智能控制导论 第4版 课件 第11、12章 智能控制的算力及架构、 人工智能的发展简史与展望.pptx

Introductionto

IntelligentControl

智能控制导论

智能控制导论

第4版

蔡自兴编著

国家精品课程

配套教材

中国水利水电出版社2024

Textbooks教材

第11章智能控制的算力及架构

Ch.11ComputingPowerandArchitecture

ofIntelligentControl

11.1智能算力的定义与分类

11.2智能芯片的发展

11.3智能控制的算力网络

11.4智能控制算力的研究与应用概况

11.5小结

制的核心要素之一和实现人工智能的重要保障，是继人力、畜力、水力、热力、电力之后的一种新的先进生产力。

随着人工智能和智能控制科技的发展，智能控制算力是硬件和软件高度融合的智能融合架构，对智能控制的发展及其产业化起到举足轻重的作用，已成为智能控制新的重要研究领域。

第11章智能控制的算力及架构

算力即计算能力（computingpower），是智能控

11.1.1智能算力的定义

定义11.1：2018年诺贝尔奖获得者威廉·诺德豪斯（WilliamD.Nordhaus）将算力定义为设备根据内部状态的改变每秒能够处理的信息数据量。

定义11.2：算力是机器在数学上的归纳和转化能力，把抽象复杂的数学表达式或数字通过数学方法转换为可以理解的数学式子的能力。

定义11.3：算力是机器通过对信息数据进行处理实现目标结果输出的计算能力。

定义11.4：算力（也称哈希率）是比特币网络处理能力的度量单位，即计算机计算哈希函数输出的速度（每秒运算次数）。

算力的衡量单位

如同水力、热力、电力等各有衡量指标和计量单位一样，算力也有衡量指标和基准单位。常用的算力衡量单位是FLOPS(

每秒浮点运算次数）、TFLOPS（每秒一万亿指令数）等。还有MIPS（每秒百万指令数）、DMIPS（整数运算每秒百万指令数)、OPS（每秒运算次数）等。

1.按技术架构分类

一般将算力分为两大类，即通用算力和专用算力。承担输出算力任务的芯片，也相应地分为通用芯片和专用芯片。

□CPU（CentralProcessingUnit，中央处理器）芯片

□专用芯片主要包括FPGA（FieldProgrammableGateArray，现场可编程

门阵列）和ASIC（ApplicationSpecificIntegratedCircuit，专用集成电路）

。

□神经拟态芯片（NeuromimeticChip，NMC），即类脑芯片

11.1.2智能算力和芯片的分类

2.按芯片位置分类

（1）云端人工智能芯片

运算能力强大，功耗较高，一般部署在公有云、私有云、混合云或数据中心、超算中心等领域，主要用于深度神经网络模型的训练和推理，处理语音、视频、图像等海量数据，支持大规模并行计算，通常以加速卡的形式集成多个芯片模块，并行完成相关计算任务。

在数据中心，又将算力的计算任务分为基础通用计算和HPC高性能计算（High-performancecomputing）。

2.按芯片位置分类（续）

（2）边缘端人工智能芯片

这类芯片一般功耗低、体积小、性能要求不高、成本也较低，相比于云端芯片来说，不需要运行特别复杂的算法，只需具备少量的人工智能计算能力，一般部署在智能手机、无人机、摄像头、边缘计算设备、工控设备等移动设备或嵌入式设备上。

11.1.2智能算力和芯片的分类（续）

3.按算力任务分类

（1）人工智能训练芯片

指专门对人工智能训练算法进行优化加速的芯片，由于训练所需的数据量巨大，算法复杂度高，因此，训练芯片对算力、能效、精度等要求非常高，还要具备较高的通用性。

（2）人工智能推理芯片

指专门对人工智能推理算法进行优化加速的芯片，更加关注能耗、算力、时延、成本等综合因素。

1.CPU阶段（2006年以前）

人工智能算法尚未出现突破，能够获取的数据也较为有限,传统通用CPU已能完全满足计算需要，学术界和产业界对人工智能芯片均未提出特殊要求。因此，这个阶段人工智能芯片产业的发展较为缓慢。

2.GPU阶段（2006-2010年）

智能游戏和高清视频等行业快速发展，助推了GPU产品的迭代升级。GPU在人工智能领域的研究和应用中开始获得大规模使用。