科技 类型
9.4 豆瓣评分
可以朗读 语音朗读
364千字 字数
2025-07-01 发行日期
展开全部

主编推荐语

本书旨在从创新的角度探讨AI芯片的现状和未来。

内容简介

全书共分9章。第1章为概论，介绍大模型浪潮下，AI芯片的需求与挑战。第2章、第3章分别介绍实现深度学习AI芯片的创新方法与架构，以及一些新兴的算法和思路。第4章全面介绍半导体芯片产业的前沿技术，包括新型晶体管、集成芯片、分子器与分子忆阻器，以及打印类脑芯片等。

第5章～第8章分别探讨用化学或生物方法实现AI、AI在科学发现中的创新应用、实现神经形态计算与类脑芯片的创新方法，以及具身智能芯片。第9章展望未来的AGI芯片，并探讨相关的发展和伦理话题。

目录

  • 版权信息
  • 内容提要
  • 前言
  • 第1章 大模型浪潮下，AI芯片的需求与挑战
  • 1.1 生成式AI开创新时代
  • 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 边缘AI芯片
  • 1.4 AI芯片的算力提升与能耗挑战
  • 1.5 本章小结
  • 参考文献
  • 第2章 实现深度学习AI芯片的创新方法与架构
  • 2.1 基于大模型的AI芯片
  • 2.1.1 Transformer模型与引擎
  • 2.1.2 存内计算AI芯片
  • 2.1.3 基于GPU的大模型计算
  • 2.1.4 基于FPGA的大模型计算
  • 2.1.5 基于ASIC的大模型计算
  • 2.1.6 Transformer模型的后继者
  • 2.2 用创新方法实现深度学习AI芯片
  • 2.2.1 基于开源RISC-V的AI加速器
  • 2.2.2 射频神经网络
  • 2.2.3 光电组合AI芯片
  • 2.2.4 量子AI芯片
  • 2.2.5 矩阵乘法计算的加速
  • 2.3 用于边缘侧训练或推理的AI芯片
  • 2.3.1 边缘AI训练
  • 2.3.2 Transformer模型边缘部署
  • 2.3.3 智能手机AI芯片
  • 2.3.4 边缘侧的4种AI终端设备
  • 2.3.5 极低功耗的AI芯片
  • 2.4 本章小结
  • 参考文献
  • 第3章 AI的未来：提升AI算力还是提升AI智力
  • 3.1 深度学习算法的困境：大模型是一条不可持续发展的道路
  • 3.1.1 收益递减法则适用于神经网络
  • 3.1.2 资源浪费与环境破坏的问题
  • 3.2 超越ChatGPT的新趋势：用小模型替代大模型
  • 3.2.1 强化学习
  • 3.2.2 指令调整
  • 3.2.3 合成数据
  • 3.3 终身学习与迁移学习
  • 3.3.1 终身学习
  • 3.3.2 迁移学习
  • 3.4 符号计算
  • 3.4.1 超维计算
  • 3.4.2 耦合振荡计算
  • 3.4.3 神经符号计算
  • 3.5 本章小结
  • 参考文献
  • 第4章 AI芯片：汇聚半导体芯片产业前沿技术
  • 4.1 摩尔定律仍在不断演进
  • 4.1.1 晶体管架构从FinFET到CFET
  • 4.1.2 晶背供电技术——打破传统规则
  • 4.1.3 EUV光刻机与其他竞争技术
  • 4.2 从“集成电路”到“集成芯片”
  • 4.2.1 芯粒与异质集成
  • 4.2.2 3D堆叠
  • 4.2.3 “无封装”的晶圆级单片芯片
  • 4.3 开发使用新材料、新工艺的芯片
  • 4.3.1 0D、1D、2D材料
  • 4.3.2 用于类脑芯片的固态离子器件
  • 4.3.3 分子器件与分子忆阻器
  • 4.3.4 打印类脑芯片
  • 4.4 本章小结
  • 4.4.1 工艺技术创新
  • 4.4.2 芯片架构创新
  • 4.4.3 新材料与制造工艺
  • 参考文献
  • 第5章 从AI硬件到AI湿件：用化学或生物方法实现AI
  • 5.1 化学计算
  • 5.1.1 用酸碱反应实现逻辑门和神经网络
  • 5.1.2 液态的忆阻器、MAC计算单元及存储器
  • 5.1.3 化学计算的总体现状与前景
  • 5.2 生物计算
  • 5.2.1 用活细胞实现AI
  • 5.2.2 真菌计算
  • 5.2.3 生物计算
  • 5.3 本章小结
  • 参考文献
  • 第6章 AI在科学发现中的创新应用
  • 6.1 科学发现的4个传统范式与正在开启的第五范式
  • 6.2 科学发现的过程与方法
  • 6.2.1 科学推理的类型
  • 6.2.2 自动化科学发现框架
  • 6.3 直觉和灵感与诺贝尔奖和重大科学发现
  • 6.4 AI替代人类生成假说
  • 6.4.1 直接生成
  • 6.4.2 穷举搜索
  • 6.4.3 分析排错与组合优化
  • 6.5 用AI实现诺贝尔奖级别的科学发现
  • 6.5.1 AI科学家的构建
  • 6.5.2 AI科学家取得诺贝尔奖级别成果面临的挑战
  • 6.6 AI芯片用于“AI科学家”系统
  • 6.7 用量子启发AI技术发现新型超材料的案例
  • 6.8 本章小结
  • 参考文献
  • 第7章 实现神经形态计算与类脑芯片的创新方法
  • 7.1 云端使用的神经形态计算与类脑芯片
  • 7.2 基于大模型的神经形态计算架构
  • 7.3 超导与非超导低温类脑芯片
  • 7.3.1 超导低温类脑芯片
  • 7.3.2 半导体与超导体混合式神经形态网络
  • 7.3.3 非超导低温类脑芯片
  • 7.3.4 低温AI类脑芯片的巨大发展潜力
  • 7.4 以树突为中心的“合成大脑”
  • 7.5 自旋波类脑芯片
  • 7.6 本章小结
  • 参考文献
  • 第8章 具身智能芯片
  • 8.1 AI的下一个前沿：具身智能
  • 8.1.1 具身智能的缘起
  • 8.1.2 具身智能中的第一人称视角
  • 8.2 AI感知技术与芯片
  • 8.2.1 输入端的数据压缩
  • 8.2.2 视觉：眼睛——摄像头与视觉传感器
  • 8.2.3 触觉：皮肤——触摸屏、触摸板、人工皮肤及3D生物组织打印
  • 8.2.4 听觉：耳朵——麦克风与助听器
  • 8.2.5 味觉：舌头——电子舌
  • 8.2.6 嗅觉：鼻子——电子鼻
  • 8.2.7 具身智能的增强感知
  • 8.2.8 新的“第六感”
  • 8.3 具身智能系统与芯片
  • 8.3.1 基于忆阻器的感存算一体化技术
  • 8.3.2 具身智能的执行控制
  • 8.3.3 感知、存储、计算、执行一体化
  • 8.4 湿件具身智能
  • 8.5 本章小结
  • 参考文献
  • 第9章 从AI芯片到AGI芯片
  • 9.1 生成式AI点燃AGI之火
  • 9.2 现阶段更智能、更接近AGI的6种算法与模型
  • 9.2.1 MoE模型
  • 9.2.2 Q*算法
  • 9.2.3 测试时计算：提高泛化能力
  • 9.2.4 具身智能与渗透式AI
  • 9.2.5 大型多模态模型
  • 9.2.6 分布式群体智能
  • 9.2.7 发展重点：基于强化学习的后训练与推理
  • 9.2.8 超越大模型：神经符号计算
  • 9.3 AGI芯片的实现
  • 9.3.1 技术需求
  • 9.3.2 架构与形态
  • 9.4 未来：AGI和ASI——神话还是悲歌
  • 9.5 本章小结
  • 参考文献
  • 附录 芯片技术发展进程中具有里程碑意义的几本书
展开全部

评分及书评

评分不足
2个评分

出版方

人民邮电出版社

人民邮电出版社是工业和信息化部主管的大型专业出版社，成立于1953年10月1日。人民邮电出版社坚持“立足信息产业、面向现代社会、传播科学知识、服务科教兴国”，致力于通信、计算机、电子技术、教材、少儿、经管、摄影、集邮、旅游、心理学等领域的专业图书出版。