211service.com
Wyścig po krzemowe mózgi AI Power
Maddie Edgar
Nigel Toon, współzałożyciel i dyrektor generalny Graphcore, półprzewodnikowego startupu z siedzibą w Wielkiej Brytanii, wspomina, że jeszcze kilka lat temu wielu inwestorów venture capital uważało pomysł inwestowania w układy półprzewodnikowe za żart. Zabierasz pomysł na spotkanie, mówi, a wielu partnerów tarzało się po podłodze ze śmiechu. Teraz niektórzy przedsiębiorcy chipowi są odbierani w zupełnie inny sposób. Zamiast toczyć się po podłodze, inwestorzy rozwijają książeczki czekowe.
Inwestorzy wysokiego ryzyka mają powody, by uważać na krzem, mimo że to właśnie on dał nazwę Dolinie Krzemowej. Opracowanie chipów półprzewodnikowych jest znacznie droższe niż oprogramowania, a do niedawna niewiele było miejsca na radykalne innowacje pozwalające na rozróżnienie nowych wersji. Nawet jeśli przetrwają, młode firmy często osiągają marże mniejsze niż wafle krzemowe, z których wykonane są ich chipy. Giganci zasiedziali, tacy jak Intel i Nvidia, są potężnymi konkurentami z głęboką znajomością branży i jeszcze głębszymi kieszeniami.
To, co się zmieniło, to rosnące przekonanie niektórych inwestorów, że sztuczna inteligencja może być wyjątkową okazją do stworzenia znaczących nowych firm półprzewodnikowych. Według danych PitchBook, usługi śledzącej transakcje prywatnych firm, inwestorzy venture capital zainwestowali w tym roku 113 milionów dolarów w skoncentrowane na sztucznej inteligencji start-upy chipowe – prawie trzy razy więcej niż w całym 2015 roku.
Powiązana historia
Powiązana historia Graphcore był jednym z beneficjentów tej zmiany, ostatnio dodając 50 milionów dolarów finansowania od Sequoia Capital, wiodącej firmy venture z Doliny Krzemowej. Wiele innych startupów chipowych, w tym Mythic, Wave Computing i Cerebras w Stanach Zjednoczonych oraz DeePhi Tech i Cambricon w Chinach, również opracowuje nowe chipy dostosowane do zastosowań AI. Cambricon, jeden z najbardziej znanych chińskich startupów w tej dziedzinie, zebrał 100 milionów dolarów w ramach początkowego finansowania prowadzonego przez chiński fundusz rządowy.
Od czasu pojawienia się komputerów mainframe postęp w sprzęcie komputerowym zainicjował innowacje w oprogramowaniu. Te z kolei zainspirowały kolejne ulepszenia sprzętu. Sztuczna inteligencja to najnowszy zwrot w tym cyfrowym cyklu. Firmy z wielu branż intensywnie inwestują w sprzęt do uruchamiania systemów głębokiego uczenia (patrz 10 Przełomowe technologie 2013: Deep Learning ). Ale w miarę jak stają się one bardziej wyrafinowane, ujawniają ograniczenia istniejących chipów wykorzystywanych do pracy ze sztuczną inteligencją.
Wiele z tych procesorów pochodzi od firmy Nvidia, której układy graficzne są szeroko stosowane w grach i produkcji graficznej. Procesory mają tysiące maleńkich komputerów pracujących równolegle, aby renderować piksele. Po kilku poprawkach zostały one przystosowane do uruchamiania algorytmów głębokiego uczenia, które obejmują również bardzo dużą liczbę równoległych obliczeń (patrz CEO Nvidii: Oprogramowanie zjada świat, ale sztuczna inteligencja zjada oprogramowanie).
Chociaż zostały powszechnie przyjęte, chipy graficzne mają pewne wady. Jednym z największych jest to, że gdy duża ich liczba pracuje równolegle, pochłaniają dużo energii. Carnegie Mellon University, wiodący ośrodek badań nad sztuczną inteligencją, musiał nawet poprosić tamtejszych naukowców o tymczasowe ograniczenie użycia chipów, ponieważ obciążali system zasilania uniwersytetu. Franz Franchetti, profesor CMU, mówi, że uniwersytet poszukuje alternatywnych źródeł zasilania, aby złagodzić ten problem.
Startupy chipów AI planują produkować bardziej energooszczędne procesory. Ale to, co naprawdę ich energetyzuje, to przekonanie, że dostosowane do potrzeb procesory do zastosowań AI mogą pokonać mniej wyspecjalizowane chipy w szerokim zakresie zadań uczenia maszynowego. Nowa generacja chipów łączy wiele funkcji przetwarzania w jednym kroku, podczas gdy procesory graficzne wykonują wiele kroków, aby osiągnąć ten sam wynik. Funkcje są zazwyczaj łączone w celu optymalizacji konkretnych przypadków użycia, takich jak algorytmy szkoleniowe, które pomagają autonomicznemu samochodowi wykrywać potencjalne przeszkody.
Powiązana historia
Powiązana historia Jensen Huang przewiduje, że opieka zdrowotna i samochody zostaną zmienione przez sztuczną inteligencję.Graphcore twierdzi, że we wstępnych testach jego nowa jednostka przetwarzania inteligencji, która trafi do pierwszych klientów w pierwszym kwartale przyszłego roku, jest od 10 do 100 razy szybsza niż obecny sprzęt do takich zadań. Chiński Cambricon już zdobywa uznanie dla swoich procesorów. Huawei, klient Cambriconu, uważa, że w przypadku aplikacji do uczenia głębokiego, takich jak algorytmy szkoleniowe do identyfikacji obrazów, chipy startowe są sześć razy szybsze niż uruchamianie tej samej funkcji w procesorze graficznym.
Badacze są podekscytowani perspektywą znaczącego skoku w zakresie mocy obliczeniowej sztucznej inteligencji. Wciąż istnieje duża przepaść między tym, gdzie jesteśmy, a tym, co chcielibyśmy robić, mówi Andrew Davison, profesor Imperial College w Wielkiej Brytanii, który koncentruje się na robotyce i wizji komputerowej. Davison uważa, że innowacje wprowadzane na rynek przez start-upy chipowe przyspieszą postęp w dziedzinach takich jak jego własna.
Takie reakcje są zachęcające, ale nie gwarantują zwycięstwa. Wielkie firmy chipowe już prezentują własne chipy stworzone dla AI, aby konkurować z ofertami start-upów. Na przykład Intel ogłosił niedawno plany wypuszczenia nowej rodziny procesorów zaprojektowanych we współpracy z Nervana Systems, startupem, który przejął w zeszłym roku. Nvidia również szybko rozwija możliwości swoich układów.
Startupy stają przed kolejnym wyzwaniem. Wielu z nich projektuje sprzęt do obsługi wysoce wyspecjalizowanych aplikacji AI. Ale wprowadzenie chipa na rynek może zająć lata. Biorąc pod uwagę szybkość, z jaką rozwija się sztuczna inteligencja, istnieje realne ryzyko, że do czasu, gdy ich produkty staną się powszechnie dostępne, zastosowania, do których zostały zaprojektowane, nie będą już na pierwszym miejscu.
Shahin Farshchi z Lux Capital, który zainwestował w Nervanę i ma udziały w Mythic, nawiązuje do startupów budujących procesory dla aplikacji bezprzewodowych 4G w połowie 2000 roku. Wiele z nich zakończyło się niepowodzeniem, ponieważ zostały zoptymalizowane pod kątem aplikacji, które nie stały się popularne. Mówi, że znowu nastąpi wstrząs dla firm produkujących chipy, które są bardzo wąsko skoncentrowane.
Ale jeśli młode firmy zbudują chipy, które obejmują zbyt szeroki zestaw obszarów zastosowań, prawdopodobnie zmniejszą poziom wydajności. A to może narazić ich na konkurencję ze strony Nvidii, Intela i innych. Niektóre mogą zostać kupione przez gigantów chipowych. Ale jeśli wielu z nich zakończy się niepowodzeniem, inwestorzy venture capital ponownie zaczną zwijać swoje książeczki czekowe.