出品｜虎嗅科技組
作者｜宇多田
頭圖｜視覺中國
以布裡斯託市A38路旁的噴泉池為起始點，你需要花用不到20分鐘時間，就可以騎自行車“衝”出這座英國西南部城市的CBD，進入幾乎只有成排英式平房、灌木叢和河道的郊外。
沒錯，即便布裡斯託（Bristol）是名副其實的英國西南部中心，但從城市規模來看，但它依然被很多中國留學生起了一個非常清新脫俗的名字——“布村”。（ “除了倫敦，其他都是村兒”。）
然而，如今接觸芯片產業後，我們才恍然發現，這座古老的英國小城，竟然藏著英國最強大的半導體產業集群之一。
圖為英偉達在布裡斯託的研發中心。2011年收購英國半導體公司 Icera 後，英偉達便在布裡斯託紮根，並在這裡投資上千萬英鎊建立新工廠和實驗室
1972年，硅谷大名鼎鼎的仙童半導體（英特爾、AMD的創始人們都是從這家公司出來的）為進入歐洲市場做出了一個重要決策——在布裡斯託設立一個辦事處。自此，便打開了這座英國西部小城面向半導體產業的全球視野。
而6年後，誕生於布裡斯託，並在80年代佔據全球SRAM市場60%份額的微處理器公司Inmos，接受了卡拉漢政府與撒切爾政府高達2億英鎊的投資，才終於創造出以布裡斯託核心的英國半導體基礎設施與生態系統，召集了大批像XMOS 半導體創始人、英國著名計算機科學家David May這樣的半導體超級精英。
“其實布裡斯託一直都是英國的IT重鎮。它與周圍的斯溫頓、格洛斯特組成一個三角地帶，被稱為歐洲的‘硅谷’。半導體公司如果在歐洲設立研發中心，布裡斯託通常是首選。譬如英偉達、惠普、博通、高通等世界級巨頭都在布裡斯託設有辦事處。”
一位瞭解歐洲半導體產業的從業者告訴虎嗅，很多人因為ARM對劍橋印象深刻，但從歷史來看，實際上布裡斯託才是英國的芯片設計中心。
“華為也在布裡斯託也有研發中心。”
就像上世紀50年代，8位天才“叛徒”離開仙童半導體創立英特爾、AMD、泰瑞達等公司，才成就瞭如今的硅谷一樣，布裡斯託才華橫溢的工程師們也不甘於停留在“過去”——在摩爾定律失效爭議進入高潮，人工智能、計算結構發生異變的“臨界點”上，沒有人不渴望能夠成為那個改變時代的領導者。
一位名叫 Simon Knowles 的工程師從劍橋大學畢業後，在1989年第一次踏上布裡斯託的土地，接受了存儲器企業Inmos的一份芯片設計工作。
在此後近20年裡，從Inmos內部一個專用處理器團隊的領導者，再到兩家半導體企業Element 14與 Icera的創始人之一，Knowles幾乎見證了摩爾定律達到巔峰和走向衰落的全過程。而幸運的是，Knowles參與創立的這兩家總估值超過10億美元的公司，分別在2000年和2011年被博通和英偉達收購。
沒有任何意外，這位天才半導體設計師與連續創業者，又繼續在2016年另起爐灶，與另一位天才半導體工程師Nigel Toon創立了一家新的半導體設計公司，主動迎擊人工智能市場需求觸發的芯片架構創新機會。
沒錯，這家公司就是剛在2020年12月29日宣佈完成2.22億融資（這筆融資也讓公司的資產負債表上擁有4.4億美元現金），估值已高達27.7億美元，被外媒稱為英偉達最大對手之一的人工智能加速處理器設計商Graphcore。
需要注意，它也是目前西方AI芯片領域唯一的獨角獸。
圖片為Graphcore的IPU處理器
西方私募與風投對待半導體這種項目一直非常謹慎，因為它們資金高度密集且無法預估前期投資回報。正如Knowles在一次採訪時承認：“與能夠小規模嘗試、不成功再換一個坑的軟件產業相比，如果一枚芯片設計失敗，除了花光所有錢，公司幾乎無路可選。”
因此，直到2018年以後，隨著人工智能商業化的可能性被持續鼓吹和放大，投資者們才確定可以從“人工智能大規模運算驅動芯片結構變革”的趨勢中看到回報前景。
於是，在2017年獲得了超過8000萬美元投資後的Graphcore，又接連在2018年與2020年分別獲得2億與1.5億美元風險投資。
需要注意的是，除了博世、三星從A輪就開始參投，紅杉資本是Graphcore的C輪領投方，而微軟與寶馬i風投則成為其D輪融資領投方；
而E輪融資的主要參與者，則是非產業基金——加拿大安大略省教師養老金計劃委員會領投，富達國際與施羅德集團也加入了這輪融資。
你可以從投資方看出，Graphcore的產業投資方基本分為三個產業方向——雲計算（數據中心）、移動設備（手機）與汽車（自動駕駛）。沒錯，這是三個最早被人工智能技術“入侵”的產業。
圖片來自Crunchbase
工業界們似乎越來越達成這樣一個共識，未來需要有一家像ARM主導移動設備時代一樣的底層創新企業，除了有希望賣出上億塊芯片的同時，也能推動人工智能與各個產業的深度整合，最終觸達到上百億普通消費者。
從產品的角度來看，Graphcore 在2020年拿出了相對引人注目的作品——推出第二代 IPU-M2000芯片，該芯片搭載在一個名為IPU Machine platform的計算平臺上。另外，其芯片配套的軟件棧工具Poplar也有同步更新。
“教計算機如何學習，與教計算機做數學題，是完全不同的兩件事。提升一臺機器的‘理解力’，底層驅動注重的是效率，而不是速度。” Graphcore CEO Nigel Toon 將新一代AI芯片的開發工作視為一個“千載難逢的機會”。
“任何公司能做到這一點，都能分享對未來幾十年人工智能技術創新和商業化的決定權。”
切中英偉達的“軟肋”
沒有一家AI芯片設計公司不想幹掉市值高達3394億美元的英偉達。或者說，沒有一家公司不想做出比GPU更好的人工智能加速器產品。
因此，近5年來，大大小小的芯片設計公司都傾向於在PPT上，用英偉達的T4、V100，甚至是近期發佈的“最強產品”A100與自己的企業級芯片產品做比較，證明自己的處理器擁有更好的運算效率。
Graphcore也沒有例外。
他們同樣認為，由於上一代的微處理器——譬如中央處理器（CPU）和圖形處理單元（GPU）並不是為人工智能相關工作而專門設計，工業界需要一種全新的芯片架構，來迎合全新的數據處理方式。
當然，這樣的說法並不是利益相關者們的單純臆想。
我們無法忽視來自學術界與產業界對GPU越來越多的雜音——隨著人工智能算法訓練與推理模型多樣性的迅速增加，在誕生之初並不是為了人工智能而設計的GPU暴露出了自己“不擅長”的領域。
“如果你做的只是深度學習裡的卷積神經網絡（CNN），那麼GPU是一個很好的解決方案，但網絡已經越‘長’越複雜，GPU已經難以滿足AI開發者們越來越大的胃口。”
一位算法工程師向虎嗅指出，GPU之所以快，是因為它天生就能並行處理任務（GPU的釋義和特點可以看《幹掉英偉達》這篇文章）。如果數據存在“順序”，無法並行，那麼還得用回CPU。
“很多時候既然硬件是固定的，我們會想辦法從軟件層，把存在順序的數據，變為並行的數據。譬如語言模型中，文字是連續的，靠一種‘導師驅動’的訓練模式就可以轉換為並行訓練。
但肯定不是所有模型都可以這麼做，譬如深度學習中的‘強化學習’不太適合用GPU，而且也很難找到並行方式。”
由此來看，學術圈不少人甚至喊出“GPU阻礙了人工智能的創新”這句話，並不是聳人聽聞。
深度學習的4個發展脈絡，製圖：宇多田
“深度學習”，這個近10年來機器學習領域發展最快的一個分支，其神經網絡模型發展之快、類型之廣，只靠GPU這塊硬件的“一己之力”是很難追上其複雜運算腳步的。
Graphcore 回覆了虎嗅一份更為詳盡的答案。他們認為，對於深度學習中除去CNNs的另外幾個分支，特別是循環神經網絡（RNN）與強化學習（RL），讓很多開發者的研究領域受到了限制。
譬如，用強化學習做出了阿爾法狗的英國AI公司 Deepmind，很早就因為GPU的計算侷限問題而關注Graphcore，其創始人Demis Hassabis最後成為了Graphcore的投資人。
“很多企業產品部門的開發者把需求（特別是延時和吞吐量的數據指標）交給算力平臺部門時，他們通常會拒絕說 ‘GPU 目前不夠支持這麼低的延時和這麼高的吞吐量’。
主要原因就在於，GPU的架構更適用於‘靜態圖像分類與識別’等擁有高稠密數據量的計算機視覺（CV）任務，但對數據稀疏的模型訓練並不是最好的選擇。
而跟文字相關的“自然語言處理”（NLP）等領域的算法，一方面數據沒那麼多（稀疏），另一方面，這類算法在訓練過程中需要多次傳遞數據，並迅速給出階段性反饋，以便為下一步訓練提供一個便於理解上下文的語境。”
換句話說，這是一個數據在持續流動和循環的訓練過程。
轉載請超鏈接註明：頭條資訊 » 西方唯一AI芯片獨角獸，單挑英偉達
免責聲明
：非本網註明原創的信息，皆為程序自動獲取互聯網，目的在於傳遞更多信息，並不代表本網贊同其觀點和對其真實性負責；如此頁面有侵犯到您的權益，請給站長發送郵件，並提供相關證明(版權證明、身份證正反面、侵權鏈接)，站長將在收到郵件24小時內刪除。