新闻中心

EEPW首页 > 智能计算 > 业界动态 > 打破平衡,AI革命正催生一场各怀“芯”思的军备竞赛

打破平衡,AI革命正催生一场各怀“芯”思的军备竞赛

作者:时间:2018-07-12来源:品途商业评论收藏
编者按:有一天,这个新芯片领域看起来与旧芯片领域别无两样——x86,英伟达GPU,ARM等。但就目前而言,这场AI芯片竞赛已经脱离了起跑线,并且其众多参赛者都打算继续坚持下去。

  上周,百度宣布了自家首款云端的进展。一石激起千层浪,热潮再次走进了人们的视线。从国内的情况来看,中国目前已经涌现出了地平线、寒武纪、深鉴科技、中芯微等一批明星初创企业。而在国外,随着PC需求量下滑,连续几年走下坡路的芯片巨头英特尔也开始了向芯片的转型。此外,互联网巨头谷歌、车企巨头特斯拉、社交巨头Facebook也纷纷加入了芯片战场。在人工智能革命的影响下,一场新的芯片军备竞赛即将展开。

本文引用地址:http://www.eepw.com.cn/article/201807/383154.htm

  多年来,半导体世界似乎已经有了一种稳定的平衡状态:英特尔击败了服务器领域几乎所有RISC处理器,让其x86系列成为了主导者。而GPU领域起步较晚的英伟达,在上世纪90年代就已淘汰了大部分的竞争对手,如今只剩下ATI、AMD在该市场上仍占据一小部分份额。

  在较新的移动领域,似乎也是一个这样的垄断故事:ARM领导着这个市场。英特尔曾尝试用Atom处理器与之竞争,但最后还是在2015年选择了放弃。

  即使这样,似乎一切又都有所改变。如今,AMD重新成为了x86的竞争对手;现场可编程门阵列(FPGA)引领了一个新的利基市场;而人工智能和机器学习的出现也让芯片市场发生了动荡。可以说,随着这些新兴技术的出现,大量的新处理器已经到来。


打破平衡,AI革命正催生一场各怀“芯”思的军备竞赛


  小智君整理如下:

  1、2016年,英特尔收购创业公司Nervana Systems进入芯片市场,随后又收购了Movidius开发图像处理AI;

  2、微软正在为其HoloLens VR / AR耳机开发AI芯片,并有可能在其他设备中使用;

  3、谷歌自研了一款用于神经网络的AI芯片——张量处理单元(TPU),用于谷歌云平台上的AI应用程序;

  4、有报道称,亚马逊正在为其Alexa开发AI芯片;

  5、苹果正在开发一款名为神经引擎(Neural Engine)的AI处理器,为Siri和FaceID提供动力;

  6、ARM最近推出了两款新处理器,专注于图像识别的ARM机器学习处理器和ARM物体检测(Object Detection)处理器;

  7、IBM正在开发专门的人工智能处理器,还从英伟达获得NVLink许可,用于人工智能和机器学习的高速数据传输;

  8、即使像特斯拉这样的非传统科技公司也希望进入这一领域,去年该公司首席执行官埃隆·马斯克承认前AMD和苹果芯片工程师Jim Keller (现已离职)将负责硬件制造。


打破平衡,AI革命正催生一场各怀“芯”思的军备竞赛


  这还是没有将初创企业计入在内的情况。纽约时报称曾报道称,按照不完全统计,目前专注于芯片领域的初创公司已经达到了45家。那为什么在芯片制造停滞多年之后,又突然爆发了呢?毕竟,在多数人看来,英伟达的GPU对AI而言是够用的。

  答案有点复杂,就如人工智能本身。

 原因一:投资、功耗和能效

  虽然x86目前仍然是计算机的主要芯片架构,但它对于要执行高度专业化任务的AI来说,还是太普通了。研究员们对AI的终极目标是构建一个通用的服务器平台,因此,AI需要擅长一切。事实上,处理AI的实际任务与标准计算或GPU处理是完全不同的,因此研究人员认为定制AI芯片是必要的。

  通常情况下,科学计算是以确定的方式进行的。比如,你想知道2加3等于5,并计算到所有的小数部分——x86和GPU做得很好。但人工智能的本质是,在不经过实际计算的情况下,可以学会2.5加3.5等于6。换句话说,人工智能的重要之处在于数据中的发现模式,而非确定性计算。

  人工智能和机器学习的定义是从过去的经验中汲取教训并改进。一旦通过AI展开学习,便不会再需要进行重新学习了,这是机器学习的标志(人工智能更高定义的一个子集)。机器学习的核心是用算法解析数据,从中学习后根据数据进行判断或预测。


打破平衡,AI革命正催生一场各怀“芯”思的军备竞赛


  比如AlphaGo通过大量的围棋比赛来进行自我提升;Facebook的面部识别技术经过多年训练学会了标签照片;自动驾驶汽车的AI不是通过确定的事物来判断周围物体的活动路径,而是通过以往的经验表示曾有另一辆车以这种方式行驶。

  这种预测性问题解决的结果是AI计算可以通过单精度计算完成。因此,虽然CPU和GPU都能很好地完成,但它们对于任务来说是多余的。单精度芯片可以承担这项任务,并在更小,更低功耗的情况下完成。

  毫无疑问,功耗和范围对于芯片来说是一个大问题,特别是对人工智能,因为一个尺寸并不能适用于该领域的所有情况。人工智能包含了机器学习,而机器学习包括了深度学习,所有技术都可以通过不同的设置部署到不同的任务中。


上一页 1 2 下一页

关键词: AI,芯片

推荐阅读

评论

技术专区

关闭