211service.com
The Race to Power AI:s Silicon Brains
Maddie Edgar
Nigel Toon, medgrundare och VD för Graphcore, en halvledarstartup baserad i Storbritannien, minns att för bara ett par år sedan såg många riskkapitalister tanken på att investera i halvledarchips som ett skämt. Du skulle ta med dig en idé till ett möte, säger han, och många av partnerna rullade omkring på golvet och skrattade. Nu får en del chipföretagare ett helt annat mottagande. Istället för att rulla på golvet rullar investerarna ut sina checkhäften.
Riskkapitalister har goda skäl att vara försiktiga med kisel, även om det gav Silicon Valley sitt namn. Halvledarchips kostar mycket mer att utveckla än mjukvara, och tills nyligen har det funnits lite utrymme för radikala innovationer för att särskilja nya versioner. Även om de överlever får unga företag ofta vinstmarginaler som är tunnare än de kiselskivor som deras chips är gjorda av. Gianta etablerade företag som Intel och Nvidia är formidabla konkurrenter med djup branschkunskap och ännu djupare fickor.
Vad som har förändrats är en växande tro bland vissa investerare att AI kan vara en unik möjlighet att skapa betydande nya halvledarföretag. Riskkapitalister har investerat 113 miljoner dollar i AI-fokuserade chipstarter i år – nästan tre gånger så mycket som under hela 2015, enligt data från PitchBook, en tjänst som spårar privata företagstransaktioner.
Relaterad berättelse
Relaterad berättelse Graphcore har varit en av förmånstagarna av detta skifte och lade nyligen till 50 miljoner dollar i finansiering från Sequoia Capital, ett ledande Silicon Valley-företag. Ett antal andra chipstartuper, inklusive Mythic, Wave Computing och Cerebras i USA och DeePhi Tech och Cambricon i Kina, utvecklar också nya chip som är skräddarsydda för AI-applikationer. Cambricon, en av de mest framstående kinesiska startups på området, har samlat in 100 miljoner dollar i en initial finansiering ledd av en kinesisk statlig fond.
Ända sedan tillkomsten av stordatorn har framsteg inom datorhårdvara utlöst innovationer inom mjukvara. Dessa har i sin tur inspirerat till efterföljande förbättringar av hårdvaran. AI är den senaste twisten i denna digitala cykel. Företag i många branscher har investerat mycket i hårdvara för att driva system för djupinlärning (se 10 Breakthrough Technologies 2013: Deep Learning ). Men när dessa blir mer sofistikerade, avslöjar de begränsningarna hos befintliga chip som används för AI-arbete.
Många av dessa processorer kommer från Nvidia, vars grafikkretsar används i stor utsträckning för att driva spel och grafisk produktion. Processorerna har tusentals små datorer som arbetar parallellt för att rendera pixlar. Med vissa justeringar har de anpassats för att köra algoritmer för djupinlärning, som också involverar ett mycket stort antal parallella beräkningar (se Nvidias VD: Software Is Eating the World, but AI Is Going to Eat Software ).
Även om de har antagits allmänt, har grafikchips vissa nackdelar. En av de största är att när ett stort antal av dem arbetar parallellt suger de upp mycket energi. Carnegie Mellon University, ett ledande AI-forskningscenter, har till och med varit tvungen att be forskare där att tillfälligt strypa deras användning av chipsen eftersom de belastade universitetets kraftsystem. Franz Franchetti, professor vid CMU, säger att universitetet tittar på alternativa kraftkällor för att lindra problemet.
AI-chipstarterna planerar att producera mer energieffektiva processorer. Men det som verkligen ger dem energi är deras övertygelse om att skräddarsydda processorer för AI-tillämpningar kan slå mindre specialiserade chips vid ett brett utbud av maskininlärningsuppgifter. Den nya generationen chips kombinerar flera bearbetningsfunktioner i ett enda steg, medan grafikprocessorer tar flera steg för att uppnå samma resultat. Funktionerna är vanligtvis paketerade för att optimera specifika användningsfall, såsom träningsalgoritmer för att hjälpa en autonom bil att upptäcka potentiella hinder framför sig.
Relaterad berättelse
Relaterad berättelse Jensen Huang förutspår att sjukvård och bilar kommer att förvandlas av artificiell intelligens.Graphcore hävdar att i preliminära tester är dess nya intelligensbearbetningsenhet, som kommer att skickas till tidiga kunder under första kvartalet nästa år, mellan 10 och 100 gånger snabbare än nuvarande hårdvara vid sådana uppgifter. Kinesiska Cambricon vinner redan beröm för sina processorer. Huawei, en Cambricon-kund, räknar med att för djupinlärningsapplikationer som träningsalgoritmer för att identifiera bilder är startupens chips sex gånger snabbare än att köra samma funktion på en grafikprocessor.
Forskare är entusiastiska över utsikterna till ett betydande steg framåt när det gäller datorkraft för AI. Det finns fortfarande ett stort gap mellan var vi är och vad vi skulle vilja göra, säger Andrew Davison, professor vid Imperial College i Storbritannien som fokuserar på robotik och datorseende. Davison tror att innovationerna som lanserats av chipstartuperna kommer att påskynda framstegen inom områden som hans egna.
Sådana reaktioner är uppmuntrande, men de garanterar inte seger. Stora chipföretag avslöjar redan sina egna gjorda för AI-chips för att konkurrera med nystartade företags erbjudanden. Intel, till exempel, tillkännagav nyligen planer på att släppa en ny familj av processorer designade med Nervana Systems, en startup som det förvärvade förra året. Nvidia går också snabbt för att uppgradera kapaciteten hos sina egna chips.
Nystartade företag står inför en annan utmaning. Många av dem designar hårdvara för att stödja högspecialiserade AI-applikationer. Men det kan ta år att få ut ett chip på marknaden. Med tanke på den hastighet med vilken AI utvecklas, finns det en verklig risk att när deras produkter är allmänt tillgängliga kommer de användningsområden som de designades för inte längre att vara i fokus.
Shahin Farshchi från Lux Capital, som investerade i Nervana och har en andel i Mythic, drar en parallell med startups som byggde processorer för trådlösa 4G-applikationer i mitten av 2000-talet. Många av dessa misslyckades eftersom de optimerades för applikationer som inte blev vanliga. Det kommer att bli en shakeout igen för chipföretag som är väldigt snävt fokuserade, säger han.
Men om unga företag bygger chips som spänner över ett för stort antal användningsområden, kommer de sannolikt att offra prestationsnivåer. Och det kan göra dem sårbara för konkurrens från Nvidia, Intel och andra. Vissa kan bli köpta av chipjättarna. Men om många misslyckas kommer riskkapitalister att börja rulla ihop sina checkhäften igen.