一年一度的ISSCC终于结束，矽说也如约和大家来盘点今年的ISSCC。按惯例，第一波总是AI。关于ISSCC 2019上AI 论文的session设置与热点预览，请见 AI芯片新机遇 —— ISSCC 2019 人工智能芯片技术前瞻，这里不多赘述。今天小编更多地是想和大家谈谈AI处理器session设置两年以来开始遇到的瓶颈——如何寻找在专用与灵活度间的落脚点？这是一个To Be or Not to Be 的问题，如果一旦闪失，可能就酿成了哈姆雷特的悲剧。
在进入这个问题之前，首先我们要明确AI处理器本身就是一类专用处理器。AI处理器的出现主要是类似CPU的通用处理器无法满足深度学习的高算力。注意，这里的无法满足，指的是做不到，而不是没有足够多的钱做。通用CPU的单位面积的能效太低，即使跑出单位面积火箭发射的热量来，也无法支持如此大规模的计算。能实现AI处理的GPU/TPU都是面向张量（Tensor）计算优化的专用处理器，简而言之，他们在处理矩阵计算时的效率是CPU的100倍以上。但问题是，一旦落实到具体算法后，总有比矩阵运算更优化的方案。越专用，效率越高。不过，却有一条横亘在更加专用的设计面前的终极天堑——
AI算法的发展速度远远快于AI芯片的研发速度
所以过于定制的设计很可能在芯片出世后已无用武之地，比如大家还记得去年的这个时候，DNN守护者Hinton曾经提出过一个叫做Capsule的算法么？两者间的折衷点，是定义一颗芯片的核心问题。
那些年，我们一起追过特定算法
ISSCC 2019的machine learning处理器session，基本可以分为两个流派。第一个流派是体系结构级，主要体现在session 7。其中的一个重要特点是，大部分设计（特别是学校出的）都是为了某一个应用场景而定制。
比如清华大学刘勇攀教授组的论文7.5：A 65nm 0.39-140.3 TOPS/W 1-to-12b Unified NN Processor 。相比于传统的AI处理器，主要面向以数据复用和矩阵乘为核心的优化途径，这篇论文独辟蹊径，找到了基于CirDNN的专用加速体系结构：
CirCNN是发表在两年前体系结构顶会Micron上的一种将无规律的系数网络变为有规律的块循环的办法，主要手段是基于FFT变化：
该方法的特点是，系数和计算的pattern在FFT转换后都迅速减少，无论从网络结构和计算性能上都带来明显的优势，从下图可见，该算法可以带来超过100倍的片上存储空间的优势。
由此，论文7.5基于该算法的特殊性，提出了精度可变的FFT和2维数据复用的MAC阵列，并优化了片上存储器的读写模式以提高吞吐率。但是，CirCNN究竟可以适用多少实际网络，仍然值得继续关注。
另一个例子是来在密歇根大学的论文7.3，是一款面向双目SLAM导航而实现的专用处理器，但是在庞杂的SLAM体系中，该芯片仅考虑了如何提取特征以及如何通过跟踪特征来计算距离。换言之，其仅仅实现了SLAM前端的专用芯片。
