人工智能|中国AI芯片提前进入肉搏期( 七 )


第一个前提是自身能力 。 符志龙发现 , 尽管业务重合度高的互联网巨头之间存在对于数据信息互通的担忧 , 但一些互联网巨头重点扶持的芯片公司 , 如果产品性能确实优异 , 其他互联网公司也可以采购 。 “重要的是这家芯片公司的产品里是否让客户足够有动力做国产替换 。 ”
另外 , 一个合理的商业模式很重要 。 一位产业投资人如此描述这种商业模式 , 做AI云端训练芯片 , 一定要跟客户紧密绑定 , 你想用什么我就做什么 , 边挣钱边迭代 , 我做的比你快 , 比你自己做更省钱 , 成功几率更高 , 这种合作模式就能够持续 。
但如果一家AI芯片的初创公司的模式是 , 告诉客户自己的技术很厉害 , 你需要给我付钱 , 但是我们需要做一些研究 , 需要一段时间 。 这种科学家思维的做法 , 在讲求效率和利润回报的商业社会 , 很难闯出来 。
真正的瓶颈
一位产业投资人告诉《财经》采访人员 , 对这一次的AI芯片火热 , 并不意外 。
90年代初 , 他就经历过一次的AI浪潮 。
热火朝天的AI产业并不是一个新鲜事物 。 AI发展至今 , 已经经历过三次浪潮 。
第一次是50年代 , AI从诞生到模拟人 , 最后失败了被冷落;第二次是60、70年代 , 专家系统的热潮;第三次是80、90年代神经网络兴起 。
每一次 , 都是在理论认知突破后尝试场景化、硬件化 , 又都由于理论的局限 , 造成产业的退潮 。
例如 , 在90年代 , 由于半导体产业基础薄弱 , 硬件上实现AI算法专用芯片的难度和成本都很高 , 算法的调试甚至需要调用到美国圣地亚哥的超级计算机 , 大规模商业应用遥遥无期 , 最终没有继续发展下去 。 但彼时 , AI芯片产业化的趋势已经在酝酿中 。
不过 , 这一次 , AI产业的浪潮与以往不同 。 半导体产业的飞跃极大推进了AI理论的场景化、硬件化 。 再往后 , AI产业发展的根本瓶颈已经不是芯片技术本身、也不是算力 , 而在于建立在基础理论之上的 , 对于算法和架构的突破 。
有一个例子可以解释这种从底层理论突破的逻辑——筷子夹汤圆 。 曾经 , 大家认为神经网络能够解决一切问 , 拼算力就像比谁夹东西夹得快 。 但大家没有去想筷子夹东西本身是不是一个错误的方法 。 因为 , 筷子夹汤圆 , 再怎么夹 , 效率都有限 , 但如果换一种方法 , 拿一根长针去穿汤圆 , 效率提高很多倍 , 这才是跨度打击 。 从筷子 , 到用针穿 , 这就是从拼算力变为基础理论的突破 。
基础理论上的瓶颈反映到当下AI面临的挑战中 , 例如 , 在找到具体应用场景后 , AI公司往往需要面临三大难题 。 首先是功耗问题 , 以自动驾驶为例 , 当理论上已证明算法可行 , 但把算法放到真实场景中 , 在车内测试 , 现实情况是 , 一旦开启自动驾驶模式 , 航程旋即大幅度缩水 。 其次是本地化问题 , 如果将算法和数据都放在云端 , 一旦网络出现问题 , 车的安全就失去保障 , 故而在实际场景中 , 必须有本地化处理的能力 。 第三 , 是突破时间的限制 。 所有AI实际场景应用都有时间限制 , 而现在的云端算法往往还不够快 。

推荐阅读