第 一篇 導論
第 1章　AI芯片是人工智能未來發展的核心
——什么是AI芯片　//　2
1.1　AI芯片的歷史 //　3
1.2　AI芯片要完成的基本運算 //　5
1.2.1　大腦的工作機制 //　5
1.2.2　模擬大腦運作的神經網絡的計算 //　7
1.2.3　深度學習如何進行預測 //　8
1.2.4　提高性能和降低功耗 //　9
1.3　AI芯片的種類 //　11
1.3.1　深度學習加速器 //　15
1.3.2　類腦芯片 //　16
1.3.3　仿生芯片及其他智能芯片 //　17
1.3.4　基于憶阻器的芯片 //　19
1.4　AI芯片的研發概況 //　22
1.5　小結 //　23

第 2章　執行“訓練”和“推理”的AI芯片 //　25
2.1　深度學習算法成為目前的主流 //　25
2.1.1　深度學習的優勢與不足 //　28
2.1.2　監督學習與無監督學習 //　29
2.1.3　AI芯片用于云端與邊緣側 //　31
2.1.4　把AI 計算從云端遷移到邊緣側 //　36
2.1.4.1　為什么要在邊緣側部署AI //　37
2.1.4.2　提高邊緣側AI 計算能力的幾個思路 //　38
2.2　AI 芯片的創新計算范式 //　40
2.3　AI 芯片的創新實現方法 //　42
2.4　小結 //　45

第二篇　最熱門的AI 芯片
第3章　深度學習AI 芯片 //　48
3.1　深度神經網絡的基本組成及硬件實現 //　48
3.1.1　AI 芯片的設計流程 //　50
3.1.2　計算引擎和存儲系統 //　51
3.1.2.1　計算引擎 //　51
3.1.2.2　存儲系統 //　55
3.2　算法的設計和優化 //　57
3.2.1　降低數值精度的量化技術 //　57
3.2.2　壓縮網絡規模、“修剪”網絡 //　62
3.2.3　二值或三值神經網絡 //　63
3.2.4　可變精度和遷移精度 //　64
3.2.5　簡化卷積層 //　66
3.2.6　增加和利用網絡稀疏性 //　66
3.3　架構的設計和優化 //　67
3.3.1　把數據流用圖表示的架構設計 //　68
3.3.2　架構設計及優化的其他考慮 //　71
3.4　電路的設計和優化 //　72
3.4.1　用模數混合電路設計的MAC //　73
3.4.2　FPGA 及其Overlay 技術（“軟件定義硬件”） //　74
3.5　其他設計方法 //　76
3.5.1　卷積分解方法 //　76
3.5.2　提前終止方法 //　77
3.5.3　知識蒸餾方法 //　77
3.5.4　經驗測量方法 //　78
3.5.5　哈希算法取代矩陣乘法 //　78
3.5.6　神經架構搜索 //　78
3.6　AI 芯片性能的衡量和評價 //　79
3.7　小結 //　82

第4章　AI 芯片產業和創業
——近年研發的AI　芯片及其特點 //　85
4.1　對AI 芯片巨大市場的期待 //　86
4.2　“1+3”大公司格局 //　87
4.2.1　英偉達 //　87
4.2.2　谷歌 //　91
4.2.3　英特爾 //　94
4.2.4　微軟 //　96
4.2.5　其他一些著名公司的AI 芯片 //　97
4.2.6　三位世界級AI 科學家 //　101
4.3　學術界和初創公司 //　102
4.3.1　大學和研究機構的AI 芯片 //　103
4.3.2　四家初創“獨角獸”公司的芯片 //　111
4.4　小結 //　119

第5章　神經形態計算和類腦芯片 //　121
5.1　脈沖神經網絡的基本原理 //　122
5.2　類腦芯片的實現 //　125
5.2.1　憶阻器實現 //　127
5.2.2　用自旋電子器件實現 //　129
5.3　基于DNN 和SNN 的AI 芯片比較及未來可能的融合 //　131
5.4　類腦芯片的例子及最新發展 //　133
5.5　小結 //　138

第三篇　用于AI 芯片的創新計算范式
第6章　模擬計算 //　142
6.1　模擬計算芯片 //　143
6.2　新型非易失性存儲器推動了模擬計算 //　147
6.2.1　用阻變存儲器實現模擬計算 //　147
6.2.2　用相變存儲器實現模擬計算 //　149
6.2.3　權重更新的挑戰 //　150
6.2.4　NVM 器件的材料研究和創新 //　151
6.3　模擬計算的應用范圍及其他實現方法 //　153
6.4　模擬計算的未來趨勢 //　154
6.5　小結 //　156

第7章　存內計算 //　158
7.1　馮·諾依曼架構與存內計算架構 //　158
7.2　基于存內計算的AI 芯片 //　161
7.2.1　改進現有存儲芯片來完成存內計算 //　161
7.2.2　用3D 堆疊存儲技術來完成存內計算 //　164
7.2.3　用新型非易失性存儲器來完成存內計算 //　165
7.3　小結 //　171

第8章　近似計算、隨機計算和可逆計算 //　174
8.1　近似計算 //　174
8.1.1　減少循環迭代次數的近似計算 //　176
8.1.2　近似加法器和近似乘法器 //　177
8.1.3　降低電源電壓的近似計算 //　178
8.1.4　基于RRAM 的近似計算 //　180
8.1.5　應對電路故障的近似計算 //　182
8.2　隨機計算 //　182
8.3　可逆計算 //　187
8.4　小結 //　191

第9章　自然計算和仿生計算 //　192
9.1　組合優化問題 //　193
9.2　組合優化問題的最優化算法 //　195
9.2.1　模擬退火 //　195
9.2.2　自組織映射 //　197
9.2.3　群體算法 //　199
9.3　超參數及神經架構搜索 //　201
9.3.1　粒子群優化的應用 //　202
9.3.2　強化學習方法的應用 //　202
9.3.3　進化算法的應用 //　203
9.3.4　其他自然仿生算法的應用 //　204
9.4　基于自然仿生算法的AI 芯片 //　205
9.4.1　粒子群優化的芯片實現 //　206
9.4.2　用憶阻器實現模擬退火算法 //　207
9.5　小結 //　208

第四篇　下一代AI 芯片
第 10　章 受量子原理啟發的AI 芯片 //　210
10.1　量子退火機 //　210
10.2　伊辛模型的基本原理 //　212
10.3　用于解決組合優化問題的AI 芯片 //　214
10.3.1　基于FPGA 的可編程數字退火芯片 //　214
10.3.2　使用OPO 激光網絡來進行最優化計算 //　216
10.3.3　CMOS 退火芯片 //　218
10.3.4　商用量子啟發AI 芯片 //　220
10.4　量子啟發AI 芯片的應用 //　221
10.5　小結 //　223

第 11　章 進一步提高智能程度的AI 算法及芯片 //　224
11.1　自學習和創意計算 //　225
11.2　元學習 //　226
11.2.1　模型不可知元學習 //　226
11.2.2　元學習共享分層 //　227
11.2.3　終身學習 //　228
11.2.4　用類腦芯片實現元學習 //　229
11.3　元推理 //　230
11.4　解開神經網絡內部表征的纏結 //　231
11.5　生成對抗網絡 //　235
11.5.1　生成對抗網絡的FPGA 實現 //　239
11.5.2　生成對抗網絡的CMOS 實現 //　239
11.5.3　生成對抗網絡的RRAM 實現 //　240
11.6　小結 //　242

第 12　章 有機計算和自進化AI 芯片 //　243
12.1　帶自主性的AI 芯片 //　244
12.2　自主計算和有機計算 //　247
12.3　自進化硬件架構與自進化AI 芯片 //　248
12.3.1　自進化硬件架構 //　248
12.3.2　自進化AI 芯片 //　250
12.4　深度強化學習AI 芯片 //　252
12.5　進化算法和深度學習算法的結合 //　253
12.6　有機計算和遷移學習的結合 //　254
12.7　小結 //　255

第 13　章 光子AI 芯片和儲備池計算 //　256
13.1　光子AI 芯片 //　257
13.1.1　硅光芯片 //　258
13.1.2　光學神經網絡架構 //　259
13.1.3　光子AI 芯片 //　261
13.2　基于儲備池計算的AI 芯片 //　263
13.3　光子芯片的新進展 //　267
13.4　小結 //　268

第五篇　推動AI 芯片發展的新技術
第 14　章 超低功耗與自供電AI 芯片 //　271
14.1　超低功耗AI 芯片 //　271
14.2　自供電AI 芯片 //　274
14.2.1　使用太陽能的AI 芯片 //　276
14.2.2　無線射頻信號能量采集 //　277
14.2.3　摩擦生電器件 //　280
14.2.4　微塵大小的AI 芯片 //　282
14.2.5　可采集能源的特點 //　283
14.2.6　其他可能被發掘的能源 //　284
14.3　小結 //　285

第 15　章 后摩爾定律時代的芯片 //　287
15.1　摩爾定律仍然繼續，還是即將終結 //　287
15.1.1　摩爾定律進一步 //　290
15.1.2　比摩爾定律更多 //　293
15.1.3　超越CMOS //　300
15.2　芯片設計自動化的前景 //　310
15.3　后摩爾定律時代的重要變革是量子計算芯片 //　312
15.4　小結 //　313

第六篇　促進AI 芯片發展的基礎理論研究、應用和創新
第 16　章 基礎理論研究引領AI 芯片創新 //　316
16.1　量子場論 //　317
16.1.1　規范場論與球形曲面卷積 //　317
16.1.2　重整化群與深度學習 //　321
16.2　超材料與電磁波深度神經網絡 //　322
16.3　老子之道 //　327
16.4　量子機器學習與量子神經網絡 //　331
16.5　統計物理與信息論 //　333
16.6　小結 //　336

第 17　章 AI 芯片的應用和發展前景 //　338
17.1　AI 的未來發展 //　338
17.2　AI 芯片的功能和技術熱點 //　341
17.3　AI 的三個層次和AI 芯片的應用 //　343
17.4　更接近生物大腦的AI 芯片 //　346
17.4.1　帶“左腦”和“右腦”的AI 芯片 //　349
17.4.2　用細菌實現的擴散憶阻器 //　350
17.4.3　用自旋電子器件實現的微波神經網絡 //　351
17.4.4　用電化學原理實現模擬計算 //　352
17.5　AI 芯片設計是一門跨界技術 //　353
17.6　小結 //　355
附錄　中英文對照表 //　360
參考文獻　//　371