半導體是數字時代的基礎技術。它是硅谷名字的來源。它是過去半個世紀改變了社會各個方面的計算機革命的核心。 自從英特爾在1971年推出世界上第一個微處理器以來，計算能力的提高步伐令人嘆為觀止，且永不停息。根據摩爾定律，當今的計算機芯片比50年前的功能強大了數百萬倍。 然而，盡管數十年來處理能力飛速增長，但直到最近，計算機芯片的基本體系結構仍基本上保持靜態(tài)。在大多數情況下，芯片的創(chuàng)新需要進一步使晶體管小型化，以便將更多晶體管壓縮到集成電路中。幾十年來，英特爾和AMD等公司通過可靠地提高CPU性能而蓬勃發(fā)展，這一過程被Clayton Christensen稱為“持續(xù)創(chuàng)新”。 今天，這種情況正在以戲劇性的方式改變。AI迎來了半導體創(chuàng)新的新黃金時代。數十年來，機器學習的獨特需求和無限的機會第一次激發(fā)了企業(yè)家重新思考和重新思考芯片架構的最基本原則。 他們的目標是設計一種專為AI設計的新型芯片，它將為下一代計算提供動力。它是當今所有硬件中最大的市場機會之一。

新的計算范式

在計算的大部分歷史中，主要的芯片體系結構一直是CPU或中央處理器。如今，CPU無處不在：它們?yōu)楣P記本電腦，移動設備和大多數數據中心供電。 1945年，傳奇的John von Neumann 設計了 CPU的基本體系結構。值得注意的是，此后其設計基本上保持不變：今天生產的大多數計算機仍是馮·諾依曼機器。 CPU在用例中的優(yōu)勢是其靈活性的結果：CPU是通用計算機，能夠有效執(zhí)行軟件所需的任何計算。但是，盡管CPU的主要優(yōu)勢是多功能性，但是當今領先的AI技術需要非常特殊且密集的一組計算。 深度學習需要迭代執(zhí)行數百萬或數十億個相對簡單的乘法和加法步驟，簡單那來說就是線性代數，深度學習的根本是參數微調，矩陣相乘。 這種重復的，計算量大的工作流程對硬件體系結構具有一些重要意義。并行化（處理器能夠同時而不是一個接一個地執(zhí)行許多計算的能力）變得至關重要。與此相關的是，由于深度學習涉及大量數據的連續(xù)轉換，因此將芯片的內存和計算核心盡可能靠近地放置，可以通過減少數據移動來獲得巨大的速度和效率。 CPU 不足以支持機器學習的獨特需求。CPU按順序而不是并行地處理計算。它們的計算核心和內存通常位于單獨的模塊上，并通過帶寬受限的通信系統(tǒng)（總線）連接。這在數據移動中產生了瓶頸，稱為“馮·諾依曼瓶頸”。這就導致在CPU上訓練神經網絡效率極低。

鑒于機器學習應用在整個社會中正變得越來越普遍，傳統(tǒng)芯片無法處理現(xiàn)代AI算法這個問題變得越來越嚴峻。正如AI行業(yè)偉大的Yann LeCun最近說的那樣：“如果您預估未來的五，十年，您會發(fā)現(xiàn)計算機大部分時間都花在做深度學習之類的事情?！?至此，推動AI繁榮的芯片是GPU（圖形處理單元）。GPU架構是Nvidia在1990年代后期為游戲應用發(fā)明的。為了以高幀速率渲染計算機游戲的詳細圖形，GPU專門用于連續(xù)處理大量數據。與CPU不同，GPU可以并行完成數千個計算。 在2010年代初，AI社區(qū)開始意識到 Nvidia的游戲芯片實際上非常適合處理機器學習算法所需的工作負載類型。這就讓GPU找到了巨大的新市場。Nvidia抓住機遇，將自己定位為AI硬件市場領先的提供商。這就讓公司收獲了驚人的收益：從2013年到2018年，英偉達的市值躍升了 20倍。 然而，正如Gartner分析師Mark Hung所說，“每個人都同意GPU并非針對AI工作負載進行了優(yōu)化?！?GPU已被AI社區(qū)采用，但它并非為AI而生。

近年來，一大批企業(yè)家和技術人員開始重新構想計算機芯片，從頭開始對其進行優(yōu)化，以釋放AI的無限潛力。用Alan Kay令人難忘的話來說：“真正認真對待軟件的人們應該自己制造硬件?！?在過去的24個月中，出現(xiàn)了五只AI芯片獨角獸。令人瞠目結舌的估值也吸引了更多新貴。傳統(tǒng)CPU的領導者為了避免被拋棄，也參與其中。僅英特爾一家就完成了這一類別的兩項重大收購：Nervana Systems（2016年4月以4.08億美元收購）和Habana Labs（2019年12月以20億美元收購）。在未來幾年中，隨著這場競賽的進行，將有數千億美元的企業(yè)價值被爭奪。

下一個英特爾？

巨大的市場機會和前景技術的挑戰(zhàn)相結合，激發(fā)他們創(chuàng)造出驚人的創(chuàng)意——有時是驚人的、設計理想的AI芯片的方法。 新一代AI芯片初創(chuàng)企業(yè)中最引人注目的就是Cerebras Systems。簡單地說，Cerebras的大膽方法是制造有史以來最大的芯片。最近該公司的價值為$ 1.7B，該公司已從包括Benchmark和Sequoia在內的頂級投資者籌集了$ 200M。 Cerebras芯片的規(guī)格令人難以置信。它比典型的微處理器大60倍左右。它是歷史上第一個容納超過1萬億個晶體管（準確地說是1.2萬億個）的芯片。它的片上內存為18 GB，這是有史以來最多的。 將所有計算能力打包到單個硅基板上可帶來誘人的好處：數據傳輸效率大大提高，內存與處理并置，大規(guī)模并行化。但是，如果想輕描淡寫工程上的挑戰(zhàn)，這是荒謬的。因為幾十年來，制造晶圓級芯片一直是半導體行業(yè)夢寐以求的夢想，但從未實現(xiàn)。 Cerebras首席執(zhí)行官Andrew Feldman說：“每個規(guī)則，每個工具和每個制造設備都是為正常尺寸的“巧克力曲奇”設計的，我們提供了整個“曲奇紙”大小的產品。” “方法的每一步，我們都必須發(fā)明。” Cerebras的AI芯片已經投入商業(yè)使用：就在上周，Argonne National Laboratory宣布將使用Cerebras的芯片來幫助對抗冠狀病毒。 另一家采用全新的芯片設計新方法的公司是基于灣區(qū)的Groq。與Cerebras相比，Groq的芯片專注于推理，而不是模型訓練。創(chuàng)始團隊擁有世界一流的領域專業(yè)知識：Groq的團隊包括Google TPU項目的十個原始成員中的八個，這是迄今為止最成功的AI芯片工作之一。

Groq顛覆了業(yè)界的傳統(tǒng)常識，正在構建批量batch size為1的芯片，這意味著它可以一次處理一個數據樣本。據該公司稱，這種架構幾乎可以實現(xiàn)瞬時推斷（對于諸如自動駕駛汽車等對時間敏感的應用程序至關重要），而無需犧牲性能。Groq的芯片很大程度上是軟件定義的，從而使其具有獨特的靈活性和永不過時的特性。 該公司最近宣布其芯片達到每秒1萬億次運算的速度。如果為真，這將使其成為歷史上最快的單die芯片。 也許沒有一家公司比Lightmatter具有更出色的技術愿景。它是由光子學專家創(chuàng)立，總部位于波士頓。Lightmatter尋求構建一種AI微處理器，該微處理器不是由電信號而是由光束驅動的。該公司已從GV，Spark Capital和Matrix Partners籌集了3，300萬美元，以實現(xiàn)這一愿景。據該公司稱，光的獨特性能將使其芯片性能比現(xiàn)有解決方案高十倍。

此類別中還有許多其他玩家值得關注。兩家中國公司Horizon Robotics和Cambricon Technologies各自以更高的估值籌集了比其他任何競爭對手都更多的資金。帕洛阿爾托的SambaNova Systems 資金雄厚，技術精湛。盡管有關SambaNova計劃的細節(jié)仍然很少，但其技術似乎特別適合于自然語言處理。其他值得注意的初創(chuàng)公司包括Graphcore，Blaize，Mythic和Kneron。 幾家科技巨頭已經開始自己的內部努力來開發(fā)專用AI芯片。這些程序中最成熟的是上面提到的Google的Tensor處理單元（TPU）。像往常一樣，在技術曲線之前，谷歌于2015年開始研發(fā)TPU。最近，亞馬遜宣布其Inferentia AI芯片在2019年12月大張旗鼓地發(fā)布。特斯拉，F(xiàn)acebook和阿里巴巴以及其他技術巨頭都在參與其中。內部AI芯片程序。

結論

爭相開發(fā)將為即將到來的AI時代提供動力的硬件的競賽正在進行中。自硅谷成立以來，如今的半導體行業(yè)正在發(fā)生比以往任何時候都更多的創(chuàng)新。不可估量的數十億美元正在發(fā)揮作用。 下一代芯片將在未來幾年中塑造人工智能領域的輪廓和軌跡。用Yann LeCun 的話來說：“硬件功能。。。激勵并限制AI研究人員將想象并允許自己追求的想法類型。我們可以使用的工具比我們愿意承認的更能塑造我們的思想?！?br /> 編輯：hfy