Graphcore开发了一种用于人工智能和机器学习的处理器架构

近日，博世和宝马分别通过各自的风险投资部门对Graphcore进行了投资。该公司总部位于英国布里斯托尔，开发了一种用于人工智能和机器学习的处理器架构。

在目前的D轮融资中，这家英国公司总共筹集了3亿多美元的新资本，其中2亿美元来自宝马和博世，这使得Graphcore的估值达到了17亿美元。除了这两家来自汽车价值链的公司，微软也参与投资了这家初创公司。

Graphcore是一家成立于2016年的芯片制造商，它开发了一款创新的处理器——智能处理器(IPU)，以及相应的人工智能和机器智能软件。该处理器是专门为机器智能训练和推理而设计的。

据该公司介绍，它的速度是传统硬件的10到100倍。芯片的量产目前正在进行中，Graphcore的技术预示着人工智能在云计算和边缘计算方面的范式转变。

Robert Bosch Venture Capital GmbH (RBVC)投资合伙人、Graphcore董事会成员蒋洪泉解释道:“高效的IPU技术可以显著改善基于人工智能的产品，比如自动驾驶汽车或安全系统。”

博世已经在2016年的A轮融资中对Graphcore进行了投资。2017年11月，红杉资本又参与投资5000万美元，这对Graphcore至关重要。作为投资谷歌、苹果和WhatsApp的风险投资公司，红杉资本董事会对欧洲初创企业极其挑剔。

宝马和微软则是首次跻身战略投资者之列。戴尔和三星电子也在战略投资者之列。随着新资本的注入，Graphcore现在计划提高产量，招聘新员工，并在中国大陆和***开设新办公室。

Graphcore由半导体行业资深人士首席执行官奈杰尔•图恩(Nigel Toon)和首席技术官西蒙•诺尔斯(Simon Knowles)共同创立。图恩和诺尔斯之前曾参与过Altera（全球第二大FPGA厂商，被Intel以167亿美元价格收购）、Element14和Icera（英伟达以3.67亿美元现金收购）等公司，这些公司最终都以较高的估值退出。

图恩认为，这次他们能够，也将比以往任何时候都更能“扰乱”半导体行业，打破英伟达在图形深度学习计算领域近乎垄断的局面。

英伟达凭借其GPU芯片在人工智能领域占据主导地位，而且还在不断发展。这一领域的玩家越来越多，但图恩认为，只有英伟达拥有清晰、连贯的战略和有效的市场产品，还有谷歌的TPU，但图恩声称，Graphcore拥有领先优势，并有极好的机会利用其IPU(智能处理器单元)芯片打造一个新的帝国。

这要回到一些基本的产业逻辑。机器学习和人工智能是发展最快、最具颠覆性的技术。机器学习是当今人工智能的核心，它基于适当的算法(模型)和数据(训练集)的组合，是非常有效的模式匹配。有些人把AI称为极限，本质上是矩阵乘法。

尽管这种简化主义值得怀疑，但事实仍然是，机器学习很大程度上是关于大规模高效数据操作的。这就是GPU如此擅长机器学习的原因。他们的体系结构最初是为图形绘制而开发的，事实证明它对于数据操作也非常有效。

然而相比于GPU，Graphcore所做的是一个全新的架构。这就是为什么图恩认为他们比其他竞争对手更有优势的原因，图恩认为其他厂商仅仅是选择增加了一些特别的模块、和渐进的改进路线。

目前，大多数行业主要使用GPU或其他一些改进的大规模并行处理器进行机器学习(ML)和人工智能(AI)应用。然而，这些CPU和GPU的架构通常不是为ML和AI应用程序设计的。

图恩指出，与GPU竞争，必须是要有效地构建专门的芯片(asic)，这些芯片非常擅长对数据进行某些特定的数学运算，并针对特定的工作负载进行优化。

以自动驾驶汽车为例，一辆你今天能买到的量产汽车，只要配备摄像头和雷达，每30秒就能产生大约6G的数据。随着传感器的增加，激光雷达的配置，既需要巨大的计算能力，也意味着巨大的电力需求。

在图恩看来，在不久的将来，自动驾驶系统的功耗将成为汽车制造商的一个苦恼的问题。而IPU被图恩描述为可以改变整个机器学习市场的游戏规则。它还可以减少自动驾驶汽车的系统功耗，并且可以让工程师开发更便宜、更可靠的系统。

但与大多数AI芯片瞄准的所谓类脑芯片方向不同，诺尔斯认为，大多数神经形态学计算项目都提倡通过像大脑这样的电脉冲来进行通信。但跟着大脑走并不是一个好主意。他认为计算机架构师应该一直努力学习大脑是如何计算的，但不应该努力在硅上复制它。

当被问及摩尔定律的局限性时，图恩指出，我们已经远远超出了任何人的想象，我们还有10到20年的进步空间。但是，他同时表示，现在已经达到了一些基本的极限。

图恩认为，我们已经达到了可以在这些芯片上使用的最低电压。因此，我们可以增加更多的晶体管，但我们不能让它们跑得更快。比如，笔记本电脑芯片仍然运行在2Ghz，只是多了一些内核。但我们现在需要数千个内核来进行机器学习。我们需要一个不同的架构过程，以不同的方式设计芯片。“旧的做法已经行不通。”

Graphcore的IPU是一种通用的机器智能处理器，专门为机器智能设计。架构的优点之一是，它适用于许多今天的机器学习方法，如CNNs，但它也高度优化了不同的机器学习方法，如强化学习和未来的方法。

图恩认为，IPU架构使他们有信心能够超越GPU——它结合了大量的并行性，每个IPU有超过1000个独立的处理器核和芯片内存，因此整个模型可以在芯片上保存。

但在实践中，IPU与英伟达的GPU相比较是什么结果？最近发布的一些机器学习基准测试，结果显示英伟达的表现优于Graphcore。当被问及对此的看法时，图恩说，他们意识到了这一点，但目前专注于优化特定客户的应用程序和工作负载。

但他仍然认为，机器学习的数据结构是不同的，因为它们是高维和复杂的模型。这意味着要以不同的方式处理数据。图恩指出，GPU非常强大，但在处理某些特定数据结构方面不一定高效。“我们有机会为这些数据结构创建一些速度快10到100倍的芯片”。

然而，在这个市场竞争中，速度和性能并不是成功的全部。正如传统汽车芯片领域，并非谁的产品性能在某些方面突出就一定占据市场主流。

同样，英伟达的成功并不仅仅是因为它的GPU功能强大，和竞争对手的区别，很大一部分在于软件层。GPU可以使开发人员能够从硬件细节中抽象出来并专注于优化机器学习算法、参数和过程的库，这才是英伟达成功的关键部分。

英伟达不断改进这些库，最新的RAPIDS库承诺与CPU相比，数据分析和机器学习的速度将提高50倍。相比之下，Graphcore处于什么位置？图恩承认，未来软件非常重要，并补充说，除了构建世界上最复杂的硅处理器，Graphcore还构建了第一个专门为机器智能设计的软件工具链。

Graphcore目前销售的产品是PCIe卡（C2 IPU-Processor Cards），这种卡可以直接插入服务器中，每个卡包含两个IPU处理器。目前，Graphcore正以渠道合作伙伴的身份与戴尔合作，为企业客户和云客户提供戴尔服务器平台。

据图恩介绍，明年的产品将更加广泛，包括数据中心、云计算和一些需要大量计算的边缘应用程序，比如自动驾驶汽车。

正如宝马i Ventures首席执行官托拜厄斯•雅恩在一份声明中表示的:“Graphcore的IPU支持多种高效的机器学习技术，它的多功能性非常适合各种应用，从智能语音助手到自动驾驶汽车。Graphcore的IPU可以灵活地在数据中心和车辆上使用相同的处理器，这也为减少开发时间和复杂性提供了可能性。”

更为关键是的，对于像宝马、博世这样的自动驾驶行业领头羊来说，尽管此前都已经与英伟达合作多年，并还共同参与了多个联盟。但对于汽车制造商和零部件厂商来说，芯片作为未来的自动驾驶核心，必须做好更多的预防准备。

这种预防既有为供应链稳定提供后备，同时也有利于汽车制造商定制自己的芯片以匹配不同的自动驾驶系统。正如特斯拉先后用过Mobileye（因为无法植入自己的算法而放弃）、英伟达（目前在用，但属于通用GPU芯片），最后也被迫自主研发适合AutoPilot的芯片，甚至在某些性能上超出了英伟达的水平。

这似乎也应证了Graphcore认为自己可以超过英伟达的判断。

但对于像Graphcore这样的期望颠覆未来人工智能芯片格局的初创公司来说，无论在硬件层面还是软件层面，实现其承诺都将是一场艰苦的硬仗。而这场竞赛无疑是为了尝试不同的想法和架构，看看什么最适合AI技术和开发人员。