人工智能引爆新一輪芯片競賽

• 2018年7月12日 ZhangHongYuan來源：網易智能 936 58
• 繁體

• 

  2018-2024年電腦芯片市場發展前景分析及供需格局研究預測報告

  隨著電腦芯片行業競爭的不斷加劇，大型企業間并購整合與資本運作日趨頻繁，國內外優秀的電腦芯片企業愈來愈重視對行業市場的分析研究，特別是對當前市場環境和客戶需求趨勢變化的深入研究，以期...

為什么在多年的芯片制造停滯之后，硬件突然出現了爆炸式的增長?

目前在AI芯片市場上還沒有x86，人們看到了淘金熱，這是毫無疑問的。

多年來，半導體行業似乎已經達到了一種穩定的平衡：英特爾在服務器領域幾乎擊敗了所有的RISC處理器，同時AMD也逐漸陷入低迷，使得英特爾的x86成為了主導者。而在GPU領域起步較晚的英偉達，在上世紀90年代就已經淘汰了大多數競爭對手。而突然之間，就只剩ATI(現已被AMD收購)仍然在市場上存在。它只占英偉達之前市場份額的一半。

在較新的移動領域，似乎也是類似的壟斷故事：ARM統治著市場，英特爾曾用Atom處理器嘗試與之競爭，但在遭遇多次失敗后，在2015年最終選擇了放棄。就這樣，一切都與以往不同了，AMD重新成為了x86的競爭對手;針對大數據等專門任務的現場可編程門陣列(FPGA)的出現創造了一個新的利基市場。但實際上，隨著人工智能(AI)和機器學習(ML)的出現，芯片世界的巨大轉變也隨之而來。隨著這些新興技術的出現，大量的新處理器已經到來。并且，它們都來自于不太可能的來源。

英特爾在2016年收購了初創公司Nervana Systems，進入了AI芯片市場，隨后它又收購了另一家公司Movidius，目的是開發圖像處理AI;

微軟正在為其HoloLens VR/AR頭戴設備開發人工智能芯片，而且有可能在其它設備中使用;

谷歌針對神經網絡開發了一種特殊的人工智能芯片——“張量處理單元(TPU)”，該處理器可用于谷歌云平臺上的人工智能應用;

亞馬遜正在為其Alexa家庭助理開發人工智能芯片;

蘋果正在研發一款名為“神經引擎(Neural Engine)”的人工智能處理器，該處理器將為Siri和FaceID提供動力;

ARM公司最近推出了兩款新處理器——ARM機器學習(ML)處理器和ARM物體檢測(OD)處理器，這兩者都專注于圖像識別;

IBM正在開發專門的人工智能處理器，該公司還從英偉達那里獲得了NVLink的授權，用于專門針對人工智能和機器學習的高速數據傳輸;

即使是特斯拉這樣的非傳統科技公司也想要進入這個領域，其首席執行官埃隆馬斯克(Elon Musk)去年承認，前AMD和蘋果芯片工程師Jim Keller將在特斯拉負責硬件制造，這些還沒有將初創公司計算在內。《紐約時報》指出，據不完全統計，專注于人工智能的芯片創業公司(不是單純的軟件公司或芯片公司)已經達到了45家，并且仍在繼續增長。

為什么在多年的芯片制造停滯之后，硬件突然出現了爆炸式的增長?畢竟，人們已經達成共識，英偉達的GPU對人工智能來講非常優秀，而且已經被廣泛使用，為什么我們現在需要更多的芯片，并且是更多不同的芯片?

答案有些復雜，就像人工智能本身一樣。

投資導向和技術發展的影響

Intersect360 Research公司CEO Addison Snell說，盡管x86目前仍是計算領域的主流芯片架構，但對于像人工智能這樣高度專業化的任務來說，它太普通了，該公司的主要業務是HPC(高性能計算)和人工智能。“人們希望AI成為一個通用的服務器平臺，因此，它必須在所有事情上都做得很好”他說，“在其他芯片的基礎上，各個公司正在開發專門針對某一應用的產品，而操作系統和基礎設施的任務仍然留給x86來做。”

處理人工智能實際任務的過程與標準計算或GPU處理是非常不同的，因此需要專門針對人工智能的芯片，x86 CPU可以完成人工智能任務，而實際只需要3個步驟的任務，它在執行時需要經過12個步驟，在某些情況下，GPU也可能把任務變得過于繁雜。

一般而言，科學計算是以確定性的方式完成的，比如你想知道2加3等于5，并計算到所有小數部分——x86和GPU可以做得很好。但是人工智能的本質是，通過長期的觀察得出2.5加3.5等于6，而不需要真正去計算，如今人工智能的關鍵是從數據中發現的模式，而不是確定性的計算。

從更簡單的角度來說，人工智能和機器學習的定義是，它們利用過去的經驗并加以改進。比如，著名的AlphaGo就通過模擬大量的圍棋比賽改進技術。另一個我們熟悉的例子就是Facebook的面部識別AI，經過多年的訓練，它可以精確地標記你的照片(Facebook最近幾年進行了三次重大的面部識別收購：2012年收購Face.com、2016年收購Masquerade，2016收購Faciometrics)。

一旦用人工智能開展學習，就不需要重新學習了。這是機器學習的標志(人工智能更大定義的一個子集)。從本質上講，機器學習(ML)是一種使用算法來解析數據、從中學習、然后根據這些數據做出判斷或預測的實踐。這是一種模式識別的機制——機器學習軟件記住2加3等于5，所以整個人工智能系統可以使用這些信息。

再比如說，自動駕駛汽車的AI，并不是通過確定的事物來判斷周圍物體的活動路徑，它通過以往的經驗，表示曾經有一輛車，按照這樣的方式行駛。因此，系統能夠預測到特定類型的動態。

延伸閱讀

推薦閱讀

猜您喜歡