易坊好文馆

  1. 首页 > 生活百科 >

AI 西方唯一AI芯片独角兽 单挑英伟达( 二 )


需要注意的是 ， 除了博世、三星从A轮就开始参投 ， 红杉资本是Graphcore的C轮领投方 ， 而微软与宝马i风投则成为其D轮融资领投方；
而E轮融资的主要参与者 ， 则是非产业基金——加拿大安大略省教师养老金计划委员会领投 ， 富达国际与施罗德集团也加入了这轮融资 。
你可以从投资方看出 ， Graphcore的产业投资方基本分为三个产业方向——云计算（数据中心）、移动设备（手机）与汽车（自动驾驶） 。没错 ， 这是三个最早被人工智能技术“入侵”的产业 。
AI 西方唯一AI芯片独角兽 单挑英伟达
文章图片

图片来自Crunchbase
工业界们似乎越来越达成这样一个共识 ， 未来需要有一家像ARM主导移动设备时代一样的底层创新企业 ， 除了有希望卖出上亿块芯片的同时 ， 也能推动人工智能与各个产业的深度整合 ， 最终触达到上百亿普通消费者 。
从产品的角度来看 ， Graphcore 在2020年拿出了相对引人注目的作品——推出第二代 IPU-M2000芯片 ， 该芯片搭载在一个名为IPU Machine platform的计算平台上 。另外 ， 其芯片配套的软件栈工具Poplar也有同步更新 。
“教计算机如何学习 ， 与教计算机做数学题 ， 是完全不同的两件事 。提升一台机器的‘理解力’ ， 底层驱动注重的是效率 ， 而不是速度 。” Graphcore CEO Nigel Toon 将新一代AI芯片的开发工作视为一个“千载难逢的机会” 。
“任何公司能做到这一点 ， 都能分享对未来几十年人工智能技术创新和商业化的决定权 。”
切中英伟达的“软肋”
没有一家AI芯片设计公司不想干掉市值高达3394亿美元的英伟达 。或者说 ， 没有一家公司不想做出比GPU更好的人工智能加速器产品 。
因此 ， 近5年来 ， 大大小小的芯片设计公司都倾向于在PPT上 ， 用英伟达的T4、V100 ， 甚至是近期发布的“最强产品”A100与自己的企业级芯片产品做比较 ， 证明自己的处理器拥有更好的运算效率 。
Graphcore也没有例外 。
他们同样认为 ， 由于上一代的微处理器——譬如中央处理器（CPU）和图形处理单元（GPU）并不是为人工智能相关工作而专门设计 ， 工业界需要一种全新的芯片架构 ， 来迎合全新的数据处理方式 。
当然 ， 这样的说法并不是利益相关者们的单纯臆想 。
我们无法忽视来自学术界与产业界对GPU越来越多的杂音——随着人工智能算法训练与推理模型多样性的迅速增加 ， 在诞生之初并不是为了人工智能而设计的GPU暴露出了自己“不擅长”的领域 。
“如果你做的只是深度学习里的卷积神经网络（CNN） ， 那么GPU是一个很好的解决方案 ， 但网络已经越‘长’越复杂 ， GPU已经难以满足AI开发者们越来越大的胃口 。”
一位算法工程师向虎嗅指出 ， GPU之所以快 ， 是因为它天生就能并行处理任务（GPU的释义和特点可以看《干掉英伟达》这篇文章） 。如果数据存在“顺序” ， 无法并行 ， 那么还得用回CPU 。
“很多时候既然硬件是固定的 ， 我们会想办法从软件层 ， 把存在顺序的数据 ， 变为并行的数据 。譬如语言模型中 ， 文字是连续的 ， 靠一种‘导师驱动’的训练模式就可以转换为并行训练 。
但肯定不是所有模型都可以这么做 ， 譬如深度学习中的‘强化学习’不太适合用GPU ， 而且也很难找到并行方式 。”
由此来看 ， 学术圈不少人甚至喊出“GPU阻碍了人工智能的创新”这句话 ， 并不是耸人听闻 。
AI 西方唯一AI芯片独角兽 单挑英伟达
文章图片

深度学习的4个发展脉络 ， 制图：宇多田
“深度学习” ， 这个近10年来机器学习领域发展最快的一个分支 ， 其神经网络模型发展之快、类型之广 ， 只靠GPU这块硬件的“一己之力”是很难追上其复杂运算脚步的 。
Graphcore 回复了虎嗅一份更为详尽的答案 。他们认为 ， 对于深度学习中除去CNNs的另外几个分支 ， 特别是循环神经网络（RNN）与强化学习（RL） ， 让很多开发者的研究领域受到了限制 。

推荐阅读


上一篇：视点·观察 职场女性成为代孕黑市潜在客户群 不想因生育影响工作

下一篇：the 美国法院拒绝下令强迫亚马逊重新上线Parler