211service.com
Race to Power AI's Silicon Brains
Maddie Edgar
Nigel Toon, medstifter og administrerende direktør for Graphcore, en halvleder-startup baseret i Storbritannien, minder om, at for kun et par år siden så mange venturekapitalister ideen om at investere i halvlederchips som noget spøg. Man ville tage en idé med til et møde, siger han, og mange af partnerne rullede rundt på gulvet og grinede. Nu får nogle chip-iværksættere en helt anden modtagelse. I stedet for at rulle på gulvet ruller investorerne deres checkhæfter ud.
Venturekapitalister har god grund til at være på vagt over for silicium, selvom det gav Silicon Valley sit navn. Halvlederchips koster langt mere at udvikle end software, og indtil for nylig har der ikke været plads til radikale innovationer til at skelne mellem nye versioner. Selvom de overlever, ender unge virksomheder ofte med fortjenstmargener, der er tyndere end de siliciumskiver, deres chips er lavet af. Kæmpe etablerede virksomheder som Intel og Nvidia er formidable konkurrenter med dyb branchekendskab og endnu dybere lommer.
Det, der har ændret sig, er en voksende tro blandt nogle investorer på, at kunstig intelligens kan være en unik mulighed for at skabe betydelige nye halvledervirksomheder. Venturekapitalister har investeret 113 millioner dollars i AI-fokuserede chip-startups i år - næsten tre gange så meget som i hele 2015, ifølge data fra PitchBook, en tjeneste, der sporer private virksomhedstransaktioner.
Relateret historie
Relateret historie Graphcore har været en af modtagerne af dette skift og har for nylig tilføjet 50 millioner dollars i finansiering fra Sequoia Capital, et førende Silicon Valley-venturefirma. En række andre chip-startups, herunder Mythic, Wave Computing og Cerebras i USA og DeePhi Tech og Cambricon i Kina, udvikler også nye chips skræddersyet til AI-applikationer. Cambricon, en af de mest fremtrædende kinesiske startups på området, har rejst 100 millioner dollars i en indledende finansiering ledet af en kinesisk regeringsfond.
Lige siden fremkomsten af mainframen har fremskridt inden for computerhardware udløst innovationer inden for software. Disse har til gengæld inspireret til efterfølgende forbedringer af hardware. AI er det seneste twist i denne digitale cyklus. Virksomheder i mange brancher har investeret massivt i hardware til at køre deep-learning-systemer (se 10 Breakthrough Technologies 2013: Deep Learning). Men efterhånden som disse bliver mere sofistikerede, afslører de begrænsningerne af eksisterende chips, der bruges til AI-arbejde.
Mange af disse processorer kommer fra Nvidia, hvis grafikchips er meget brugt til at drive spil og grafisk produktion. Processorerne har tusindvis af små computere, der arbejder parallelt for at gengive pixels. Med nogle tweaks er de blevet tilpasset til at køre deep-learning algoritmer, som også involverer et meget stort antal parallelle beregninger (se Nvidia CEO: Software Is Eating the World, but AI Is Going to Eat Software).
Selvom de er blevet bredt udbredt, har grafikchips nogle ulemper. En af de største er, at når et stort antal af dem arbejder parallelt, optager de en masse energi. Carnegie Mellon University, et førende AI-forskningscenter, har endda været nødt til at bede forskere der om at skrue ned for deres brug af chipsene midlertidigt, fordi de belastede universitetets strømsystem. Franz Franchetti, professor ved CMU, siger, at universitetet kigger på alternative strømkilder for at afhjælpe problemet.
AI-chipstarterne planlægger at producere mere strømeffektive processorer. Men det, der virkelig giver dem energi, er deres tro på, at skræddersyede processorer til AI-applikationer kan slå mindre specialiserede chips ved en bred vifte af maskinlæringsopgaver. Den nye generation af chips kombinerer flere behandlingsfunktioner i et enkelt trin, hvorimod grafikprocessorer tager flere trin for at opnå det samme resultat. Funktionerne er typisk bundtet for at optimere specifikke use cases, såsom træningsalgoritmer til at hjælpe en autonom bil med at se potentielle forhindringer forude.
Relateret historie
Relateret historie Jensen Huang forudser, at sundhedspleje og biler vil blive transformeret af kunstig intelligens.Graphcore hævder, at i foreløbige tests er dets nye intelligensbehandlingsenhed, som sendes til tidlige kunder i første kvartal af næste år, mellem 10 og 100 gange hurtigere end nuværende hardware til sådanne opgaver. Kinas Cambricon vinder allerede ros for sine processorer. Huawei, en Cambricon-kunde, regner med, at for deep learning-applikationer som træningsalgoritmer til at identificere billeder, er opstartschips seks gange hurtigere end at køre den samme funktion på en grafikprocessor.
Forskere er begejstrede over udsigten til et betydeligt spring fremad inden for computerkraft til AI. Der er stadig en stor kløft mellem, hvor vi er, og hvad vi gerne vil gøre, siger Andrew Davison, professor ved Imperial College i Storbritannien, der fokuserer på robotteknologi og computersyn. Davison mener, at innovationerne bragt på markedet af chipstartups vil fremskynde fremskridt på områder som hans eget.
Sådanne reaktioner er opmuntrende, men de garanterer ikke sejr. Store chipvirksomheder afslører allerede deres egne lavet til AI-chips for at konkurrere med nystartede virksomheders tilbud. Intel, for eksempel, annoncerede for nylig planer om at frigive en ny familie af processorer designet med Nervana Systems, en startup, som det købte sidste år. Nvidia bevæger sig også hurtigt for at opgradere mulighederne for sine egne chips.
Startups står over for en anden udfordring. Mange af dem designer hardware til at understøtte højt specialiserede AI-applikationer. Men det kan tage år at få en chip på markedet. I betragtning af den hastighed, hvormed AI udvikler sig, er der en reel risiko for, at når deres produkter er bredt tilgængelige, vil de anvendelser, som de er designet til, ikke længere være i fokus.
Shahin Farshchi fra Lux Capital, som investerede i Nervana og har en andel i Mythic, drager en parallel med startups, der bygger processorer til trådløse 4G-applikationer i midten af 2000'erne. Mange af disse endte med at fejle, fordi de optimerede til applikationer, der ikke blev mainstream. Der kommer til at ske en shakeout igen for chipselskaber, der er meget snævert fokuserede, siger han.
Men hvis unge virksomheder bygger chips, der spænder over et for bredt sæt af anvendelsesområder, vil de sandsynligvis ofre præstationsniveauer. Og det kan gøre dem sårbare over for konkurrence fra Nvidia, Intel og andre. Nogle kan blive købt af chipgiganterne. Men hvis mange ender med at fejle, vil venturekapitalister begynde at rulle deres checkhæfter op igen.