨大的潜力。IBM AI硬件研究中心可能很快就需要就业务模式做出一些艰难的选择，让这些研究变现，以及触达目标市场。高管层需要保持耐心，坚持到底，我认为，下一任首席执行官Arvind Krishna可以做到这一点，特别是过去十年中，IBM稳步摆脱了硬件业务。我们将密切注视所有这些动向。