打破平衡，AI革命正催生一場(chǎng)各懷“芯”思的軍備競賽

　　上周，百度宣布了自家首款云端AI芯片的進(jìn)展。一石激起千層浪，芯片熱潮再次走進(jìn)了人們的視線(xiàn)。從國內的情況來(lái)看，中國目前已經(jīng)涌現出了地平線(xiàn)、寒武紀、深鑒科技、中芯微等一批明星初創(chuàng )企業(yè)。而在國外，隨著(zhù)PC芯片需求量下滑，連續幾年走下坡路的芯片巨頭英特爾也開(kāi)始了向AI芯片的轉型。此外，互聯(lián)網(wǎng)巨頭谷歌、車(chē)企巨頭特斯拉、社交巨頭Facebook也紛紛加入了芯片戰場(chǎng)。在人工智能革命的影響下，一場(chǎng)新的芯片軍備競賽即將展開(kāi)。

　　多年來(lái)，半導體世界似乎已經(jīng)有了一種穩定的平衡狀態(tài)：英特爾擊敗了服務(wù)器領(lǐng)域幾乎所有RISC處理器，讓其x86系列成為了主導者。而GPU領(lǐng)域起步較晚的英偉達，在上世紀90年代就已淘汰了大部分的競爭對手，如今只剩下ATI、AMD在該市場(chǎng)上仍占據一小部分份額。

　　在較新的移動(dòng)領(lǐng)域，似乎也是一個(gè)這樣的壟斷故事：ARM領(lǐng)導著(zhù)這個(gè)市場(chǎng)。英特爾曾嘗試用Atom處理器與之競爭，但最后還是在2015年選擇了放棄。

　　即使這樣，似乎一切又都有所改變。如今，AMD重新成為了x86的競爭對手;現場(chǎng)可編程門(mén)陣列(FPGA)引領(lǐng)了一個(gè)新的利基市場(chǎng);而人工智能和機器學(xué)習的出現也讓芯片市場(chǎng)發(fā)生了動(dòng)蕩?？梢哉f(shuō)，隨著(zhù)這些新興技術(shù)的出現，大量的新處理器已經(jīng)到來(lái)。

　　小智君整理如下：

　　1、2016年，英特爾收購創(chuàng )業(yè)公司Nervana Systems進(jìn)入AI芯片市場(chǎng)，隨后又收購了Movidius開(kāi)發(fā)圖像處理AI;

　　2、微軟正在為其HoloLens VR / AR耳機開(kāi)發(fā)AI芯片，并有可能在其他設備中使用;

　　3、谷歌自研了一款用于神經(jīng)網(wǎng)絡(luò )的AI芯片——張量處理單元(TPU)，用于谷歌云平臺上的AI應用程序;

　　4、有報道稱(chēng)，亞馬遜正在為其Alexa開(kāi)發(fā)AI芯片;

　　5、蘋(píng)果正在開(kāi)發(fā)一款名為神經(jīng)引擎(Neural Engine)的AI處理器，為Siri和FaceID提供動(dòng)力;

　　6、ARM最近推出了兩款新處理器，專(zhuān)注于圖像識別的ARM機器學(xué)習處理器和ARM物體檢測(Object Detection)處理器;

　　7、IBM正在開(kāi)發(fā)專(zhuān)門(mén)的人工智能處理器，還從英偉達獲得NVLink許可，用于人工智能和機器學(xué)習的高速數據傳輸;

　　8、即使像特斯拉這樣的非傳統科技公司也希望進(jìn)入這一領(lǐng)域，去年該公司首席執行官埃隆·馬斯克承認前AMD和蘋(píng)果芯片工程師Jim Keller (現已離職)將負責硬件制造。

　　這還是沒(méi)有將初創(chuàng )企業(yè)計入在內的情況。紐約時(shí)報稱(chēng)曾報道稱(chēng)，按照不完全統計，目前專(zhuān)注于芯片領(lǐng)域的初創(chuàng )公司已經(jīng)達到了45家。那為什么在芯片制造停滯多年之后，又突然爆發(fā)了呢?畢竟，在多數人看來(lái)，英偉達的GPU對AI而言是夠用的。

　　答案有點(diǎn)復雜，就如人工智能本身。

　原因一：投資、功耗和能效

　　雖然x86目前仍然是計算機的主要芯片架構，但它對于要執行高度專(zhuān)業(yè)化任務(wù)的AI來(lái)說(shuō)，還是太普通了。研究員們對AI的終極目標是構建一個(gè)通用的服務(wù)器平臺，因此，AI需要擅長(cháng)一切。事實(shí)上，處理AI的實(shí)際任務(wù)與標準計算或GPU處理是完全不同的，因此研究人員認為定制AI芯片是必要的。

　　通常情況下，科學(xué)計算是以確定的方式進(jìn)行的。比如，你想知道2加3等于5，并計算到所有的小數部分——x86和GPU做得很好。但人工智能的本質(zhì)是，在不經(jīng)過(guò)實(shí)際計算的情況下，可以學(xué)會(huì )2.5加3.5等于6。換句話(huà)說(shuō)，人工智能的重要之處在于數據中的發(fā)現模式，而非確定性計算。

　　人工智能和機器學(xué)習的定義是從過(guò)去的經(jīng)驗中汲取教訓并改進(jìn)。一旦通過(guò)AI展開(kāi)學(xué)習，便不會(huì )再需要進(jìn)行重新學(xué)習了，這是機器學(xué)習的標志(人工智能更高定義的一個(gè)子集)。機器學(xué)習的核心是用算法解析數據，從中學(xué)習后根據數據進(jìn)行判斷或預測。

　　比如AlphaGo通過(guò)大量的圍棋比賽來(lái)進(jìn)行自我提升;Facebook的面部識別技術(shù)經(jīng)過(guò)多年訓練學(xué)會(huì )了標簽照片;自動(dòng)駕駛汽車(chē)的AI不是通過(guò)確定的事物來(lái)判斷周?chē)矬w的活動(dòng)路徑，而是通過(guò)以往的經(jīng)驗表示曾有另一輛車(chē)以這種方式行駛。

　　這種預測性問(wèn)題解決的結果是AI計算可以通過(guò)單精度計算完成。因此，雖然CPU和GPU都能很好地完成，但它們對于任務(wù)來(lái)說(shuō)是多余的。單精度芯片可以承擔這項任務(wù)，并在更小，更低功耗的情況下完成。

　　毫無(wú)疑問(wèn)，功耗和范圍對于芯片來(lái)說(shuō)是一個(gè)大問(wèn)題，特別是對人工智能，因為一個(gè)尺寸并不能適用于該領(lǐng)域的所有情況。人工智能包含了機器學(xué)習，而機器學(xué)習包括了深度學(xué)習，所有技術(shù)都可以通過(guò)不同的設置部署到不同的任務(wù)中。