本书从AI的发展历史讲起，介绍了目前最热门的深度学习加速芯片和基于神经形态计算的类脑芯片的相关算法、架构、电路等，并介绍了近年来产业界和学术界一些著名的 AI芯片，包括生成对抗网络芯片和深度强化学习芯片等。本书着重介绍了用创新的思维来设计 AI 芯片的各种计算范式，以及下 一代AI芯片的几种范例，包括量子启发的 AI芯片、进一步提升智能程度的AI芯片、有机自进化AI芯片、光子AI芯片及自供电AI芯片等。本书也介绍了半导体芯片技术在“后摩尔定律时代”的发展 趋势，以及基础理论（如量子场论、信息论等）引领 AI 芯片创新并将不断发挥巨大作用。最后，本书介绍了AI发展的三个层次、AI 芯片与生物大脑的差距以及未来的发展方向。
本书可供在AI芯片领域学习和工作的研究生、本科生、工程技术人员，以及所有对AI芯片感兴趣的人员参考。
市面上少有的AI芯片全书；
AI芯片主流大厂首席科学家多年研究经验和前瞻的倾心总结；
覆盖AI芯片相关的技术路线、理论基础和产业实践等诸多方面；
从深度学习AI芯片等现有产品，到自学习/进化等下一代技术，再到量子场论、超材料甚至生物技术AI芯片等前瞻题材，本书将带您走进AI芯片的未来。
张臣雄毕业于上海交通大学电子工程系，在德国获得工学硕士和工学博士学位。曾在西门子、Interphase任职多年，曾任上海通信技术中心及一家世界500强大型高科技企业分别担任CEO/CTO、首席科学家等职，长期从事及主管半导体芯片的研究和开发，推动芯片的产业化应用。
张臣雄博士是两家创业公司的创始人之一。他拥有200余项专利及专利申请，出版了多本专著并发表了100多篇论文。
第 一篇 导论
第 1章 AI芯片是人工智能未来发展的核心
——什么是AI芯片 // 2
1.1 AI芯片的历史 // 3
1.2 AI芯片要完成的基本运算 // 5
1.2.1 大脑的工作机制 // 5
1.2.2 模拟大脑运作的神经网络的计算 // 7
1.2.3 深度学习如何进行预测 // 8
1.2.4 提高性能和降低功耗 // 9
1.3 AI芯片的种类 // 11
1.3.1 深度学习加速器 // 15
1.3.2 类脑芯片 // 16
1.3.3 仿生芯片及其他智能芯片 // 17
1.3.4 基于忆阻器的芯片 // 19
1.4 AI芯片的研发概况 // 22
1.5 小结 // 23
第 2章 执行“训练”和“推理”的AI芯片 // 25
2.1 深度学习算法成为目前的主流 // 25
2.1.1 深度学习的优势与不足 // 28
2.1.2 监督学习与无监督学习 // 29
2.1.3 AI芯片用于云端与边缘侧 // 31
2.1.4 把AI 计算从云端迁移到边缘侧 // 36
2.1.4.1 为什么要在边缘侧部署AI // 37
2.1.4.2 提高边缘侧AI 计算能力的几个思路 // 38
2.2 AI 芯片的创新计算范式 // 40
2.3 AI 芯片的创新实现方法 // 42
2.4 小结 // 45
第二篇 最热门的AI 芯片
第3章 深度学习AI 芯片 // 48
3.1 深度神经网络的基本组成及硬件实现 // 48
3.1.1 AI 芯片的设计流程 // 50
3.1.2 计算引擎和存储系统 // 51
3.1.2.1 计算引擎 // 51
3.1.2.2 存储系统 // 55
3.2 算法的设计和优化 // 57
3.2.1 降低数值精度的量化技术 // 57
3.2.2 压缩网络规模、“修剪”网络 // 62
3.2.3 二值或三值神经网络 // 63
3.2.4 可变精度和迁移精度 // 64
3.2.5 简化卷积层 // 66
3.2.6 增加和利用网络稀疏性 // 66
3.3 架构的设计和优化 // 67
3.3.1 把数据流用图表示的架构设计 // 68
3.3.2 架构设计及优化的其他考虑 // 71
3.4 电路的设计和优化 // 72
3.4.1 用模数混合电路设计的MAC // 73
3.4.2 FPGA 及其Overlay 技术（“软件定义硬件”） // 74
3.5 其他设计方法 // 76
3.5.1 卷积分解方法 // 76
3.5.2 提前终止方法 // 77
3.5.3 知识蒸馏方法 // 77
3.5.4 经验测量方法 // 78
3.5.5 哈希算法取代矩阵乘法 // 78
3.5.6 神经架构搜索 // 78
3.6 AI 芯片性能的衡量和评价 // 79
3.7 小结 // 82
第4章 AI 芯片产业和创业
——近年研发的AI 芯片及其特点 // 85
4.1 对AI 芯片巨大市场的期待 // 86
4.2 “1+3”大公司格局 // 87
4.2.1 英伟达 // 87
4.2.2 谷歌 // 91
4.2.3 英特尔 // 94
4.2.4 微软 // 96
4.2.5 其他一些著名公司的AI 芯片 // 97
4.2.6 三位世界级AI 科学家 // 101
4.3 学术界和初创公司 // 102
4.3.1 大学和研究机构的AI 芯片 // 103
4.3.2 四家初创“独角兽”公司的芯片 // 111
4.4 小结 // 119
第5章 神经形态计算和类脑芯片 // 121
5.1 脉冲神经网络的基本原理 // 122
5.2 类脑芯片的实现 // 125
5.2.1 忆阻器实现 // 127
5.2.2 用自旋电子器件实现 // 129
5.3 基于DNN 和SNN 的AI 芯片比较及未来可能的融合 // 131
5.4 类脑芯片的例子及最新发展 // 133
5.5 小结 // 138
第三篇 用于AI 芯片的创新计算范式
第6章 模拟计算 // 142
6.1 模拟计算芯片 // 143
6.2 新型非易失性存储器推动了模拟计算 // 147
6.2.1 用阻变存储器实现模拟计算 // 147
6.2.2 用相变存储器实现模拟计算 // 149
6.2.3 权重更新的挑战 // 150
6.2.4 NVM 器件的材料研究和创新 // 151
6.3 模拟计算的应用范围及其他实现方法 // 153
6.4 模拟计算的未来趋势 // 154
6.5 小结 // 156
第7章 存内计算 // 158
7.1 冯·诺依曼架构与存内计算架构 // 158
7.2 基于存内计算的AI 芯片 // 161
7.2.1 改进现有存储芯片来完成存内计算 // 161
7.2.2 用3D 堆叠存储技术来完成存内计算 // 164
7.2.3 用新型非易失性存储器来完成存内计算 // 165
7.3 小结 // 171
第8章 近似计算、随机计算和可逆计算 // 174
8.1 近似计算 // 174
8.1.1 减少循环迭代次数的近似计算 // 176
8.1.2 近似加法器和近似乘法器 // 177
8.1.3 降低电源电压的近似计算 // 178
8.1.4 基于RRAM 的近似计算 // 180
8.1.5 应对电路故障的近似计算 // 182
8.2 随机计算 // 182
8.3 可逆计算 // 187
8.4 小结 // 191
第9章 自然计算和仿生计算 // 192
9.1 组合优化问题 // 193
9.2 组合优化问题的最优化算法 // 195
9.2.1 模拟退火 // 195
9.2.2 自组织映射 // 197
9.2.3 群体算法 // 199
9.3 超参数及神经架构搜索 // 201
9.3.1 粒子群优化的应用 // 202
9.3.2 强化学习方法的应用 // 202
9.3.3 进化算法的应用 // 203
9.3.4 其他自然仿生算法的应用 // 204
9.4 基于自然仿生算法的AI 芯片 // 205
9.4.1 粒子群优化的芯片实现 // 206
9.4.2 用忆阻器实现模拟退火算法 // 207
9.5 小结 // 208
第四篇 下一代AI 芯片
第 10 章 受量子原理启发的AI 芯片 // 210
10.1 量子退火机 // 210
10.2 伊辛模型的基本原理 // 212
10.3 用于解决组合优化问题的AI 芯片 // 214
10.3.1 基于FPGA 的可编程数字退火芯片 // 214
10.3.2 使用OPO 激光网络来进行最优化计算 // 216
10.3.3 CMOS 退火芯片 // 218
10.3.4 商用量子启发AI 芯片 // 220
10.4 量子启发AI 芯片的应用 // 221
10.5 小结 // 223
第 11 章 进一步提高智能程度的AI 算法及芯片 // 224
11.1 自学习和创意计算 // 225
11.2 元学习 // 226
11.2.1 模型不可知元学习 // 226
11.2.2 元学习共享分层 // 227
11.2.3 终身学习 // 228
11.2.4 用类脑芯片实现元学习 // 229
11.3 元推理 // 230
11.4 解开神经网络内部表征的缠结 // 231
11.5 生成对抗网络 // 235
11.5.1 生成对抗网络的FPGA 实现 // 239
11.5.2 生成对抗网络的CMOS 实现 // 239
11.5.3 生成对抗网络的RRAM 实现 // 240
11.6 小结 // 242
第 12 章 有机计算和自进化AI 芯片 // 243
12.1 带自主性的AI 芯片 // 244
12.2 自主计算和有机计算 // 247
12.3 自进化硬件架构与自进化AI 芯片 // 248
12.3.1 自进化硬件架构 // 248
12.3.2 自进化AI 芯片 // 250
12.4 深度强化学习AI 芯片 // 252
12.5 进化算法和深度学习算法的结合 // 253
12.6 有机计算和迁移学习的结合 // 254
12.7 小结 // 255
第 13 章 光子AI 芯片和储备池计算 // 256
13.1 光子AI 芯片 // 257
13.1.1 硅光芯片 // 258
13.1.2 光学神经网络架构 // 259
13.1.3 光子AI 芯片 // 261
13.2 基于储备池计算的AI 芯片 // 263
13.3 光子芯片的新进展 // 267
13.4 小结 // 268
第五篇 推动AI 芯片发展的新技术
第 14 章 超低功耗与自供电AI 芯片 // 271
14.1 超低功耗AI 芯片 // 271
14.2 自供电AI 芯片 // 274
14.2.1 使用太阳能的AI 芯片 // 276
14.2.2 无线射频信号能量采集 // 277
14.2.3 摩擦生电器件 // 280
14.2.4 微尘大小的AI 芯片 // 282
14.2.5 可采集能源的特点 // 283
14.2.6 其他可能被发掘的能源 // 284
14.3 小结 // 285
第 15 章 后摩尔定律时代的芯片 // 287
15.1 摩尔定律仍然继续，还是即将终结 // 287
15.1.1 摩尔定律进一步 // 290
15.1.2 比摩尔定律更多 // 293
15.1.3 超越CMOS // 300
15.2 芯片设计自动化的前景 // 310
15.3 后摩尔定律时代的重要变革是量子计算芯片 // 312
15.4 小结 // 313
第六篇 促进AI 芯片发展的基础理论研究、应用和创新
第 16 章 基础理论研究引领AI 芯片创新 // 316
16.1 量子场论 // 317
16.1.1 规范场论与球形曲面卷积 // 317
16.1.2 重整化群与深度学习 // 321
16.2 超材料与电磁波深度神经网络 // 322
16.3 老子之道 // 327
16.4 量子机器学习与量子神经网络 // 331
16.5 统计物理与信息论 // 333
16.6 小结 // 336
第 17 章 AI 芯片的应用和发展前景 // 338
17.1 AI 的未来发展 // 338
17.2 AI 芯片的功能和技术热点 // 341
17.3 AI 的三个层次和AI 芯片的应用 // 343
17.4 更接近生物大脑的AI 芯片 // 346
17.4.1 带“左脑”和“右脑”的AI 芯片 // 349
17.4.2 用细菌实现的扩散忆阻器 // 350
17.4.3 用自旋电子器件实现的微波神经网络 // 351
17.4.4 用电化学原理实现模拟计算 // 352
17.5 AI 芯片设计是一门跨界技术 // 353
17.6 小结 // 355
附录 中英文对照表 // 360
参考文献 // 371
书单推荐
