未来人工智能是怎么样解散芯片行业的？

从计算的早期开始，人们就一直认为人工智能有朝一日会改变这个世界。几十年来，我们已经看到无数流行文化参考和未来主义思想家所描述的未来，但技术本身仍然难以捉摸。增量进步主要归功于边缘学术界和消费性企业研究部门。

这一切都在五年前发生了变化。随着现代深度学习的出现，我们已经看到了这项技术在行动中的真实一瞥：计算机开始看到，听到和谈论。人工智能第一次感觉有形，触手可及。

今天的人工智能开发主要围绕深度学习算法，如卷积网络，循环网络，生成对抗网络，强化学习，胶囊网等。所有这些都有一个共同点，就是它们需要大量的计算能力。为了在推广这种智能方面取得实际进展，我们需要彻底检查为这项技术提供动力的计算系统。

2009年发现GPU作为计算设备通常被视为一个关键时刻，帮助引发了围绕深度学习的寒武纪爆发。从那时起，对并行计算架构的投资爆炸式增长。谷歌TPU（Tensor Processing Unit）的兴奋就是一个很好的例子，但TPU才刚刚开始。 CB Insights的发言人告诉我的团队，仅在2017年，新的专用AI芯片创业公司就筹集了15亿美元。这太惊人了。

我们已经看到新的创业公司进入现场，挑战英特尔，AMD，Nvidia，微软，高通，谷歌和IBM等老牌企业。像Graphcore，Nervana，Cerebras，Groq，Vathys，Cambricon，SambaNova Systems和Wave Computing这样的新兴公司正在成为为深度学习的未来铺平道路的新星。虽然这些初创公司肯定资金充足，但这些都是早期的，我们还没有看到谁将成为赢家，将来会有什么样的老卫兵。

Nvidia将GPU作为人工智能和深度学习的替代品引入主流。 该公司计算从消费者游戏领导者到AI芯片公司的转变一直都很不错。 就像其对Volta的30亿美元投资以及像CUDA / cuDNN这样的深度学习软件库的推动，它将其从领先地位推向市场主导地位。 去年，它的股票走到了尽头，首席执行官Jensen Huang被“财富”杂志评为年度最佳商人，并因此获得了“新英特尔”的美誉。

但是虽然Nvidia在外观上可能看起来完全不同，但它仍然只是制造了几十年来制作的相同显卡。但GPU作为AI技术的未来尚不确定。批评者认为，GPU已经挤满了20年的不适用于深度学习。 GPU是通用设备，可支持各种应用，包括从物理模拟到电影渲染的所有应用。我们不要忘记，在2009年深度学习中首次使用GPU基本上是一种黑客行为。

攻击芯片市场的公司正在证明AI将在专用芯片上更快地执行光照。最可能的候选者是ASIC（专用集成电路），它可以高度优化以执行特定任务。

如果您认为芯片是从通用到专用的发展，那么频谱包括一方面的CPU，中间的GPU和FPGA，另一方面包括ASIC。

CPU在执行高度复杂的操作方面非常有效 - 基本上与支持深度学习训练和推理的特定数学类型相反。新进入者正在押注ASIC，因为它们可以在芯片级设计，以处理大量简单的任务。该板可以专用于一组窄函数 - 在这种情况下，稀疏矩阵乘法，具有高度并行性。即使是设计为可编程且因此稍微更加通用化的FPGA，其隐含的多功能性也受到阻碍。

专用AI芯片的性能提升是显而易见的。那么这对更广泛的技术领域意味着什么呢？

相对于CPU而言，GPU已经没有商品化了，而我们所看到的AI芯片投资的巨大增长是GPU最终会被更专业的东西取代。考虑到Nvidia的存在，英特尔的x86 CPU技术过于普遍化，无法满足对图形密集型应用不断增长的需求，这里有一点讽刺。这一次，英特尔和Nvidia都不会袖手旁观，让创业公司吞噬这个新市场。机会太大了。

可能的情况是，我们会看到Nvidia和英特尔继续大力投资Volta和Nervana（以及他们的继任者）。由于互操作性问题，AMD一直在苦苦挣扎（参见下面的软件部分），但很可能会很快提出可用的东西。微软和谷歌正在与Brainwave和TPU以及许多其他项目合作。然后是所有创业公司。这份名单似乎每周增长，你很难找到一个风险投资基金，该基金没有对至少一个参与者进行过相当大的赌注。

芯片领域的另一个问题是边缘计算，其中推理是直接在设备上计算的，而不是云内环境或公司数据中心。模型可以直接部署在边缘，以满足低延迟要求（移动）或对低功耗，间歇连接设备（嵌入式，物联网）进行预测。最近有几个关于基于边缘的AI加速器的公告，例如Google的Edge TPU。

芯片领域的任何新人面临的最大挑战可能不是硬件 - 它是软件。 Nvidia凭借CUDA / cuDNN在市场上占有一席之地，CUDA / cuDNN是软件库，构成了位于芯片顶部的必要抽象层，使TensorFlow和PyTorch等框架无需编写复杂的低级指令即可运行。如果没有这些高级库，通常很难从代码的角度来定位芯片。

问题是，CUDA和cuDNN不是开源的。它们是专有包，只能在Nvidia硬件上运行。在开发人员可以利用ASIC之前，提供商需要首先找到一种新方法，使框架可以轻松访问其芯片。如果没有这一点，开发人员将不会采用重要的（如果有的话） - 开发人员只会坚持使用Nvidia，因为它可行。需要有一个等同于CUDA / cuDNN的开源或需要移植到特定ASIC的框架，就像Google对TPU和TensorFlow所做的那样。没有明显的解决方案，这是一个巨大的障碍。

至少在短期内，我们会看到过多的芯片，一些直接相互竞争，另一些则专注于培训和推理的特定方面。这对行业意味着开发人员会有很多选择。与大规模商品化的CPU市场不同，该行业看起来更像是一个更加多样化，异构化和特定于应用程序的未来。

虽然我们不知道具体结果是什么，但有一点是肯定的：人工智能的未来在于专用ASIC而不是商品硬件。