從計算的早期開始，人們就一直認為人工智能有朝一日會改變這個世界。幾十年來，我們已經看到無數流行文化參考和未來主義思想家所描述的未來，但技術本身仍然難以捉摸。增量進步主要歸功于邊緣學術界和消費性企業研究部門。

335 >

這一切都在五年前發生了變化。隨著現代深度學習的出現，我們已經看到了這項技術在行動中的真實一瞥：計算機開始看到，聽到和談論。人工智能第一次感覺有形，觸手可及。

今天的人工智能開發主要圍繞深度學習算法，如卷積網絡，循環網絡，生成對抗網絡，強化學習，膠囊網等。所有這些都有一個共同點，就是它們需要大量的計算能力。為了在推廣這種智能方面取得實際進展，我們需要徹底檢查為這項技術提供動力的計算系統。

2009年發現gpu作為計算設備通常被視為一個關鍵時刻，幫助引發了圍繞深度學習的寒武紀爆發。從那時起，對并行計算架構的投資爆炸式增長。谷歌tpu(tensor processing unit)的興奮就是一個很好的例子，但tpu才剛剛開始。cb insights的發言人告訴我的團隊，僅在2017年，新的專用ai芯片初創公司就籌集了15億美元。這太驚人了。

我們已經看到新的創業公司進入現場，挑戰英特爾，amd，nvidia，微軟，高通，谷歌和ibm等老牌企業。像graphcore，nervana，cerebras，groq，vathys，cambricon，sambanova systems和wave computing等新興公司正在成為為深度學習的未來鋪平道路的新星。雖然這些創業公司肯定資金充足，但這些都是早期的，我們還沒有看到誰將成為贏家，以及將來會有什么樣的老衛兵。

nvidia將gpu作為人工智能和深度學習的替代品引入主流。該公司計算從消費者游戲領導者轉變為ai芯片公司的過程非常出色。就像其對volta的30億美元投資以及像cuda / cudnn這樣的深度學習軟件庫的推動，它將其從領先地位推向市場主導地位。去年，它的股票走到了盡頭，首席執行官jensen huang被“財富”雜志評為年度最佳商人，并因此獲得了“新英特爾”的美譽。

但是雖然nvidia在外觀上可能看起來完全不同，但它仍然只是制造了幾十年來制作的相同顯卡。但gpu作為ai技術的未來尚不確定。批評者認為，gpu已經擠滿了20年的不適用于深度學習。gpu是通用設備，可支持各種應用，包括從物理模擬到電影渲染的所有應用。我們不要忘記，2009年在深度學習中首次使用gpu基本上是一種黑客行為。

攻擊芯片市場的公司正在證明ai將在專用芯片上更快地執行光照。最有可能的候選者是asic(專用集成電路)，它可以高度優化以執行特定任務。

如果您認為芯片是從通用到專用的發展，那么頻譜包括一方面的cpu，中間的gpu和fpga，另一方面包括asic。

cpu在執行高度復雜的操作方面非常有效 - 基本上與支持深度學習訓練和推理的特定數學類型相反。新進入者正在押注asic，因為它們可以在芯片級設計，以處理大量簡單的任務。該板可以專用于一組窄函數 - 在這種情況下，稀疏矩陣乘法，具有高度并行性。即使是設計為可編程且因此稍微更加通用化的fpga，其隱含的多功能性也受到阻礙。

專用ai芯片的性能提升是顯而易見的。那么這對更廣泛的技術領域意味著什么呢?

相對于cpu而言，gpu已經沒有商品化了，而且我們看到ai芯片投資的大量涌入，gpu最終將被更專業的東西取代。考慮到nvidia的存在，英特爾的x86 cpu技術過于普遍化，無法滿足對圖形密集型應用不斷增長的需求，這里有一點諷刺。這一次，英特爾和nvidia都不會袖手旁觀，讓創業公司吞噬這個新市場。機會太大了。

可能的情況是，我們會看到nvidia和英特爾繼續大力投資volta和nervana(以及他們的繼任者)。由于互操作性問題，amd一直在苦苦掙扎(參見下面的軟件部分)，但很可能會很快提出可用的東西。微軟和谷歌正在與brainwave和tpu以及許多其他項目合作。然后是所有創業公司。這份名單似乎每周增長，你很難找到一個風險投資基金，該基金沒有對至少一個參與者進行過相當大的賭注。

芯片領域的另一個問題是邊緣計算，其中推理是直接在設備上計算的，而不是云內環境或公司數據中心。模型可以直接部署在邊緣，以滿足低延遲要求(移動)或對低功耗，間歇連接設備(嵌入式，物聯網)進行預測。最近有幾個關于基于邊緣的ai加速器的公告，例如google的edge tpu。

芯片領域的任何新人面臨的最大挑戰可能不是硬件 - 它是軟件。nvidia憑借cuda / cudnn在市場上占有一席之地，cuda / cudnn是軟件庫，構成了位于芯片頂部的必要抽象層，使tensorflow和pytorch等框架無需編寫復雜的低級指令即可運行。如果沒有這些高級庫，通常很難從代碼的角度來定位芯片。

問題是，cuda和cudnn不是開源的。它們是專有包，只能在nvidia硬件上運行。在開發人員可以利用asic之前，提供商需要首先找到一種新方法，使框架可以輕松訪問其芯片。如果沒有這一點，開發人員將不會采用重要的(如果有的話) - 開發人員只會堅持使用nvidia，因為它可行。需要有一個等同于cuda / cudnn的開源或需要移植到特定asic的框架，就像google對tpu和tensorflow所做的那樣。沒有明顯的解決方案，這是一個巨大的障礙。

至少在短期內，我們會看到過多的芯片，一些直接相互競爭，另一些則專注于培訓和推理的特定方面。這對行業意味著開發人員會有很多選擇。與大規模商品化的cpu市場不同，該行業看起來正朝著更加多樣化，異構化和特定應用的未來發展。

雖然我們不知道具體結果是什么，但有一點是肯定的：人工智能的未來在于專用asic而不是商品硬件。

以上是網絡信息轉載，信息真實性自行斟酌。