AI芯片创业公司们走到分岔口

导读：距离2016年左右的AI芯片创业热潮已经过去五年多，从团队组建，到芯片设计、再到产品落地，AI芯片公司们到了交出一份答卷的时间

距离2016年左右的AI芯片创业热潮已经过去五年多，从团队组建，到芯片设计、再到产品落地，AI芯片公司们到了交出一份答卷的时间。

Graphcore大中华区总裁兼全球首席营收官卢涛

Graphcore大中华区总裁兼全球首席营收官卢涛对雷峰网表示，“2022年AI芯片公司的竞争会更加激烈，因为不同的公司选择了不同的策略和路径，今年开始能看得更加清晰。”

实际上，从2020年开始，大部分AI芯片公司都开启了芯片的落地，然而由于AI芯片与传统芯片有明显的差别，芯片提供者与使用者之间的认知差异，加上疫情的影响，和全球蔓延的缺芯潮，AI芯片的落地和大规模使用面临重重挑战。

2021年，业界更加关注AI的部署，包括对机器学习框架的关注，支持的模型，以及集群的管理和调度管理。

想要成为AI芯片的佼佼者，有哪三个秘诀？

AI芯片公司面前的七个台阶

AI热潮催生了大量的芯片初创公司，初创公司要成功落地全新类型的AI芯片，挑战当前巨头，可以以攀登珠穆朗玛峰来比喻。

卢涛认为，如果今天的巨头在珠穆朗玛峰上，想要达到巨头的高度，需要攀登七个台阶。

第一个台阶是组建团队，第二个台阶是宣讲理念，第三个台阶是设计出芯片，第四个台阶是有芯片且能给客户送样品做测试，第五个台阶是有产品有落地，第六个台阶是有产品，有很多落地的，第七个台阶是有很大的市场份额。卢涛认为Graphcore处于第五到第六个台阶间。

处于这个阶段的公司，表明其已经解决了许多技术挑战。AI计算与传统的CPU有显著的差别，过去5-10年间，CPU的应用都十分明确，比如Web服务、数据库服务、存储服务等。但AI整体面向的应用有许多创新和研究，整体呈高度动态化。

在这样的情况下，AI芯片的落地更显艰难，步骤大致可以分为三个，首先，要用AI芯片的性能优势吸引客户，接下来客户会考虑软件移植的难度以及时间，在历经验证之后，才能实现大规模部署。

这个过程可以说是漫长而又挑战重重。其中一个非常大的挑战就是AI芯片提供者和使用者之间认知的差异。“从我们的角度而言，虽然这种认知的差异有所改善，但挑战仍然持续存在。”卢涛说，“比如，不少用户可能觉得我们的IPU性能表现好，并想能在不修改代码的情况下迁移到IPU，这就需要我们在软件和生态方面做大量的工作。”

AI软件和生态的建设，要求对某个具体的应用领域有比较完整的认知，实现整个业务端到端的配合，不仅仅是AI，还包括AI芯片与其它设备、系统的配合，运维管理等。

卢涛指出，“作为计算平台的提供者，要让最终用户把我们的平台用好，生态非常重要，生态建设能够降低用户的使用门槛。同时，垂直案例也非常重要，通过‘打样板’，能够显著加速在某一行业的应用。当然，加强与AI平台厂商的合作同样关键。AI领域有两种用户，一种是AI开发者，有了案例就可以做相应的开发，还有一种是AI平台型企业，他们可以把AI技术封装以提供给其他人员使用。”

对于有计算机背景的开发者或研究员，他们可以基于TensorFlow、PyTorch和百度飞桨等进行编程，如果不具备这个能力，就需要借助更高级的框架，比如Hugging Face来降低开发门槛，简化开发。这两者的开发难度有显著差别，如果用PyTorch实现一个业务，可能需要两百行代码，但采用Hugging Face，可能用50行代码就可以完成。

成为AI芯片领先者的三个关键

不难发现，想要实现AI芯片的大规模落地，减小AI芯片提供者和使用者之间的认知差是关键，这其中的关键又是软件和生态的建设。

但要成为AI芯片领域的领导者，卢涛认为有三个关键：预判+冒一点风险+一点运气。

“Graphcore在2016年成立时，只能追赶。对于新的领域，如果能提前预判，就可能在领域里具备领先性。”卢涛具体解释。

2016年，传统的机器视觉模型ResNet已经存在，这时候Graphcore需要追赶，作为追赶者需要做一些预判发现机会。2020年，Graphcore关注到了Transformer技术，这种技术本来是用于自然语言处理的底层技术，但业界出现了用Transformer做计算视觉的趋势，Graphcore率先开始支持。

到2021年下半年，一些基于Transformer的视觉模型，比如ViT成为了热门。由于有提前的预判，Graphcore对于新的基于Transformer的视觉模型以及GNN都有很好的支持，很多创新和前沿的模型比GPU支持得更好。

正是凭借着创新的IPU硬件和不断完善的Poplar软件生态，Graphcore在2021年有不少应用案例。在2021年下半年，安捷数科利用IPU进行气象预测、精准灌溉、防灾减灾。深势科技完成分子动力学模拟软件DeePMD-kit向IPU硬件的迁移，探索基于分子动力学模拟的科学计算、药物设计、材料设计和新型能源等场景。

在金融保险领域，牛津-英仕曼用IPU进行股价预测；Tractable与Graphcore达成合作，加速事故和灾害恢复。电信方面，Graphcore与韩国电信合作发布了IPU云。在城市环境可持续发展领域，升哲科技基于IPU进行城市相关可持续发展方面的应用。在医疗、生命科学领域，Graphcore与斯坦福大学医学院合作，使用IPU以“医疗+隐私计算”为核心方向进行了一些研究和探索。

但这些应用案例多为前沿技术和应用的探索，不是大规模的商业应用。对此卢涛表示，“商业领域内，我们有一些大规模应用的客户，他们更关注于自身业务给客户带来的价值，很少和技术厂商一同发布新闻。前沿的研究更加开放，研究者也希望结果能让更多人看到，自然会有更多可以分享的案例。”

他也同时透露，2022年，Graphcore会有一些和国内公有云厂商的IPU产品发布，也会有新的硬件产品的发布。Graphcore也会在一些相关的AI应用领域中会进一步加深合作，比如AI辅助科研、自动驾驶等是他们2022年在AI应用或垂直领域中比较重要的方向。

值得一提的是，Graphcore的IPU与CPU的硬件解耦，有助于IPU更好的拓展市场。比如在BERT训练中，Graphcore采用一台2颗CPU的服务器和64颗IPU，比例为1：32，在计算机视觉模型中的比例则基本为1：8。但如果是英伟达或者英特尔的系统，无论何种场景和模型，都会有一个固定的CPU和GPU比例，比如1：4或1：2。

写在最后

AI芯片的竞争最终依旧会演变为生态、商业的竞争。在AI芯片的早期阶段，虽然参与者众多，但各自都在团队组建和产品开发的阶段，AI芯片公司间并没有真正的竞争关系。随着AI芯片的发布，以及落地的推进，AI芯片公司之间的竞争才真正开始。

当越来越多的领域和客户开始关注AI的规模应用和落地时，自然会加剧AI芯片公司之间的竞争，这时候，已经不再单纯比拼硬件性能，软件和生态才更能打动最终用户。

2022年，我们将看到AI芯片公司间的竞争日趋激烈，我们也将慢慢看到AI芯片公司们真正的实力。雷峰网