胡薇 發表於 2018-06-20 16:33:58
作為AI和晶片兩大領域的交差點，AI晶片已經成了最熱門的投資領域，各種AI晶片如雨後春筍冒出來，但是AI晶片領域生存環境惡劣，能活下來的企業將是鳳毛麟角。
谷歌在I／O大會發布了其第三代TPU，並宣稱其性能比去年的TUP 2.0 提升8倍之多，達到每秒1000萬億次浮點計算，同時谷歌展示了其一系列基於TPU的AI應用。
可以說，AI已經成為科技行業除了區塊鏈之外最熱門的話題。AI晶片作為AI時代的基礎設施，也成為目前行業最熱門的領域。
可以看到，AI晶片已經成為資本追逐的最熱門領域，資本對半導體晶片的熱情被AI技術徹底點燃。在創業公司未真正打開市場的情況下，AI晶片初創企業已經誕生了不少的獨角獸，多筆融資已經超過億元。
AI技術的革新，其從計算構架到應用，都和傳統處理器與算法有巨大的差異，這給創業者和資本市場無限的遐想空間，這也是為什麼資本和人才對其趨之若鶩的原因。
首先我們來分析下目前對AI晶片的需求主要集中在哪些方面。
先來講講AI目前晶片大致的分類：從應用場景角度看，AI晶片主要有兩個方向，一個是在數據中心部署的雲端，一個是在消費者終端部署的終端。從功能角度看，AI晶片主要做兩個事情，一是Training（訓練），二是Inference（推理）。
目前AI晶片的大規模應用分別在雲端和終端。雲端的AI晶片同時做兩個事情：Training和Inference。Training即用大量標記過的數據來「訓練」相應的系統，使之可以適應特定的功能，比如給系統海量的「貓」的圖片，並告訴系統這個就是「貓」，之後系統就「知道」什麼是貓了；Inference即用訓練好的系統來完成任務，接上面的例子，就是你將一張圖給之前訓練過的系統，讓他得出這張圖是不是貓這樣的結論。
Training 和 Inference 在目前大多數的AI系統中，是相對獨立的過程，其對計算能力的要求也不盡相同。
Training需要極高的計算性能，需要較高的精度，需要能處理海量的數據，需要有一定的通用性，以便完成各種各樣的學習任務。
對於晶片廠家來說，誰有數據，誰贏！
Inference相對來說對性能的要求並不高，對精度要求也要更低，在特定的場景下，對通用性要求也低，能完成特定任務即可，但因為Inference的結果直接提供給終端用戶，所以更關注用戶體驗的方面的優化。
谷歌TensorFlow團隊：深度學習的未來，在單片機的身上
Pete Warden，是谷歌TensorFlow團隊成員，也是TensorFLow Mobile的負責人。
Pete 堅定地相信，未來的深度學習能夠在微型的、低功耗的晶片上自由地奔跑。
單片機 (MCU) ，有一天會成為深度學習最肥沃的土壤。
為什麼是單片機？單片機遍地都是
今年一年全球會有大約400億枚單片機 (MCU) 售出。MCU裡面有個小CPU，RAM只有幾kb的那種，但醫療設備、汽車設備、工業設備，還有消費級電子產品裡，都用得到。
這樣的計算機，需要的電量很小，價格也很便宜，大概不到50美分。
之所以得不到重視，是因為一般情況下，MCU都是用來取代 (如洗衣機裡、遙控器裡的) 那些老式的機電系統——控制機器用的邏輯沒有發生什麼變化。
CPU和傳感器不太耗電，傳輸耗錢、耗電！CPU和傳感器的功耗，基本可以降到微瓦級，比如高通的Glance視覺晶片。
相比之下，顯示器和無線電，就尤其耗電了。即便是WiFi和藍牙也至少要幾十毫瓦。
因為，數據傳輸需要的能量，似乎與傳輸距離成正比。CPU和傳感器只傳幾毫米，如果每個數據都需要端管雲這樣傳輸，每個算法都需要輸送到雲端進行處理，自然代價就要貴得多。
傳感器的數據很多，傳輸起來很費勁！傳感器能獲取的數據，比人們能用到的數據，多得多。例如：衛星的圖片數據很多，但是傳到地球很困難。
衛星或者宇宙飛船上的太空人可以用高清相機來拍高清視頻。但問題是，衛星的數據存儲量很小，傳輸帶寬也很有限，從地球上每小時只能下載到一點點數據。
地球上的很多傳感器也一樣，本地獲得很容易，但是傳輸到遠端的數據中心就需要很多的代價。
跟深度學習有什麼關係
如果傳感器的數據可以在本地運算，又不需要很多的代價和電力。
我們需要的是，能夠在單片機上運轉的，不需要很多電量的，依賴計算不依賴無線電，並且可以把那些本來要浪費掉的傳感器數據利用起來的。
這也是機器學習，特別是深度學習，需要跨越的鴻溝。
相比之下，神經網絡大部分的時間，都是用來把那些很大很大的矩陣乘到一起，翻來覆去用相同的數字，只是組合方式不同了。
這樣的運算，當然比從DRAM裡讀取大量的數值，要低碳得多。
需要的數據沒那麼多的話，就可以用SRAM這樣低功耗的設備來存儲。
如此說來，深度學習最適合MCU了，尤其是在8位元計算可以代替浮點運算的時候。
1、深度學習很低碳
那麼AI的計算，每次運算需要多少皮焦耳？
比如，MobileNetV2的圖像分類網絡最簡單的結構，大約要用2,200萬次運算。
如果，每次運算要5皮焦，每秒鐘一幀的話，這個網絡的功率就是110微瓦，用紐扣電池也能堅持近一年。
2、對傳感器也友好
最近幾年，人們用神經網絡來處理噪音信號，比如圖像、音頻、加速度計的數據等等。
如果可以在MCU上運行神經網絡，那麼更大量的傳感器數據就可以得到處理，而不是浪費。
那時，不管是語音交互，還是圖像識別功能，都會變得更加輕便。
Training將在很長一段時間裡集中在雲端，Inference的完成目前也主要集中在雲端，但隨著越來越多廠商的努力，很多的應用將逐漸轉移到終端。
目前的市場情況：雲端AI晶片市場已被巨頭瓜分殆盡，創業公司生存空間幾乎消失。
雲端AI晶片無論是從硬體還是軟體，已經被傳統巨頭控制，給新公司預留的空間極小。不客氣的說，大多數AI晶片公司、希望在雲端AI做文章的初創公司幾乎最後都得死。
數據越多，對應用場景越理解的公司，對算法、硬體的需求越清楚、越理解深入。
我們可以看到，晶片巨頭Nvidia（英偉達）已經牢牢佔據AI晶片榜首，由於CUDA開發平臺的普及，英偉達的GPU是目前應用最廣的通用AI硬體計算平臺。除了有實力自研晶片的企業（全世界也沒幾家），如果需要做AI相關的工作，必定需要用到Nvidia的晶片。Nvidia的晶片應用普遍，現在所有的AI軟體庫都支持使用CUDA加速，包括谷歌的Tensorflow，Facebook的Caffe，亞馬遜的MXNet等。
除了一騎絕塵的英偉達，其他老牌的晶片巨頭都沒閒著，特別是Intel通過買、買、買奮力的將自己擠到了頭部玩家的位置。微軟在最新的Build大會上公布了基於英特爾FPGA的 AI 方案，而英特爾的 FPGA 業務正是通過收購Altera獲得的。
除此之外，我們可以看到像Google這樣的網際網路廠商也亂入了前五。這當然要歸功於上面提到的TPU，雖然谷歌不直接售賣晶片，但是谷歌通過雲服務提供TPU的調用服務。谷歌很早就開源了Tensorflow軟體平臺，這使得Tensorflow成為最主流的機器學習軟體平臺，已經成了事實上行業的軟體平臺標準。而Tensorflow最佳的計算環境必定就是谷歌自己的雲服務了，通過軟體、硬體（或者說雲）環境的打通，谷歌妥妥的成為AI晶片領域的一方霸主。
現在業界爭論的焦點是AI晶片的處理器架構用哪種是最好的，有前面提及的有GPU、FPGA、DSP和ASIC，甚至還有更前沿的腦神經形態晶片。現在GPU可以認為是處於優勢地位，但其他幾種的處理器架構也各有優勢。Intel則是多方下注，不錯過任何一種處理器架構。谷歌在TPU（其實就是一種ASIC）方面的巨大投入帶來了硬體效能的極大提高，目前看來對GPU的衝擊將是最大的，原因不單單是因為專用架構帶來的效率優勢，還有商業模式方面帶來的成本優勢。在半導體行業內的普遍觀點是，一旦AI的算法相對穩定，ASIC肯定是最主流的晶片形態。看看挖礦晶片的進化歷程，這個觀點非常有說服力。
在雲端，網際網路巨頭已經成為了事實上的生態主導者，因為雲計算本來就是巨頭的戰場，現在所有開源AI框架也都是這些巨頭髮布的。在這樣一個生態已經固化的環境中，留給創業公司的空間實際已經消失。
打開APP閱讀更多精彩內容聲明：本文內容及配圖由入駐作者撰寫或者入駐合作網站授權轉載。文章觀點僅代表作者本人，不代表電子發燒友網立場。文章及其配圖僅供工程師學習之用，如有內容圖片侵權或者其他問題，請聯繫本站作侵刪。 侵權投訴