格物行业洞察 > 格物视角 > 正文

算力即正义,现在还能融到资的公司,都是做芯片的

作者: 麒麟 时间:2017-10-27

资本论对这事的理解是,那一批拿了高额的天使轮AI公司,又要如何拿A轮?也即被热钱催熟的AI,出口何在?光越是暗的地方,影子就会越强,算法疯长的年代,算力即正义

 

这么说来,也许我们探讨出了下一个投资者趋之若鹜的风口,亦或者是创业者接踵而至的新大陆。

 

过去的18个月里,AI有点疯狂,投资人们的“跟风”又一次展现的淋漓极致,走在这片土地上,你要不懂深度学习和机器学习,都不好意思和人打招呼。

 

再屌丝的公司,只要能用上深度学习,线性回归,估值都能撑大一圈。

 

但是过了6月,画风一变,投资人们反映过闷来了,投了半天都是做解决方案的外包公司,再这么往里投钱无异于把盐往水里撒。未来即便甲方市场成熟,乙方也难免死一片,并陷入同质化竞争的汪洋大海,何况外包成功走向IPO,这种稍有常识的人都不太愿意相信的故事。

 

可这事突然有了变数。


WechatIMG187.jpeg



数家做嵌入式智能的公司,陆续拿到了大额融资。这其实也是一个意料中的结果,倘若未来真的是一个属于算法的世界,则必然是由算力作为基础的,毕竟数据越来越大,但算法因为更轻,门槛更低,未来的世界更有可能是“算力即正义”的。

 

除了图表中的创业公司,AMD、英伟达、中科创达、中星微等大公司也在陆续入场。这不是没有兆头的。

 

2017年,甚至更早,随着物联网技术的再度兴起,纯粹的 “云计算”概念过渡到了“端+云”。也因此诞生了一个新的概念,“端智能”。端智能指的是单个设备在无需联网的状态下具备基础智能:比如感知周围环境;与人类进行语言、手势、动作的简单交互;进行本地决策响应等。

 

而这种端智能的价值就在于:不依赖于网络,稳定可靠;具备实时性;可过滤有价值数据。云智能的价值方便收集数据,持续优化用户体验;每一个智能硬件都可支持智能APP;具备移动性,升级本地智能硬件,不受空间限制。

 

但缺陷也很明显,在目前尚不完善的网络环境下,只依靠云端计算将会给操作带来很大的延迟,造成糟糕的用户体验是一方面,在某些敏感的应用场景下,甚至可能造成事故。

 


 为什么他们估值可以很高?——未来市场很可观

 

目前在中国的4亿家庭中,约有1亿为中产阶级家庭,智能家居的潜在市场是肉眼可见的庞大。据地平线副总裁张永谦的说话,在未来,智能电子设备很可能可以达到每年万亿市场,其它消费及服务则可能高达每年50万亿


物联网物理入口被分散化到智能设备、智能家电、智能硬件上;交互方式升级到图像、语音、触控;以及决策过程从人类自主决策升级到AI主动推荐。


而现在智能家居市场未能爆发的原因在于:

 

| 1 应用场景多而分散

| 2 用户体验复杂

| 3 感知、认知、传感器融合技术等发展存在难点

| 4 个性化大数据收集需要优化

| 5 将来的智能家居市场是端+云的架构

| 6 交互的方式还不够先进

 


 为什么充满了争议?——现在的市场还很混沌



现在的市场还处在“鸿蒙初辟,盘古未生”的阶段,在之前的几十年里,一直都是空有算法而没有算力,甚至于有人就此认为,人工智能、物联网可能就是个科幻故事。但是谁也不曾想到,21世纪后的算力突然迎来了大爆炸,引发了整个AI产业开天辟地般的变化。

 

算法在近年突然迎来了爆发,由DBN,CNN,BP,RBM等诸多分支构成的算法,逐渐受到了资本的热捧。在过去的整整一年里,难以沽清的人民币和美元像燎原火一样照亮了算法的草原,而算力创业公司创业潮直到最近才开始出现。

 

这里因为寒武纪的诞生,惹得国人一片沸腾,在我们的国度里诞生了世界一流的AI芯片公司。而在世界各国,均出现了大小程度不一的“智能潮”。以至于几年前火热的大数据公司,无不纷纷展示自家的“机器学习”算法。

 

寒武纪成功融资,打了大批传谣者的脸,很多人说寒武纪没有流片,事实上寒武纪很早就流片了。作为PI的陈氏兄弟在这个方向上坚持了很多年,在融资前斩获了亚洲第一篇MICRO最佳论文、ASPLOS最佳论文、大陆第一篇TOCS论文、CGO最佳论文提名、ISCA审稿评分最高、ASPLOS第一次在中国召开,陈云霁老师作为大会general co-chair致辞,是真正的顶尖级学术成果推动社会工业技术进步的经典案例。

 

讲到市场的现状,不得不说,大体上AI芯片是分为四类的:

 

|1 GPU 


专门用于图像及相关处理的芯片,有并行计算形成先发优势,AMD、英伟达是此间的佼佼者(英伟达始终压住了AMD一头作为行业老大,但AMD近年来的发布的Vega织女星的GPU芯片,市场反馈普遍叫好,或有反超趋势)

 

2012年,多伦多大学的博士研究生Alex Krizhevsky,在2012届ImageNet的拿下了冠军。Alex提出了一个模型,只用两个GPU训练深层神经网络就取得了非常好的效果,引发了业内使用GPU训练神经网络的风潮。当时业内的主流做法是用CPU处理数据,但CPU效率明显偏低。(当时的谷歌超级大脑,用了1.6万个处理器,峰值功耗在10万瓦以上,占地面积数十平方米)

 

但GPU的缺陷也是明摆着的耗电量极大,一块高端的GPU可能随随便便就可以200+,这也导致了散热问题。

 

|2 FPGA

 

FPGA是以赛灵思、Altera(被英特尔于2015年收购)为代表的,特点是价格便宜,功耗又低,于是近年来也陆续有公司开始试水FPGA。

 

早在1984年,赛灵思发布了世界上的第一款FPGA,当时的晶片尺寸很大,但成本却并不低。直到1992年,采用了新工艺节点,才首次在FPGA上实现了卷积神经网络(CNN)。2000年后,FPGA就不仅再是门阵列,还是集成有可编程逻辑的复杂功能集。2008年以来,FPGA越来越多地整合系统模块,集成了大量的重要控制功能,并且还支持OpenCL和C语言,大大降低了硬件编程的难度。大概从2011年开始,市场上越来越多的公司开始了基于FPGA的算法研究。

 

这意味着你可以轻松地把一个微控制器 MCU,通过更新配置文件,变成一个音频编解码器(也即可以通过更新FPGA 配置文件,来重新定义门电路以及存储器之间的连线)。

 

成本低、速度快是目前FPGA的最大优势,但编程难度大,算力不如GPU,所以现多作为CPU的协处理器而出现,去动到GPU的蛋糕是早晚的事,但要讲到彻底地取代CPU一时半会恐怕还没个准谱(前文表中的深鉴科技,就是做FPGA的公司,其技术特点是研发了“深度压缩”技术,可以将神经网络压缩数十倍而不影响准确度,减少内存读取,大幅度减少功耗)。

 

|3 ASIC 矿工福音

 

要说ASIC,不得不提比特币,ASIC的发展离不开挖矿2013年的时候Avalon团队发布了全球上第一台商用比特币ASIC矿机,挖矿界当时就震惊了。以CPU、GPU为核心的矿机在一夜之间被秒杀的灰飞烟灭,导致了整个比特币挖矿界第二次全体生产力升级。比特币的网络核心开发者Jeff Garzik,是世界上第一台商业ASIC矿机的拥有者,有传说Avalon矿机用户在收货的一两天内就回了本。

 

深度学习和比特币挖矿有类似之处,在并行计算方面,都对底层芯片有着极大的依赖。

 

目前的ASIC要分为全定制和半定制两种,全定制设计因为要设计者针对电路进行设计,所以会用掉极大的人力和物力,全定制的特点是灵活性高、开发周期长、上市慢;半定制也即,SoC+IP模式,也即不自行设计,而去采用其他的模块,也就是采购其他公司的设计直接整合到自己的芯片上(目前高通就在这方面投入了精力做相关研发,也即在本地完成深度学习的移动设备芯片,一些IP设计公司也在研发与AI相关的IP核,也许在未来这也将成为AI芯片的重要发展方向)。

 

专为机器学习设计的ASIC芯片,从设计到制造,一款ASIC芯片需要一年左右,而相同规格的FPGA则需要半年,这导致ASIC芯片的研发工作极有可能出现滞后于市场变化的速度,最终使厂商陷入镜花水月的劳而无功中。

 

巨头们会更关注底层技术,但创业公司在这里要做的就是在夹缝之中寻找生存空间,针对应用场景做定向开发,比如前文表中的寒武纪、地平线、Wave Computing(美)、Graphcore(英)。

寒武纪diannao结构图

 

前文表中提到的西井科技,其研发的芯片被称作类脑芯片,鉴于其概念还比较新,体量比较小,在这里暂不讨论。不过网络上有消息说,寒武纪的陈云霁曾表示,“国内和IBM的TrueNorth芯片为代表的国际先进水平还存在一定的差距。这个差距不体现在单芯片绝对的运算速度上(事实上,国产类脑芯片每秒能进行的神经元运算和突触运算数量比TBM的TrueNorth还要高十倍),而是在功耗上。TrueNorth芯片功耗仅为65毫瓦,比国内芯片(15瓦左右)要低250倍。”



 小结 — 乐观还是必要的


 

过去的18个月里,AI有点疯狂,大公司一口气掏出数十亿美元收购创业公司,甚至是投入更多钱投放在研发上。


根据现在主流的乐观预测,AI将会是下一件翻江倒海,敢叫日月换新天的大事。


根据Tractica公布的数据,到2025年,AI年收入预计将达到368亿美元。并且Tractica单方面表示,其已经确定了AI的27种不同的细分行业以及191个使用案例。


Tractica:AI收入增长预测

 

早些时候,我曾看到OneSpin Solutions的总裁Raik Brinkmann在网上说,“在人工智能芯片中,你有三个问题需要解决。首先,你需要处理大量的数据。其次,构建用于并行处理的互连。第三是功率,这是你移动数据量的直接结果。所以你亟须从冯诺依曼架构转变到数据流架构。但它究竟是什么样子?”


标签: 芯片 AI芯片 地平线 寒武纪 异构智能

关注 物联网资本论 微信公众号 了解物联网行业最新趋势、产业政策、企业及企业家专访、投资机构及投资事件,参与更多物联网行业线上线下活动。