-
-
宋宋 数据领袖Lv6
发表于2019-12-25 16:40
楼主
本帖最后由 宋宋 于 2019-12-25 16:44 编辑
搭着AI第三次浪潮的“顺风车”，AI芯片进入产业界的视线。
搭着AI第三次浪潮的“顺风车”，AI芯片进入产业界的视线。
其实不然，AI的第三次“复苏”是由AI芯片领头的。2016年，业界熟知的谷歌AlphaGo大战李胜石，背后的TPU(Tensor Processing Units)机器学习芯片功不可没。作为承载机器学习负载的专有芯片，TPU区别于传统意义上的CPU、GPU，比CPU、GPU快几十倍。
2016年，谷歌I/O大会首次发布TPU之后，TPU已经历经多次迭代、升级。2017年，TPU 2.0推出，2018年，TPU 3.0发布，紧接着Cloud TPU、Edge TPU云、边缘开放、发布。
另一边，英伟达以GPU为主线的架构演进也在不断更新，2015年，基于Maxwell架构的GeForce GTX TITAN X发布，作为首款训练深度神经网络的处理器，GeForce GTX TITAN X面向云端，数据处理能力是传统16核CPU的13倍之多。
2016年，基于新一代Pascal架构，英伟达又推出了Tesla P40、Tesla P4、Tesla P100，面向深度学习、神经网络;2017年，基于Volta架构的Tesla V100为高性能计算HPC和AI融合提供可行性路径;2018年，Turing架构推出，新增AI训练和推理Tensor Core，深度学习抗锯齿算法DLAA......
AI正在改变芯片产业。
根据冯·诺依曼架构，运算器与存储器相互分开，指令、数据放置于存储器中，而冯·诺依曼架构瓶颈在于，存储量急剧增加后，CPU与存储之间的数据传输成为阻碍。换句话说，能量大部分耗损于数据在各个“板块”的传输。
所以，AI芯片大致有两个方向，一个基于冯·诺依曼架构，计算、内存是分离的;另外一个，彻底摆脱冯·诺依曼架构，模仿人类神经元的类脑芯片，运算、内存、通信是混合在一起。譬如，IBM的TrueNorth芯片。
类脑芯片刚刚起步，目前，市场上的AI芯片集中于前者。
大而不同
来自美国研究公司ReportLinker数据预测显示，未来5年，全球AI芯片将会进入告诉发展的阶段，2023年，市场规模预计将会达到108亿美元，复合年均增长率达53.6%。涉及的厂商包括谷歌、英特尔、英伟达、高通、微软、AMD、Graphcore、Adapteva等等。
乍一看，市场空间潜力巨大，且无论是巨头厂商，还是初创小公司均属于AI芯片的阵营。实际上，从技术的角度看，这些AI芯片无论是功能分类、部署位置均有所差异。
举个例子，8月23日，华为发布的Ascend 昇腾 910 AI处理器，号称“全球算力最强，速度最快”，相当于50个最新最强的CPU。已实现商用，可广泛应用于无人机、摄像机、机器人等终端。
一个月后，9月25日，阿里2019云栖大会上，阿里巴巴发布了第一颗AI芯片含光800。一颗含光800的算力大致相当于10颗GPU，是全球最高性能的AI推理芯片。同样，含光800已经在阿里巴巴内部核心业务中使用。
Ascend 昇腾 910与含光800的性能让人“迷惑”。其实，两者代表了AI芯片承担不同任务的两个方向：训练、推理。训练需要海量的计算，推理计算量相对较少，但涉及巨大的矩阵运算。
在部署位置上，AI芯片又分为云端、边缘，以及手机、汽车、摄像头、无人机等终端两类。赛迪数据显示，2018年，云端训练AI芯片占比最大，达49.5%;其次，为终端推理AI芯片，占比29.8%;第三是云端推理芯片，占比20.7%。
同时，AI芯片分为CPU、GPU、FPGA、ASIC等不同类型，一般意义上的AI芯片指的是ASIC专用芯片。最早，人们尝试将AI算法应用于传统CPU、GPU，效果不甚理想，特别是，CPU运算是串行的，运算能力不佳。相比较之下，GPU拥有更多的逻辑运算单元，架构更符合AI算法并行计算的特点。
这里不得不提到一家厂商——文章开篇的英伟达。
2012年，ILSVRC(ImageNet Large Scale Visual Recognition Challenge)大赛上，Geoffrey Hinton和学生Alex Krizhevsky用两台NVIDIA GTX580显卡，将自己设计的神经网络AlexNet准确率提高了10%以上，获得第一名。
从此，成立19年的英伟达，开始步入AI深度学习的黄金发展期，从硬件、软件、到生态，英伟达产品都围绕AI训练与学习提高性能。2015 GTC大会上，英伟达教主黄仁勋甚至称，英伟达是AI公司，而不是硬件公司。
但GPU+CUDA(通用并行计算平台)并不是完美的，价格昂贵、高能耗、算力增长不不能满足企业急剧增长的算力需求等，这些成为GPU+AI的掣肘。
另一方面，包括互联网厂商、初创公司在内的企业，相继推出了ASIC、FPGA的AI芯片。企图在后摩尔定律时代，弯道超车。无论是英伟达，还是传统CPU、GPU芯片厂商都进入了AI红利的后期阶段。
来自网络公开数据显示，ASIC无论在市场规模，还是年复合增长率上均比FPGA高。ASIC厂商有谷歌、阿里巴巴、华为等;FPGA厂商有Atmel、Achronix Semiconductor、英特尔、赛灵思Xilinx、深鉴科技等。
如此多的厂商涌入AI芯片的赛道目的各不相同。
落地不是重点
以英特尔为例，近几年，英特尔一直在为未来“买单”，不错过任何战略机遇，从AI周边、自动驾驶、地图到芯片，大大小小的知名、非知名创业公司收入囊中。PC时代，Wintel建立起来的壁垒正在消弭，在移动互联网时代落下的课，需要在AI+云+5G时代补课。
譬如，收购FPGA领域的Altera、Omnitek两家公司;自动驾驶领域的Mobileye;计算机视觉领域的Movidius、Itseez公司。不久前，英特尔收购以色列AI芯片公司Habana Labs传言“实锤”，Habana Labs聚焦于AI推理与训练的芯片。
今年8月，英特尔推出首款AI芯片Nervana NNP-I/T，Nervana NNP-I用于训练，Nervana NNP-T用于推理。英特尔已补齐CPU、GPU、FPGA、ASIC的AI芯片。所以，对于硬件巨头而言，当下弥补短板，找到业务新的可能增长点是“转型”的当务之急。
软件巨头切入市场，逻辑则有所不同，一方面，随着企业发展进入深水区，算力需求海量增加，市场不能满足需求;第二，供给方成本昂贵;第三，AI确实能帮助企业构建云计算平台、数字化转型等等过程中提高效率;第四，与自身业务生态战略相融合;第五，减弱硬件厂商在市场的话语权。
出于五个方面的驱动，在资金实力充足的情况下，谷歌、阿里巴巴、微软、Facebook、IBM等厂商也开始探索、布局AI芯片。从谷歌、阿里巴巴、华为等厂商推出的产品来看，主要面向云端、边缘端的算力需求，而国外的初创公司也大多集中于云边端，譬如，Habana Labs、Graphcore、Groq等。
但仔细观察会发现，除了为数不多的初创企业向巨头云端提供部署方案，包括巨头在内发布的云端、边缘段AI芯片，并没有实现大规模的商用，仅仅初步停留于自家需求。
换句话说，部署在云端的AI芯片厂商获得了资本市场的认可，却没有进一步的大范围落地、商用迹象。
有趣的是，与国外AI芯片市场不同的是，国内AI芯片初创企业回避了巨头所在的云端场景，最初集中在终端一侧。
2016年，寒武纪推出神经网络单元NPU处理器1A。2017年底，地平线发布第一代BPU架构，两款芯片，征程1.0用于智能驾驶;旭日1.0用于智能摄像头。2018年，云天励飞发布了深度学习神经网络DeepEye 1000流片。
2019年初，思必驰发布第一代AI语音芯片TAIHANG深聪，主要应用于智能家居、车载、可穿戴等终端场景中。两个月后，联发科联合旷视Helio P60首次内置人工智能处理器APU。
以上，均为国内初创企业在市场初期终端领域部署的一些情况。可以看出切入各不相同，有从硬件、有的从软件、平台，有的从算法切入市场。
当然，2018年、2019年发生了一些变化，包括寒武纪、依图科技等，均从终端芯片转向云端、边缘端芯片。这一转变契合市场、资本的趋势，但与国外创业企业处境类似，云端、边缘端的芯片多被谷歌、英伟达等巨头所垄断，生存空间逼仄。
国内阿里巴巴、华为、百度也对这一领域虎视眈眈，并有相关产品发布、内部使用。初创企业在资金实力、商用落地方面不占优势。在没有核心竞争力，技术成果不能加速商业化进程的情况下，终局无外乎，被收购，或者提高当前市场估值。
两者的根结，在于商业模式不能形成闭环。
落地又是关键
2018年7月，FPGA头部厂商赛灵思收购了中国初创企业深鉴科技。2019年8月，旷视在港交所递交IPO招股书，招股书显示，2019年上半年，旷视营收为9.49亿元、亏损52亿元。从2016年到2019年上半年，亏损逐年扩大。
深鉴科技、旷视科技映射了整个AI市场的窘境，快融资、技术高速发展期已经过去，“落地”成为摆在AI企业们面前的难题。“落地”究竟有多难?纬度是多方面的。
首先，AI芯片不能违背芯片的发展规律，芯片制造涉及工艺、制程、量产等门槛较高，初创企业没有深厚的积累，对市场判断、客户需求，性能指标可能存在试错的过程。
尚且不谈AI芯片中“内存墙”，性能质量问题，是否为”PPT芯片“、量产等问题能否解决依然需要打一个问号。驭势科技创始人吴甘沙曾在南都采访中也谈到当前AI芯片市场创业企业众多的原因，“一方面，AI芯片的门槛比通用芯片门槛低，另一方面，目前大多数都说可以做出来AI芯片的厂商，但能否用得好，能不能大批量卖出去还有待时间验证。”
第二，AI芯片能否大面积铺开，还要看场景的成熟度。以自动驾驶为例，自动驾驶涉及产业链上下游环节非常多，车企、高精地图、ADAS、激光雷达、摄像头、传感器、网络基础设施，车联网V2X等，特别是，基础设施层面，包括V2V(汽车与汽车)、V2I(汽车与基础设施)、V2R(汽车与路侧设备)、V2P(汽车与行人)等多个场景方案一直未定型。
第三，AI芯片厂商需要有核心的竞争能力，从架构创新到商业模式、切入角度的创新，需要“黑马”企业破局。
更重要的还在于生态。尽管，AI芯片发展历程在各方面与GPU、CPU等相比，时间较短，是一个“崭新”，相对公平的赛道。但仅仅有硬件、软件是不够的，“软件定义硬件”意味着硬件需求端发生变化，有了新的要求，软件将会反过来影响硬件的设计，软件与硬件需要相互协同。
所以，算法、软件对AI芯片的重要性也越来越高。
英伟达公布2020财年Q3财报后，CEO黄仁勋在接受外媒GamesBeat采访时，谈到芯片上软件堆栈的难度：“深度学习的挑战之一在于软件非常丰富，是否是正确的数据、模型、超参数，需要慢慢学习。训练方面，让人们信任看不见的复杂系统障碍很大，推理方面，模型种类太多。下一步发展到多模型、多领域将会更难。”
几天前，腾讯投资的初创企业燧原科技发布了面向云端数据中心的AI训练芯片邃思、加速卡“云燧T10”。
可见，在市场需求、销量“黑盒”化的情况下，这一赛道的加码依然在继续。
但AI芯片从技术到落地再到市场普及，没有那么容易，或许仍需要一段漫长的路程，至少相当一部分AI芯片企业，尤其是创业企业，将长时间停留在“落地”之前。
来源互联网
