舉報

會員
AI芯片:科技探索與AGI愿景
最新章節:
附錄:芯片技術發展進程中具有里程碑意義的幾本書
本書旨在從創新的角度探討AI芯片的現狀和未來,共分9章。第1章為概論,介紹大模型浪潮下,AI芯片的需求與挑戰。第2章、第3章分別介紹實現深度學習AI芯片的創新方法與架構,以及一些新興的算法和思路。第4章全面介紹半導體芯片產業的前沿技術,包括新型晶體管、集成芯片、分子器與分子憶阻器,以及打印類腦芯片等。第5章~第8章分別探討用化學或生物方法實現AI、AI在科學發現中的創新應用、實現神經形態計算與類腦芯片的創新方法,以及具身智能芯片。第9章展望未來的AGI芯片,并探討相關的發展和倫理話題。本書可供AI和芯片領域的研究人員,工程技術人員,科技、產業決策和管理人員,以及創投從業者參考,也可供AI、集成電路、計算機等相關專業的本科生、研究生和教學工作者,以及所有對AI芯片感興趣的讀者閱讀。
目錄(152章)
倒序
- 封面
- 版權信息
- 版權
- 內容提要
- 前言
- 第1章 大模型浪潮下,AI芯片的需求與挑戰
- 1.1 生成式AI開創新時代
- 1.2 AI芯片:CPU、GPU、FPGA、ASIC
- 1.2.1 CPU
- 1.2.2 GPU
- 1.2.3 FPGA
- 1.2.4 ASIC
- 1.3 邊緣AI芯片
- 1.4 AI芯片的算力提升與能耗挑戰
- 1.5 本章小結
- 參考文獻
- 第2章 實現深度學習AI芯片的創新方法與架構
- 2.1 基于大模型的AI芯片
- 2.1.1 Transformer模型與引擎
- 2.1.2 存內計算AI芯片
- 2.1.3 基于GPU的大模型計算
- 2.1.4 基于FPGA的大模型計算
- 2.1.5 基于ASIC的大模型計算
- 2.1.6 Transformer模型的后繼者
- 2.2 用創新方法實現深度學習AI芯片
- 2.2.1 基于開源RISC-V的AI加速器
- 2.2.2 射頻神經網絡
- 2.2.3 光電組合AI芯片
- 2.2.4 量子AI芯片
- 2.2.5 矩陣乘法計算的加速
- 2.3 用于邊緣側訓練或推理的AI芯片
- 2.3.1 邊緣AI訓練
- 2.3.2 Transformer模型邊緣部署
- 2.3.3 智能手機AI芯片
- 2.3.4 邊緣側的4種AI終端設備
- 2.3.5 極低功耗的AI芯片
- 2.4 本章小結
- 參考文獻
- 第3章 AI的未來:提升AI算力還是提升AI智力
- 3.1 深度學習算法的困境:大模型是一條不可持續發展的道路
- 3.1.1 收益遞減法則適用于神經網絡
- 3.1.2 資源浪費與環境破壞的問題
- 3.2 超越ChatGPT的新趨勢:用小模型替代大模型
- 3.2.1 強化學習
- 3.2.2 指令調整
- 3.2.3 合成數據
- 3.3 終身學習與遷移學習
- 3.3.1 終身學習
- 3.3.2 遷移學習
- 3.4 符號計算
- 3.4.1 超維計算
- 3.4.2 耦合振蕩計算
- 3.4.3 神經符號計算
- 3.5 本章小結
- 參考文獻
- 第4章 AI芯片:匯聚半導體芯片產業前沿技術
- 4.1 摩爾定律仍在不斷演進
- 4.1.1 晶體管架構從FinFET到CFET
- 4.1.2 晶背供電技術——打破傳統規則
- 4.1.3 EUV光刻機與其他競爭技術
- 4.2 從“集成電路”到“集成芯片”
- 4.2.1 芯粒與異質集成
- 4.2.2 3D堆疊
- 4.2.3 “無封裝”的晶圓級單片芯片
- 4.3 開發使用新材料、新工藝的芯片
- 4.3.1 0D、1D、2D材料
- 4.3.2 用于類腦芯片的固態離子器件
- 4.3.3 分子器件與分子憶阻器
- 4.3.4 打印類腦芯片
- 4.4 本章小結
- 4.4.1 工藝技術創新
- 4.4.2 芯片架構創新
- 4.4.3 新材料與制造工藝
- 參考文獻
- 第5章 從AI硬件到AI濕件:用化學或生物方法實現AI
- 5.1 化學計算
- 5.1.1 用酸堿反應實現邏輯門和神經網絡
- 5.1.2 液態的憶阻器、MAC計算單元及存儲器
- 5.1.3 化學計算的總體現狀與前景
- 5.2 生物計算
- 5.2.1 用活細胞實現AI
- 5.2.2 真菌計算
- 5.2.3 生物計算
- 5.3 本章小結
- 參考文獻
- 第6章 AI在科學發現中的創新應用
- 6.1 科學發現的4個傳統范式與正在開啟的第五范式
- 6.2 科學發現的過程與方法
- 6.2.1 科學推理的類型
- 6.2.2 自動化科學發現框架
- 6.3 直覺和靈感與諾貝爾獎和重大科學發現
- 6.4 AI替代人類生成假說
- 6.4.1 直接生成
- 6.4.2 窮舉搜索
- 6.4.3 分析排錯與組合優化
- 6.5 用AI實現諾貝爾獎級別的科學發現
- 6.5.1 AI科學家的構建
- 6.5.2 AI科學家取得諾貝爾獎級別成果面臨的挑戰
- 6.6 AI芯片用于“AI科學家”系統
- 6.7 用量子啟發AI技術發現新型超材料的案例
- 6.8 本章小結
- 參考文獻
- 第7章 實現神經形態計算與類腦芯片的創新方法
- 7.1 云端使用的神經形態計算與類腦芯片
- 7.2 基于大模型的神經形態計算架構
- 7.3 超導與非超導低溫類腦芯片
- 7.3.1 超導低溫類腦芯片
- 7.3.2 半導體與超導體混合式神經形態網絡
- 7.3.3 非超導低溫類腦芯片
- 7.3.4 低溫AI類腦芯片的巨大發展潛力
- 7.4 以樹突為中心的“合成大腦”
- 7.5 自旋波類腦芯片
- 7.6 本章小結
- 參考文獻
- 第8章 具身智能芯片
- 8.1 AI的下一個前沿:具身智能
- 8.1.1 具身智能的緣起
- 8.1.2 具身智能中的第一人稱視角
- 8.2 AI感知技術與芯片
- 8.2.1 輸入端的數據壓縮
- 8.2.2 視覺:眼睛——攝像頭與視覺傳感器
- 8.2.3 觸覺:皮膚——觸摸屏、觸摸板、人工皮膚及3D生物組織打印
- 8.2.4 聽覺:耳朵——麥克風與助聽器
- 8.2.5 味覺:舌頭——電子舌
- 8.2.6 嗅覺:鼻子——電子鼻
- 8.2.7 具身智能的增強感知
- 8.2.8 新的“第六感”
- 8.3 具身智能系統與芯片
- 8.3.1 基于憶阻器的感存算一體化技術
- 8.3.2 具身智能的執行控制
- 8.3.3 感知、存儲、計算、執行一體化
- 8.4 濕件具身智能
- 8.5 本章小結
- 參考文獻
- 第9章 從AI芯片到AGI芯片
- 9.1 生成式AI點燃AGI之火
- 9.2 現階段更智能、更接近AGI的6種算法與模型
- 9.2.1 MoE模型
- 9.2.2 Q*算法
- 9.2.3 測試時計算:提高泛化能力
- 9.2.4 具身智能與滲透式AI
- 9.2.5 大型多模態模型
- 9.2.6 分布式群體智能
- 9.2.7 發展重點:基于強化學習的后訓練與推理
- 9.2.8 超越大模型:神經符號計算
- 9.3 AGI芯片的實現
- 9.3.1 技術需求
- 9.3.2 架構與形態
- 9.4 未來:AGI和ASI——神話還是悲歌
- 9.5 本章小結
- 參考文獻
- 附錄:芯片技術發展進程中具有里程碑意義的幾本書 更新時間:2025-08-07 17:51:33
推薦閱讀
- 機器視覺與人工智能應用開發技術
- 深度探索:解碼DeepSeek及人工智能的未來
- 巧用ChatGPT快速搞定數據分析
- AI落地:讓人工智能為你所用
- 人工智能安全
- 人工智能:現代方法(第4版)
- AI公文寫作一本通:用ChatGPT和文心一言提高公文寫作質量和寫作效率
- 碼農的零門檻AI課:基于fastai與PyTorch的深度學習
- 體感交互技術
- DeepSeek全場景指南
- 寫好論文:思維模型與AI輔助應用
- 高效用DeepSeek:職場逆襲的實戰指南
- AI加速器架構設計與實現
- 機器人傳感器及其信息融合技術
- 人工智能關我什么事
- 人,倫理,機器人:一本孩子寫給孩子的書
- ABB工業機器人應用技術
- 自然語言表示學習:文本語義向量化表示研究與應用
- 自己動手制作軟體機器人
- AI制勝:機器學習極簡入門
- ChatGPT進階:提示工程入門
- 深度學習初學者指南
- ChatGPT、AutoGPT與10億崗位沖擊:GPT-4、GPT-5等迭代和AIGC、AGI生存
- 智能原理
- 人工智能:過去、現在與未來(全3冊)
- 玩轉機器人:DIY智能小車機器人
- PaddlePaddle Fluid 深度學習入門與實戰
- 制造業大模型的構建與實踐
- 深度對話GPT-4提示工程實戰
- 機器人愛好者(第5輯)