出品｜虎嗅科技组
作者｜宇多田
头图｜视觉中国
以布里斯托市A38路旁的喷泉池为起始点，你需要花用不到20分钟时间，就可以骑自行车“冲”出这座英国西南部城市的CBD，进入几乎只有成排英式平房、灌木丛和河道的郊外。
没错，即便布里斯托（Bristol）是名副其实的英国西南部中心，但从城市规模来看，但它依然被很多中国留学生起了一个非常清新脱俗的名字——“布村”。（ “除了伦敦，其他都是村儿”。）
然而，如今接触芯片产业后，我们才恍然发现，这座古老的英国小城，竟然藏着英国最强大的半导体产业集群之一。
图为英伟达在布里斯托的研发中心。2011年收购英国半导体公司 Icera 后，英伟达便在布里斯托扎根，并在这里投资上千万英镑建立新工厂和实验室
1972年，硅谷大名鼎鼎的仙童半导体（英特尔、AMD的创始人们都是从这家公司出来的）为进入欧洲市场做出了一个重要决策——在布里斯托设立一个办事处。自此，便打开了这座英国西部小城面向半导体产业的全球视野。
而6年后，诞生于布里斯托，并在80年代占据全球SRAM市场60%份额的微处理器公司Inmos，接受了卡拉汉政府与撒切尔政府高达2亿英镑的投资，才终于创造出以布里斯托核心的英国半导体基础设施与生态系统，召集了大批像XMOS 半导体创始人、英国著名计算机科学家David May这样的半导体超级精英。
“其实布里斯托一直都是英国的IT重镇。它与周围的斯温顿、格洛斯特组成一个三角地带，被称为欧洲的‘硅谷’。半导体公司如果在欧洲设立研发中心，布里斯托通常是首选。譬如英伟达、惠普、博通、高通等世界级巨头都在布里斯托设有办事处。”
一位了解欧洲半导体产业的从业者告诉虎嗅，很多人因为ARM对剑桥印象深刻，但从历史来看，实际上布里斯托才是英国的芯片设计中心。
“华为也在布里斯托也有研发中心。”
就像上世纪50年代，8位天才“叛徒”离开仙童半导体创立英特尔、AMD、泰瑞达等公司，才成就了如今的硅谷一样，布里斯托才华横溢的工程师们也不甘于停留在“过去”——在摩尔定律失效争议进入高潮，人工智能、计算结构发生异变的“临界点”上，没有人不渴望能够成为那个改变时代的领导者。
一位名叫 Simon Knowles 的工程师从剑桥大学毕业后，在1989年第一次踏上布里斯托的土地，接受了存储器企业Inmos的一份芯片设计工作。
在此后近20年里，从Inmos内部一个专用处理器团队的领导者，再到两家半导体企业Element 14与 Icera的创始人之一，Knowles几乎见证了摩尔定律达到巅峰和走向衰落的全过程。而幸运的是，Knowles参与创立的这两家总估值超过10亿美元的公司，分别在2000年和2011年被博通和英伟达收购。
没有任何意外，这位天才半导体设计师与连续创业者，又继续在2016年另起炉灶，与另一位天才半导体工程师Nigel Toon创立了一家新的半导体设计公司，主动迎击人工智能市场需求触发的芯片架构创新机会。
没错，这家公司就是刚在2020年12月29日宣布完成2.22亿融资（这笔融资也让公司的资产负债表上拥有4.4亿美元现金），估值已高达27.7亿美元，被外媒称为英伟达最大对手之一的人工智能加速处理器设计商Graphcore。
需要注意，它也是目前西方AI芯片领域唯一的独角兽。
图片为Graphcore的IPU处理器
西方私募与风投对待半导体这种项目一直非常谨慎，因为它们资金高度密集且无法预估前期投资回报。正如Knowles在一次采访时承认：“与能够小规模尝试、不成功再换一个坑的软件产业相比，如果一枚芯片设计失败，除了花光所有钱，公司几乎无路可选。”
因此，直到2018年以后，随着人工智能商业化的可能性被持续鼓吹和放大，投资者们才确定可以从“人工智能大规模运算驱动芯片结构变革”的趋势中看到回报前景。
于是，在2017年获得了超过8000万美元投资后的Graphcore，又接连在2018年与2020年分别获得2亿与1.5亿美元风险投资。
需要注意的是，除了博世、三星从A轮就开始参投，红杉资本是Graphcore的C轮领投方，而微软与宝马i风投则成为其D轮融资领投方；
而E轮融资的主要参与者，则是非产业基金——加拿大安大略省教师养老金计划委员会领投，富达国际与施罗德集团也加入了这轮融资。
你可以从投资方看出，Graphcore的产业投资方基本分为三个产业方向——云计算（数据中心）、移动设备（手机）与汽车（自动驾驶）。没错，这是三个最早被人工智能技术“入侵”的产业。
图片来自Crunchbase
工业界们似乎越来越达成这样一个共识，未来需要有一家像ARM主导移动设备时代一样的底层创新企业，除了有希望卖出上亿块芯片的同时，也能推动人工智能与各个产业的深度整合，最终触达到上百亿普通消费者。
从产品的角度来看，Graphcore 在2020年拿出了相对引人注目的作品——推出第二代 IPU-M2000芯片，该芯片搭载在一个名为IPU Machine platform的计算平台上。另外，其芯片配套的软件栈工具Poplar也有同步更新。
“教计算机如何学习，与教计算机做数学题，是完全不同的两件事。提升一台机器的‘理解力’，底层驱动注重的是效率，而不是速度。” Graphcore CEO Nigel Toon 将新一代AI芯片的开发工作视为一个“千载难逢的机会”。
“任何公司能做到这一点，都能分享对未来几十年人工智能技术创新和商业化的决定权。”
切中英伟达的“软肋”
没有一家AI芯片设计公司不想干掉市值高达3394亿美元的英伟达。或者说，没有一家公司不想做出比GPU更好的人工智能加速器产品。
因此，近5年来，大大小小的芯片设计公司都倾向于在PPT上，用英伟达的T4、V100，甚至是近期发布的“最强产品”A100与自己的企业级芯片产品做比较，证明自己的处理器拥有更好的运算效率。
Graphcore也没有例外。
他们同样认为，由于上一代的微处理器——譬如中央处理器（CPU）和图形处理单元（GPU）并不是为人工智能相关工作而专门设计，工业界需要一种全新的芯片架构，来迎合全新的数据处理方式。
当然，这样的说法并不是利益相关者们的单纯臆想。
我们无法忽视来自学术界与产业界对GPU越来越多的杂音——随着人工智能算法训练与推理模型多样性的迅速增加，在诞生之初并不是为了人工智能而设计的GPU暴露出了自己“不擅长”的领域。
“如果你做的只是深度学习里的卷积神经网络（CNN），那么GPU是一个很好的解决方案，但网络已经越‘长’越复杂，GPU已经难以满足AI开发者们越来越大的胃口。”
一位算法工程师向虎嗅指出，GPU之所以快，是因为它天生就能并行处理任务（GPU的释义和特点可以看《干掉英伟达》这篇文章）。如果数据存在“顺序”，无法并行，那么还得用回CPU。
“很多时候既然硬件是固定的，我们会想办法从软件层，把存在顺序的数据，变为并行的数据。譬如语言模型中，文字是连续的，靠一种‘导师驱动’的训练模式就可以转换为并行训练。
但肯定不是所有模型都可以这么做，譬如深度学习中的‘强化学习’不太适合用GPU，而且也很难找到并行方式。”
由此来看，学术圈不少人甚至喊出“GPU阻碍了人工智能的创新”这句话，并不是耸人听闻。
深度学习的4个发展脉络，制图：宇多田
“深度学习”，这个近10年来机器学习领域发展最快的一个分支，其神经网络模型发展之快、类型之广，只靠GPU这块硬件的“一己之力”是很难追上其复杂运算脚步的。
Graphcore 回复了虎嗅一份更为详尽的答案。他们认为，对于深度学习中除去CNNs的另外几个分支，特别是循环神经网络（RNN）与强化学习（RL），让很多开发者的研究领域受到了限制。
譬如，用强化学习做出了阿尔法狗的英国AI公司 Deepmind，很早就因为GPU的计算局限问题而关注Graphcore，其创始人Demis Hassabis最后成为了Graphcore的投资人。
“很多企业产品部门的开发者把需求（特别是延时和吞吐量的数据指标）交给算力平台部门时，他们通常会拒绝说 ‘GPU 目前不够支持这么低的延时和这么高的吞吐量’。
主要原因就在于，GPU的架构更适用于‘静态图像分类与识别’等拥有高稠密数据量的计算机视觉（CV）任务，但对数据稀疏的模型训练并不是最好的选择。
而跟文字相关的“自然语言处理”（NLP）等领域的算法，一方面数据没那么多（稀疏），另一方面，这类算法在训练过程中需要多次传递数据，并迅速给出阶段性反馈，以便为下一步训练提供一个便于理解上下文的语境。”
换句话说，这是一个数据在持续流动和循环的训练过程。
转载请超链接注明：头条资讯 » 西方唯一AI芯片独角兽，单挑英伟达
免责声明
：非本网注明原创的信息，皆为程序自动获取互联网，目的在于传递更多信息，并不代表本网赞同其观点和对其真实性负责；如此页面有侵犯到您的权益，请给站长发送邮件，并提供相关证明(版权证明、身份证正反面、侵权链接)，站长将在收到邮件24小时内删除。