深度學習或?qū)⒁I(lǐng)半導體行業(yè)變革

機器學習就是在巨量數(shù)據(jù)上執(zhí)行某類復雜運算，并且效率越來越來高，成功的案例也越來越多?，F(xiàn)在，機器學習已經(jīng)從一個相對晦澀的計算機科學概念快速發(fā)展成了一種可靠的方法，并且已經(jīng)被應用在了從人臉識別技術(shù)到自動駕駛汽車等各種應用中。

機器學習可以應用于每一種企業(yè)職能，并且會影響到經(jīng)濟體中每個部分的公司。所以無怪乎資金正在大量涌入這一行業(yè)。麥肯錫公司的一項調(diào)查表明：在 2013 年到 2016 年之間，對人工智能（AI）開發(fā)的總投資額增長了 2 倍，達到了 200 億到 300 億美元。其中大多數(shù)都來自科技巨頭。這些公司預計機器學習及其衍生的其它 AI 模型將成為它們未來客戶發(fā)展的關(guān)鍵，就像現(xiàn)在的移動性和網(wǎng)絡化一樣。

機器學習技術(shù)為何如此吸引人？因為機器學習和其它形式的 AI 技術(shù)可以在很多領(lǐng)域得到廣泛的應用，同時仍然還能產(chǎn)出顯著的利益。Gartner 預計到 2020 年，AI 技術(shù)將會在新的業(yè)務軟件中實現(xiàn)普及，并且將成為 30% 的 CIO 的前五大投資優(yōu)先選擇之一。

事實上，這一市場的主要發(fā)展推動力來自那些已經(jīng)站穩(wěn)腳跟的公司，它們可以將它們的進展應用到其它領(lǐng)域，比如：

• 英偉達已經(jīng)成為了 GPU 領(lǐng)域的主導者，而 GPU 正是機器學習訓練階段的最主要平臺。到目前為止，大多數(shù)已經(jīng)實現(xiàn)的機器學習開發(fā)成果都基于 GPU。

• 英特爾已經(jīng)推出的 Nervana 神經(jīng)處理器（Neural Processor），這是一種低延遲、高內(nèi)存帶寬的芯片，據(jù)說是專為深度學習設計打造的。（英特爾在 2016 年收購了 Nervana。）

• 谷歌的張量處理單元（TPU/Tensor Processing Unit）已經(jīng)占據(jù)了機器學習加速器的部分市場。其第二個版本是 Cloud TPU，這是一種更加高性能的 TPU 集群。Cloud TPU 是為機器學習的訓練階段設計的，可與英偉達的 GPU 平臺競爭；而谷歌第一個版本的 TPU 則是該公司為了在自己的服務器上加速語音轉(zhuǎn)文本應用的推理而開發(fā)的一款 ASIC。

機器學習分為兩個階段：訓練階段和推理階段。其中大部分開發(fā)工作都集中在第一個階段：訓練階段。這篇文章主要限于數(shù)據(jù)中心和云計算方面，而且這本身就是一個巨大的市場。Linley Group 的首席分析師 Linley Gwennap 預計數(shù)據(jù)中心方向的 AI 加速器市場將在 2022 年達到 120 億美元。

Gwennap 說：“在接下來的一兩年時間里，我們將開始看到將會出現(xiàn)遠遠更多針對數(shù)據(jù)中心和其它設備的選擇。所以世界各地的谷歌和 Facebook 這樣的公司所面臨的問題是：‘我應該繼續(xù)設計自己的芯片嗎？或者，如果我能從公開市場獲得同樣好的芯片，我還應該自己設計嗎？’”

機器學習的第二個階段是推理，基本上就是將學習階段應用于特定應用和細分市場。也就是算法被投入實際應用的階段，而人們預計這方面的發(fā)展機會甚至還更大。因此，VC 支持的創(chuàng)業(yè)公司正在大量涌現(xiàn)，但其中只有很少一些已經(jīng)推出了或演示過任何產(chǎn)品；當然，已有的公司也在這一領(lǐng)域大力推進。

ARM 的研究員 Jem Davies 說：“推理和訓練是相當不同的。推理是做各種古怪的事情（比如分揀黃瓜）或有用的事情的階段。這個階段離用戶更近，所以你能看到各種‘有趣的’用例。但也有在手機中執(zhí)行文本預測（這始于 25 年前）以及人臉檢測和識別的應用?！?/p>

推理也是輔助駕駛和自動駕駛的重要組成部分，其中傳感器收集到的數(shù)據(jù)需要基于機器學習進行預處理。

Cadence 的 Tensilica DSP 組的產(chǎn)品營銷總監(jiān) Pulin Desai 說：“推理需要在邊緣進行。在汽車中，你可能會有 20 個圖像傳感器，另外還有雷達和激光雷達（LiDAR），以便提供 360 度的視野。但如果你將一個圖像傳感器放在汽車上，它可能就有 180 度的視野了。那就會需要畸變校正，這是一種圖像處理。”

訓練和推理之間的一個關(guān)鍵差異是訓練是以浮點形式完成的，而推理則使用定點形式。DSP 和 FPGA 都是定點形式。

Flex Logix 的 CEO Geoffrey Tate 說：“我們不再只使用 x86 處理器解算所有任務或為特定的負載對硬件進行優(yōu)化。大多數(shù)計算都要在數(shù)據(jù)中心外完成，所以 FPGA 等器件的作用將不得不改變——盡管隨著音頻和視頻的支持需求擴大，你可能仍將看到傳統(tǒng)架構(gòu)與新架構(gòu)的混合使用。我將這全部都看作是加速器?！?/p>

在機器學習領(lǐng)域，F(xiàn)PGA 和 eFPGA 玩家正爭先恐后要在推理市場分一杯羹。Linley 估計，在 2022 年總共將會有 17 億臺機器學習客戶端設備。

Achronix 總裁兼 CEO Robert Blake 說：“GPU 在機器學習的學習階段已經(jīng)得到了很大的重視。但推理方面的市場會更大，而這些產(chǎn)品的關(guān)鍵因素將會是成本和功耗。因此，嵌入式解決方案將會成為這些領(lǐng)域的矚目焦點?！?/p>

ARM 的 Davies 同意這個觀點。他說功率預算保持在 2W 到 3W的范圍內(nèi)，而電池技術(shù)的發(fā)展一直以來都相對平穩(wěn)。鋰電池的改進幅度一直都在每年 4% 到 6% 的范圍內(nèi)?？紤]到所有這些情況，計算性能將會需要幾個數(shù)量級的增長。

那將需要不同的架構(gòu)，還要理解應該在哪里完成哪些處理。

Rambus 的杰出發(fā)明家 Steven Woo 說：“我們看到有各種各樣的 AI、神經(jīng)網(wǎng)絡芯片和內(nèi)核。在更高層面上看，它們是將信息融合在一起。這方面有很多探索正在進行。你可以看到，現(xiàn)在有很多公司在尋找主要市場，以便圍繞其構(gòu)建基礎設施。你可以看到手機的數(shù)量達到了數(shù)十億。這些都在驅(qū)動新的封裝基礎設施發(fā)展。你可以看到汽車領(lǐng)域背后有很多資金支持。物聯(lián)網(wǎng)（IoT）的潛力也很明顯，但難在尋找共同點。而在神經(jīng)網(wǎng)絡和機器學習方面，似乎每周都有新算法出現(xiàn)，這使得我們難以開發(fā)出單個一個架構(gòu)。這就是人們對 FPGA 和 DSP 的興趣如此之大的原因?！?/p> 定義機器學習

公司交替地使用機器學習、深度學習、人工智能和神經(jīng)網(wǎng)絡這些術(shù)語并沒有什么幫助。盡管這些術(shù)語的差別很微妙，但共有的思想是：使用足夠多的實時數(shù)據(jù)，計算機可以給多種不同的場景加權(quán)，并根據(jù)這些預定義的權(quán)重響應給出最好的選擇。這個加權(quán)過程是訓練和推理過程的一部分，對機器學習而言至關(guān)重要。

深度學習是機器學習的一種——具有更多的層，這些層執(zhí)行著不同類型的分析，并最終能得到更加完整的解決方案，但完成深度學習訓練也需要更多計算資源。這兩者往往都涉及到神經(jīng)網(wǎng)絡，即圍繞信息節(jié)點創(chuàng)建網(wǎng)狀的連接，這種連接有一點類似于人腦中細胞之間的網(wǎng)狀連接。人工智能則是一個涵蓋性術(shù)語，很多人對此都有不同的看法：從 IBM 的 Watson 到電影《2001 太空漫游》中的 HAL。但主要是指無需明確編程就能自己學習不同行為的設備或程序。

在以客戶為中心的應用中，機器學習已經(jīng)非常常見，其中包括預測銷量、尋找客戶流失的跡象、通過交互式語音響應或聊天機器人提供客戶服務、谷歌翻譯那樣的消費者應用等等。

Facebook 使用了三種深度學習應用來過濾上傳的內(nèi)容，比如：一種用于識別上傳的圖片中的人臉并進行標注，一種用于檢查帖子中的仇恨言論或其它客觀內(nèi)容，一種用于定向廣告。

英偉達首席科學家兼研究部門高級副總裁 Bill Dally 說：“讓我驚訝的是深度學習革命的速度是如此之快。在過去三年中，各種應用幾乎在一夜之間就完成了從傳統(tǒng)方法向深度學習方法的轉(zhuǎn)變。這不需要在軟件上進行大量投入；你找到應用，再訓練網(wǎng)絡，然后就完成了。這在一些領(lǐng)域里已經(jīng)得到了普及，但對于每一個已經(jīng)轉(zhuǎn)向神經(jīng)網(wǎng)絡的應用，還可能還會有多次轉(zhuǎn)變。”

據(jù)麥肯錫的研究：盡管科技行業(yè)內(nèi)已經(jīng)采用 AI 實現(xiàn)或改進了其它服務或增加了新服務給客戶，但在科技行業(yè)之外，對 AI 技術(shù)的采用還大都是實驗性的。在受調(diào)查的 3000 家公司中，僅有 20% 表示它們在業(yè)務中的重要部分使用了與 AI 相關(guān)的技術(shù)。麥肯錫調(diào)查了 160 種 AI 用例，發(fā)現(xiàn)其中僅有 12% 實現(xiàn)了 AI 的商業(yè)部署。

換個角度看，也就是說有 88% 的公司仍然還沒有實現(xiàn) AI 的商業(yè)部署，所以其中還有巨大的機會。谷歌和百度等科技巨頭則相反，它們在 2016 年中投入了 200 億到 300 億美元，其中 90% 投入了研發(fā)，10% 用于收購。

據(jù)西門子旗下 Mentor 的傳感器融合部門首席工程師 Nizar Sallem 說，深度學習可能不僅在客戶服務和分析上表現(xiàn)優(yōu)良，而且也是用于自動駕駛汽車所需的即時感知、決策和控制的主要候選系統(tǒng)。

Sallem 說：“機器學習最重要的應用是基于交通規(guī)則和汽車當時所在位置的預期理解汽車周圍的環(huán)境、道路上不同的行為者和背景。它必須確定你的行為應該會怎樣，還要確定什么時候允許你打破規(guī)則以避開危險或保護汽車中的人類?！?/p> 市場預測

不管 AI 技術(shù)可能將會有多么能干，它目前仍還處于起步發(fā)展階段。據(jù) Tractica 的一份報告，主要的服務提供商還仍然是已有的科技公司，最賺錢的還仍然是面向消費者的服務。其中包括谷歌的語音轉(zhuǎn)文本和翻譯服務以及來自亞馬遜、Facebook、百度等公司的消費者交互/客戶服務應用。這份報告估計 2016 年 AI 驅(qū)動的消費者服務價值 19 億美元，并將在 2017 年年底增長至 27 億美元。

圖 1：不同 AI 技術(shù)的收入情況，來自 Tractica

Tractica 估計 AI 的整個市場（包括硬件、軟件和服務）將會在 2025 年增長至 421 億美元。

圖 2：AI 在不同方面（軟件、服務、硬件）的收入情況，來自 Tractica

機器學習即服務（MLaaS）是一個不同的類別——亞馬遜、IBM 和微軟占據(jù)了其中 73%。據(jù) Transparency Market Research（TMR）在今年 4 月份的一份報告稱，這個市場將從 2016 年的 10.7 億美元增長至 2025 年的 199 億美元。

據(jù) Tractica 稱，目前大多數(shù)使用了機器學習的服務都是面向消費者的——這個類別中包括谷歌的翻譯和語音轉(zhuǎn)文本應用，這些應用為其客戶級 TPU 提供了概念證明。

深度學習的出現(xiàn)也凸顯出了半導體行業(yè)與其最大的客戶之間的日益復雜的關(guān)系——尤其是谷歌等超大規(guī)模數(shù)據(jù)中心的所有者，這些公司的規(guī)模非常大，足以開發(fā)設計它們自己的服務器和芯片。

多年以來，芯片公司一直都在開發(fā)或定制滿足特定的云客戶的需求的芯片。以英特爾為例，它為微軟開發(fā)了 FPGA 深度學習加速器，還為阿里巴巴的云客戶開發(fā)了基于 FPGA 的應用加速器。英特爾還邀請了 Facebook 來幫助設計英特爾推出的 Nervana 神經(jīng)處理器的封裝以及即將到來的用于深度學習的 “Lake Crest” ASIC。

谷歌已經(jīng)宣布了其它芯片，比如新聞報道的該公司為其 Pixel 2 手機開發(fā)了一款機器學習協(xié)處理器，這也是其第一款移動芯片。谷歌也已經(jīng)開發(fā)出了 Titan，這是一款連接到服務器的微控制器，可以確保服務器在板上出現(xiàn)故障、損壞或感染了惡意軟件時不會啟動。

谷歌在解釋其對第一款 TPU 的投資時說 TPU 可以“為機器學習在單位功耗下的性能帶來一個數(shù)量級的優(yōu)化”并能將谷歌的機器學習應用向前推進大概七年時間。第一款 TPU 的設計目的只是加速運行機器學習模型的推理的普通服務器，而不是為了一開始的模型訓練。因此，它們不會與英偉達或英特爾的機器學習訓練產(chǎn)品直接競爭。

當谷歌在 5 月份宣布了 Cloud TPU 時，聽起來似乎就將與英特爾和英偉達的產(chǎn)品進行更加直接的競爭了。

谷歌描述說，每個 Cloud TPU 都有 180 teraflops 的浮點運算性能，將 4 個 TPU 封裝成一個 TPU Pod 可以實現(xiàn)總共 11.5 petaflops 的性能。這種配置似乎是為了與英偉達備受關(guān)注的 DGX-1 “超級計算機”競爭而設計的。DGX-1 包含 8 個頂級的 Tesla V100 芯片，并聲稱總體最高吞吐量達 1 petaFLOP。

Dally 說：“谷歌和其它一些公司沒使用加速或只使用 TPU 取得了一些早期的成功，但有些網(wǎng)絡是很容易訓練的；標準的圖像搜索就很簡單。但對于需要處理越來越多信號的訓練（處理圖像和視頻流）以及對于每周都要重新訓練網(wǎng)絡的人或重點關(guān)注訓練過程的人，GPU 要高效得多。”

據(jù) Cadence 的 IP 組的前 CTO Chris Rowen 說，問題是來自谷歌的一款新處理器是否足以奪走其它公司的客戶，答案可能是“不能”。任何云提供商都必須支持不止一種架構(gòu)，所以使用了深度學習的數(shù)據(jù)中心將會是 CPU、GPU、ASIC、FPGA 和各種技術(shù)的 IP 的混合。Rowen 現(xiàn)已創(chuàng)立了 Cognite Ventures 公司，為神經(jīng)網(wǎng)絡、物聯(lián)網(wǎng)和自主式嵌入式系統(tǒng)領(lǐng)域的創(chuàng)業(yè)公司提供資金和建議。

Rowen 說，某些訓練負載也可以轉(zhuǎn)移，從而讓客戶端設備也能具備數(shù)十億個推理引擎。在這一領(lǐng)域，很多公司肯定都有機會；但是對于在數(shù)據(jù)中心服務器上進行的機器學習訓練，新進入的公司很難取代已經(jīng)站穩(wěn)腳跟的玩家。

圖 3：認知計算的演進，來自 Cognite Ventures

Rowen 說：“我們希望有所選擇，理由很充分，但選擇也非常多，而且英特爾、高通和其它公司也都在關(guān)注。不能因為你有一個用于智能手機的神經(jīng)網(wǎng)絡，就假設你的生產(chǎn)制造能超越三星，這種假設可不好?！?/p>