正文
由Kunle Olukotun带领的斯坦福大学研究人员团队也设立起类似的目标，但采用的实现途径却与Plasticine有所不同。
“多核心时代正逐步迈向终点……在机器学习这一时代背景之下，我们需要立足于现代应用本身对计算模式加以变更，”曾率先为一家初创企业设计多核心方案（此项技术最终被引入甲骨文公司的Sparc处理器）的Oluotun解释称。
“面对机器学习中的统计模型，我们真正需要的计算方式将与经典确定性计算存在巨大区别，因此这亦代表着可观的发展机遇。”
与来自布里斯托尔的竞争对手类似，斯坦福大学的研究小组同样抛弃了共享高速缓存等传统思路。“其中最令人兴奋的因素在于硬件，大家可以对其进行重新配置以实现对特定计算任务的优化，”斯坦福大学数据科学项目执行董事Stephen Eglash在介绍Plasticine时表示。
Olukotun解释称，“我们的目标在于帮助拥有特定领域专业知识的用户在无需了解机器学习或者硬件认知的前提下构建起高质量机器学习系统。”
为了实现这一目标，斯坦福大学团队定义了Spatial，这种语言负责将算法中的各部分映射至并发处理器中的各部分。“我们立足于一套高级TensorFLow框架构建起一套完整编译器流程以表达硬件……具体来讲，其每瓦性能水平可达FPGA的10倍，而编程易行性则可达FPGA的上百倍，”Olukotun解释称。
Spatial类似于英伟达公司的Cuda GPU编程语言，但在易用性方面应该更为出色。其能够将scatter/gather或者MapReduce等函数映射至硬件当中的具体内存层级结构当中，从而实现经由DRAM与SRAM的流式数据集。
Olukotun解释称，如此一来，Pasticine处理器“即成为一个软件至上型项目”。
Eglash还意识到物联网浪潮带来的边缘计算需求必须具备对应的技术方案。“未来，我们所生产的数据量将远超面向云环境的传输能力，因此我们还需要分布式本地计算资源的协同支持。”
着眼于短期，机器学习将带来“超个性化”智能手机以自动定制用户喜好。如此一来，使用者将不再需要密码或者指纹。“手机能够在数秒钟之内即意识到当前用户是否为其真正的主人，”Eglash表示。
在工业物联网领域，推理工作已经被分配至网关处，通用电气数字公司云工程技术负责人Darren Haas解释称。“我们的一切建设项目皆可被划分为更小的设备，甚至经由Raspberry Pi单片机实现……我们将大规模模型运行在云端，并在边缘位置运行各类轻量级硬件。”
斯坦福大学构建的Plasticine是一种全新架构，并可能为Graphcore等初创企业厂商所采用。其利用并行模式与高层级抽象以捕捉具体的数据位置、内存访问模式以及控制流，从而“跨越多种不同应用密度水平”执行运算，相关论文解释称。
作为其核心，这款芯片采用16 x 8交错式计算单元（简称PCU）与模式内存单元（简称PMU）阵列，且各单元通过三条互连通道利用三种控制协议实现对接。这款113平方毫米的芯片采用Spatial以将应用程序映射至阵列当中，用以交付相当于28纳米制程FPGA芯片约95倍的性能水平以及高达77倍的每瓦性能。
Plasticine在1 GHz时钟频率运行状态下最高能耗为49瓦。其峰值单精度浮点运算性能为12.3万亿次，而片上总容量为16 MB。
PCU属于由执行嵌套模式之可重配置SIMD功能单元构成的多段式管道。PMU采用暂存式内存与专用寻址逻辑及地址解码器。
