2017 ? AI晶元元年

2017年,AI晶元是半導體產業的亮點,而它受到的關注又遠遠超出半導體的圈子。這一年,從科技巨頭到初創公司,新老角色輪番登場,為我們上演了精彩好戲。若干年後,當我們再回頭來看,一定可以把2017年作為AI晶元元年。


Google vs Nvidia ? 巨頭間的「錯位戰爭」

四月初,Google公布了一篇即將在ISCA2017上發表的論文:「In-DatacenterPerformance Analysis of a Tensor Processing Unit」。可以說正是這件「小事」,揭開了一部年度大戲的序幕,而它產生的深遠影響甚至可能會持續到很多年之後。其實,在2016年6月的時候Google就透露了自己研發了一款在雲端使用的專用AI晶元,TPU(Tensor Processing Unit)。Google做AI晶元當然是吸引眼球的新聞,但苦於一直沒有公布細節,大家也只能猜測和等待。因此,這篇普通的學術論文,得到了媒體的極大關注。我也在第一時間寫了一篇評論文章:「Google TPU 揭秘」,也是我的公眾號閱讀量最大的文章之一。對TPU高度關注的當然不只我們這些吃瓜群眾,還有AI晶元領域絕對的統治者Nvidia。後面就發生了黃教主和Google間關於TPU的Benchmark結果是否合理的口水戰。而早在2016年Google透露TPU的時候,Nvidia就多次表示它對GPU在AI運算上的統治地位沒有什麼威脅。

5月11日,Nvidia GTC2017大會,黃教主在Keynote上拋出了最新的GPU Volta(GV100)。Nvidia股票應聲大漲,媒體也是大肆報道。AI晶元的焦點似乎又回到了Nvidia這一邊。

除了公布了重量級的Volta,GTC上還有一個「小事件」,Nvidia宣布開源它的DeepLearning Accelerator(DLA),9月正式公開。這個發布,在黃教主的Keynote中是一句話帶過,但在業界引起的震動卻一點也不小。「Nvidia為什麼要搞開源?會開源什麼東西?這個開源會不會影響眾多初創公司的前景?」對這些問題的討論一直延續到NVDLA真正開源之後。

沒過多久,5月17日,在Google I/O大會上,Google公布了第二代TPU,用媒體的話說「…stoleNvidia』s recent Volta GPU thunder…」。雖然TPU2的細節公布的並不多,但指標確實看起來很不錯,而且具有非常好的可擴展性。唯一的遺憾就是它並不對外銷售,只能以TPU Cloud的方式供大家使用。

9月下旬,Jeff Dean這位Google的軟體大神參加了HotChip這個晶元界的重要會議,並在Keynote 「Recent Advances in ArtificialIntelligence via Machine Learning and the Implications for Computer SystemDesign」也親自介紹了TPU和TPU2的情況,把它們作為新的計算生態中重要的一環。

9月底,NVDLA在承諾的最後期限之前開源了NVDLA的部分硬體代碼,同時公布了未來開源更多硬體和軟體的路線圖。這之後,大家對NVDLA也做了各種分析和討論,試圖把它玩起來。從目前來看,NVDLA的開源好像並沒有影響眾多初創公司的融資。這個話題我們後面再說。至於Nvidia開源DLA的原因,官方的說法是讓更多人可以更容易的實現Inference,促進AI的推廣,特別是在眾多嵌入式設備上的應用。但從整個開源的過程來看,這個開源的決定似乎是比較倉促的。DLA來自Nvidia自動駕駛SoC中的一個module,最初並不是以開源IP為目的而設計的。而且9月的開源也只公開了一部分硬體代碼和相應的驗證環境,離真正能用起來也還是有較大差距。我們不好判斷這個開源的決定是否和Google TPU(在Inference上有比較大的優勢)的強勢亮相有關係。但基本的推測是,在Deep Learning中Nvidia的核心利益應該在於Training(目前GPU還是training的最好平台)。讓Inference門檻更低,滲透到更多應用,特別是Edge端,從而進一步促進Training的需求,應該是符合它的最大利益的。而且NVDLA的軟體環境還是使用Nvidia的CUDA/TensorRT,還是由Nvidia掌控的。

這場從一篇論文開始,幾乎貫穿了2017年全年的Google和Nvidia的明爭暗鬥,對業界的影響可能要遠遠超過這兩家公司本身。我之所以把它稱為「錯位」的戰爭,是因為它發生在Google這樣的傳統的軟體巨頭和Nvidia這樣的晶元巨頭之間。如果換成Intel vs Nvidia,似乎是再正常不過的。Google的參戰,也許是開啟了新的時代。我們可以看到,不僅是TPU,Google在10月又公布了他們在「GooglePixel 2」手機中使用的定製SoC IPU(ImageProcessing Unit)。和Apple越來越多的自己定製晶元一樣,Google這樣的科技巨頭同樣有應用(明確知道自己要什麼),技術(對相關技術的多年積累),資源(不缺錢,不缺人)上的優勢,定製自己的硬體,甚至晶元會變得常態化。同時我們也看到,Google TPU的示範效應已經顯現,更多的科技巨頭加入AI加速硬體的競爭。Tesla宣布自己定製自動駕駛晶元;Amazon,Microsoft,以及國內的BAT,華為都在Cloud中提供專門的FPGA加速的支持;據稱Big Five中還有在自己開發晶元的;BAT也都在組建晶元設計的團隊,等等。雖然大家具體的架構和實現方式不同,但都反映出對AI專用硬體的極大興趣。相信未來這一趨勢會越來越明顯。

同時,傳統的晶元巨頭當然不會坐視這個巨大的市場被Nvidia主宰或者被Google們瓜分。Intel連續收購了Nervana(雲),Movidius(端),Mobileye(自動駕駛),Altera(FPGA),又把AMD的RajaKudori(GPU)招至帳下,甚至還搞了Loihi(nueromorphic),可以說拿了一手好牌;雖然動作沒有大家想像的那麼快,但後面的發力還是值得期待的。AMD也在努力追趕,畢竟他們的CPU+GPU有自己絕活,而整個公司也已經逐漸走出了低谷。而且,不管Tesla和AMD合作自動駕駛晶元的消息到底是真是假,晶元公司這種輸出晶元設計能力的模式也是一種不錯(或者無奈)的選擇。

「以Machine Learning為代表的新型計算模式將引領未來晶元的發展方向」,這一觀點基本已經是大家的一個共識。越來越多的玩家會關注能夠支持新型計算的晶元,其中很多可能之前完全不在半導體這個圈子,也完全不了解晶元是怎麼回事。2017年我們不時能看到一些對比CPU,GPU,FPGA和ASIC架構的科普文章,甚至有10W+的閱讀量,不難看出大家的熱情。


初創公司 ? 長長的list

2017的AI晶元大戲中,主角不僅是巨頭,初創公司也都粉墨登場,戲份一點兒都不遜色。更重要的,在初創公司的「表演」中,中國公司不僅毫不怯場,而且非常出彩。我從8月份開始在github上維護一個AI晶元的列表,既包括大公司的產品,又包括初創公司的情況。到12月,這個列表中的信息越來越多,世界範圍內的初創公司有30多家。而且這個列表還只包含了公開信息,還有很多公司處在stealth狀態並沒有收錄。我也聽到一個說法,在AI晶元領域的初創公司可能超過了100家,在TSMC排隊投片也有30家。

不管在什麼領域,初創公司都會面臨很多風險和不確定性,也可能在成長過程中不斷調整和變化。AI晶元當然也不例外。我們看到,在這一年中,很多公司在不斷成長,逐漸明確自己的方向和定位,走的越來越堅實。另一方面,從今年初創公司融資的情況來看,這個領域(也包括更大範圍的AI概念)也明顯出現一些泡沫。有些公司,在沒有任何實際東西的情況下,就可以實現「PPT融資」或者「Paper融資」。有些公司,重心放在了PR上面,功夫都是做給VC看的,人稱「2VC」公司。面對AI這個趨勢性機會,有泡沫當然也是正常現象,只是希望這些泡沫不要傷害整個市場的發展。

拋開各種煙霧和泡沫,我們逐漸在這個領域初創公司也看到一些「龍頭企業」。比如國內的寒武紀、地平線、深鑒科技和比特大陸,都在2017年發布了自己的產品;美國的Cerebras、Wave Computing、Graphcore和Groq(前GoogleTPU主要設計者創立),或有雄厚的實力,或有自己特色的技術和比較清晰的產品。在2017年,國內也出現一些依託應用開發晶元的AI初創公司,這些公司大多以應用牽頭研發晶元。我也預期在2018年會看到更多這樣的情況。當然,很多初創公司並沒有公開自己的信息,不排除正在憋大招的可能性。

熟悉半導體產業的朋友可能比較清楚,半導體領域初創公司獲得VC投資在之前是非常困難的。主要原因是這個產業風險大,門檻高,周期長。但2017年,AI晶元的初創企業卻受到了資金追捧。我們可以看看今年的一些公開的融資數據。寒武紀:1億美金(估值近10億美金);深鑒科技:4000萬美金;地平線:近億美金;;Cerabras:6000萬美金(估值8.6億美金);Graphcore:5000萬美金。在前面我也提到,當Nvidia宣布要開源DLA的時候,大家感覺會對初創公司的融資和估值有一定影響。但從結果來看,這種情況並沒有出現。在9月之後,我們又看到很多初創公司成功融資。而投資者的熱情似乎一點都沒有減弱,只要有一個新的公司出現,立刻會有很多投資機構蜂擁而至。

為什麼傳統上不願意碰半導體產業的投資者現在卻對AI晶元趨之若鶩呢?這是一個有趣的問題。具體的原因可能有很多方面,整個AI領域的投資熱潮應該是一個主要原因。如果觀察這些投資背後的資本,可以看到很多本身就是AI領域很活躍的投資者,甚至本身就是把AI作為未來重點的科技巨頭,比如BAT。而傳統的投資半導體領域的資金倒是比較謹慎一些。從這個角度來說,這些沒有太多半導體背景的資本大量進入晶元領域,是會給大家帶來新的機會和視野,還是帶來風險和不確定性,還是有待觀察的。另外,現在所說的AI晶元,一般是指Deep Learning加速晶元,相對來說,關鍵演算法簡單清晰,優化目標非常明確,很多技術(比如矩陣運算的硬體加速)已有多年的研究基礎。而對這種硬體加速器的驗證,測試和調試也相對容易。如果不進行精細的優化,硬體部分可以由一個較小團隊在較短時間完成。這些技術上的特徵比較適合初創公司快速嘗試。當然,做一個加速晶元(或者IP)的硬體只是第一步。要真正做出能被市場接受的產品,則需要很多紮實的工作,產品定義,硬體效能,軟體工具,系統測試,現場支持等等,一個短板也不能有。雖然大家都很關心投片的時間,但樣片出來之後,臟活累活還多著呢。


2018 ? 關注什麼

對於2018,我還是非常期待的。作為一名多年從事晶元架構設計多年的工程師,我首先期待看到一些技術上的創新。2017年我寫了不少分析AI晶元相關技術的文章,到年末幾乎有點審美疲勞了(相信讀者也是一樣),似乎新鮮東西越來越少。在2017年底,有一個叫Vathys的初創公司,一下子開了好幾個腦洞,全定製的Asynchronous Logic,等效的時鐘可以到12GHz(28nm工藝);High-densitySRAM(1T-SRAM),片上存儲容量可以達到1.5GB(28nm);Wireless 3D Stacking,10,000GBit/S @ ~8 fJ/bit。這幾項技術要麼是目前還停留在學術研究階段,要麼是曾經曇花一現。一個初創公司一下就祭出這幾個大招,又是這麼高的指標,真有可能實現嗎?所以,當Vathys的老闆發郵件說應該把他們公司加到我做的AI晶元List里的時候,我開始是婉拒的。不過,換一個角度來看,即使是他們完全在忽悠,也算是擊中了Deep Learning處理器的痛點。而且這幾項技術目前也都有人在研究,在AI的熱潮和巨大的資金支持下也許真能搞出來也說不定。所以,我還是希望看到他們或者是其它團隊能夠在這幾項技術上取得突破,讓我們真正激動一把。說到技術的突破,我們未來(可能要比2018年更遠)還可以期待看到在存儲技術上的突破,以及由新的存儲技術帶動的架構上的創新,包括Neuromorphic這條技術路線。

接下來,當然是巨頭們的下一步動作。Google的TPU是否會賣給自己之外的用戶,直接和Nvidia展開競爭?目前ONNX陣營已經形成和Google的對峙,Google作為生態最完整的廠商,推廣TPU對鞏固自己的領先地位很有意義。Big Five和BAT哪個會學習Google榜樣直接自研晶元?阿里達摩院的晶元研究會不會從AI開始?Intel能不能如大家所期待的全面爆發?Nvidia會如何應對來自各方的挑戰,是否會做更專用的加速晶元,而不是僅僅在GPU中加個Tensor Core?高通什麼時候在手機晶元中加上硬體加速器?ARM下一步會怎麼走,會不會橫掃嵌入端?。。。隨便想想就會有很多值得期待的看點。最近我們也看到,為了對抗Nvidia,AMD和Intel竟然很罕見的宣布合作。而IBM在Power9上和Nvidia深度合作。2018年也許我們還能看到業界巨頭間更多的合縱連橫。

初創公司的命運也是2018年最大的看點。我在之前的一篇文章中說過「對於AI晶元的startup來說,2018年就算不是畢業大考,也至少到了學期末考試了…」。2018年,大部分初創公司都將會交出第一次測驗的結果(晶元),也會開始小批量的試用。相信到時會有比較公平的Benchmarking結果出現,「理論上」的指標會被實際的「跑分」結果取代。雖然對於初創公司來說,犯錯誤是可以容忍的,第一代晶元也不能完全代表公司未來的前景。但是,做晶元需要巨大資源的持續支持,這個階段掉隊可能非常危險。當然,第一次的淘汰對於真正優秀的企業也是最好的機會。我非常期待看到能夠在考試中脫穎而出,並跨上新的台階(或者直接畢業)的同學;或者,會有我們不認識的面孔,突然驚艷出場。另外,2018年,在Edge端會有更多的傳統晶元廠商加入競爭,三星,高通,MTK,展訊等等;而在嵌入端IP上有絕對優勢的ARM應該也會有更大的動作,這些都可能會對初創公司產生重大影響。

最後,是變局的可能。從整體上來講,AI整體上在2018年會怎麼發展是一個大家都非常關注的問題。繼續高速增長,還是平穩發展,又或者會遇到問題高開低走?不管是哪種情況,AI晶元必然會受到大勢的影響。比較特殊的是,晶元研發的周期大約在9到18個月左右,這比軟體應用的開發和更新周期要長的多。再加上一些滯後效應,晶元的發展很難和演算法和應用的發展節奏同步。晶元開發中一個比較可怕的問題就是未來的不確定性。相對來說,一個可預期的平穩增長的環境是最有利於晶元研發的,可以讓晶元設計者能夠更好的規劃產品和協調資源。另一種變局情況是,演算法層面發生巨大的變化,也就是技術上的不確定性。這幾年最成功的AI演算法就是基於神經網路的深度學習。這正是目前AI晶元在需求上的基礎,也決定了現在大部分AI晶元都是以加速這一類演算法為目標的。如果基本演算法需求發生變化,會對AI晶元的設計產生很大的影響。比如,目前已經有一定應用基礎的低精度網路,也就是在inference中使用非常低的精度,甚至直接使用二值網路。如果這種Inference得到廣泛應用,現在的晶元架構則可能得要重新考慮。再比如,如果Hinton大神的capsule networks得到實用,也可能會需要新的晶元架構來支持。畢竟AI領域現在發展很快,所以大家也都必須要時刻盯著應用和演算法層面最新的進展。我們也要隨時問自己下面的問題(來自Jeff Dean在NIPS2017的演講)。


2017年馬上就要過去,在這幾年相對「平淡」的半導體領域,AI晶元讓我們小激動了一下。其實可聊的事情很多,以上文字基本上是想到哪寫到哪,也都是個人一點點感想,準確的地方,還請各位多多指正,多多包含。

祝各位讀者2018年萬事如意!更要祝各位奮戰在AI晶元第一線的各位同仁獲得成功!

T.S.

歡迎關注我的微信公眾號:StarryHeavensAbove

weixin.qq.com/r/qDmWjjX (二維碼自動識別)

題圖來自網路,版權歸原作者所有

推薦閱讀:

【教程】專知-PyTorch手把手深度學習教程系列完整版
人工智慧(AI)能幫助市場營銷做什麼,看了這篇行業白皮書你就知道了
NIPS結果 + 新學期
人工智慧(AI)應該是個什麼性格?
豐田機器人家族又添新貴:可穿戴機器人Welwalk!

TAG:人工智能 | 芯片集成电路 | 深度学习DeepLearning |