齐勇军，汤海林

(广东白云学院大数据与计算机学院，510450，广州)

1 问题提出

随着人工智能的继续发展需要具有更强的系统观，具备更好的抽象能力将人工智能面临的复杂问题化繁为简，借鉴和使用计算机程序语言、网络和系统等多个领域中的经典方法，并以合理层级框架和有效工具的形式，充分提高人工智能研究和实践的效率和创新能力。人工智能系统涵盖了从专用硬件加速器到新的体系结构，再到语言、框架和编译，最后到分布式系统和网络资源分配、调度和执行管理等多个层次，关注包括可用性、可扩展性、异构性、大规模可伸展性、性能和能耗、可靠性、安全隐私等在内的多个维度。用于图像分类的VGG、GoogleNet、ResNet等神经网络算法接连在ImageNet挑战赛上大放异彩[1]。同时，用于目标检测的R-CNN、YOLOv3、Cascade R-CNN[2]等网络不断演化迭代，促进了现代计算机视觉应用飞速发展。从循环神经网络(RNN)被广泛应用于自然语言处理中，随后逐渐出现了长短期记忆网络(LSTM)、预训练语言模型(BERT)等优化方法，为自然语言理解等应用作出了突出贡献，共同将深度神经网络推向了繁荣发展的黄金时代。

深度神经网络持续增长的算力需求，对硬件处理的性能和能效提出了更高的要求。根据OpenAI发布的AI计算量报告，AI所需的计算量呈现出每年增长10倍的趋势[3]。与之相对应的是随着摩尔定律放缓而下降的处理器发展速度。据《计算机体系结构：量化研究方法》中的数据显示[4-5]，当前传统处理器和工艺的算力每两年提升约1倍。……