阿尔法公社
重度帮助创业者的天使投资基金
━━━━━━
阿尔法公社说：算力是人工智能行业发展的重要动力，英伟达因为GPU在人工智能计算中的重要作用而中兴，但仍有很多类型的人工智能计算是GPU不擅长的，这就需要专门的AI芯片进行计算。国内已有AI芯片公司寒武纪上市，华为、阿里等巨头也推出自己的AI芯片，而Graphcore则是一家英国AI芯片独角兽，我们来看它的故事。以布里斯托市A38路旁的喷泉池为起始点，你需要花用不到0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。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DavidMay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记者，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SimonKnowles的工程师从剑桥大学毕业后，在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0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Element14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，分别在年和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，又继续在年另起炉灶，与另一位天才半导体工程师NigelToon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00年1月9日宣布完成.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7.7亿美元，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，在年获得了超过8万美元投资后的Graphcore，又接连在年与00年分别获得亿与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00年拿出了相对引人注目的作品——推出第二代IPU-M芯片，该芯片搭载在一个名为IPUMachineplatform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。”GraphcoreCEONigelToon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、V，甚至是近期发布的“最强产品”A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。”一位算法工程师向记者指出，GPU之所以快，是因为它天生就能并行处理任务。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回复了记者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
