自英特爾1971年推出全球第一個微處理器以來，計算能力一直以令人驚嘆的步伐發(fā)展演進著。根據(jù)摩爾定律，當前的計算機芯片比50年前的芯片在功能上強大數(shù)百萬倍。

盡管數(shù)十年來處理能力飛速增長，但直到現(xiàn)在，計算機芯片的基本體系結構仍然沒有太大改變。很大程度上說，芯片的創(chuàng)新，需要進一步縮小晶體管的體積，讓集成電路可以容納更多晶體管。數(shù)十年來，英特爾和AMD等廠商通過提高CPU性能而取得了長足的發(fā)展，被Clayton Christensen視為“持續(xù)的創(chuàng)新”。

今天，這種情況正在發(fā)生著巨大的變化。人工智能（AI）引發(fā)了半導體創(chuàng)新的“新黃金時代”——機器學習帶來獨特的市場需求和無限的機會，第一次激發(fā)了企業(yè)家們，去重新思考芯片架構的基本原則。

他們的目標，是設計一種專為AI設計的新型芯片，為下一代計算提供動力，這也是當前所有硬件領域最大的市場機遇之一。

新的計算范式

在計算技術發(fā)展的歷史中，主流的芯片架構一直是CPU。如今，CPU無處不在，它為筆記本電腦、移動設備和大多數(shù)數(shù)據(jù)中心提供動力。

1945年，傳奇人物約翰·馮·諾伊曼（John von Neumann）構思了CPU的基本架構。值得注意的是，此后他的這一設計基本沒有太大變化，今天，大多數(shù)計算機仍是基于馮·諾依曼理論的機器。

CPU的靈活性使得它有各種各樣的用途：CPU是通用的，能夠有效執(zhí)行軟件所需的任何計算。不過盡管CPU的主要優(yōu)勢是多功能性，然而如今領先的AI技術需要的，是一種非常特殊且密集的計算。

深度學習需要迭代執(zhí)行數(shù)百萬甚至是數(shù)十億個相對簡單的乘法和加法步驟。深度學習以線性代數(shù)為基礎，在根本上是基于試錯法的：對參數(shù)進行調整，對矩陣進行乘法運算，隨著模型自身的不斷優(yōu)化，在整個神經網絡中反復進行數(shù)字求和。

這種重復性的、計算量巨大的工作流程，對于硬件體系結構有很重要的要求?！覆⑿谢棺兊弥陵P重要，「并行」指的是：處理器能夠同時、而不是一個接一個地執(zhí)行多個計算的能力。與之緊密相關的是，深度學習涉及大量數(shù)據(jù)的連續(xù)轉換，因此讓芯片內存和計算核心盡可能靠近數(shù)據(jù)所在的位置，可以減少數(shù)據(jù)移動，從而大幅提升速度和效率。

CPU尚不足以支持機器學習的獨特需求。CPU是按順序而非并行地處理計算任務，CPU的計算核心和內存通常位于單獨的模塊上，通過帶寬受限的通信系統(tǒng)（總線）進行連接。這就造成了數(shù)據(jù)移動的瓶頸，稱為“馮·諾依曼瓶頸”，導致的結果就是，在CPU上訓練神經網絡的效率非常低。

隨著機器學習正在日益普及，傳統(tǒng)芯片已經無法應對現(xiàn)代AI算法的要求，這一點正變得愈加突出。正如AI專家Yann LeCun最近所說的：“如果你能穿越到未來五年或者十年，看看計算機大部分時間都在做些什么的話，我認為很可能是機器學習之類的事情。”

這時候，就需要GPU來推動AI的繁榮發(fā)展了。GPU架構是由英偉達（Nvidia）在1990年代后期為游戲應用開發(fā)的。當時GPU被專門用于連續(xù)處理大量數(shù)據(jù)，以高幀速率渲染計算機游戲畫面。與CPU不同的是，GPU可以并行地運行數(shù)千個計算任務。

在2010年代初，AI領域開始意識到，Nvidia的游戲芯片實際上非常適合處理機器學習算法所需的工作負載，于是，GPU幸運地找到了新的目標市場。Nvidia抓住了這個機遇，將自己定位為“AI硬件市場領先提供商”，結果收獲了驚人的收益——從2013年到2018年，Nvidia的市值增長了20倍。

然而，正如Gartner分析師Mark Hung所說，“大家知道GPU并非針對AI工作負載進行了優(yōu)化?！彪m然GPU已經被AI領域廣泛采用，但它并非為AI而生。

近些年來，有一大批企業(yè)家和技術人員開始重新構想計算機芯片，從頭開始對其進行優(yōu)化，以釋放AI的無限潛力。Alan Kay的一段話令人難忘：“真正認真對待軟件的人，應該自己制造硬件?！?/p>

過去兩年中，有5個芯片獨角獸涌現(xiàn)，很多初創(chuàng)公司的估值令人瞠目結舌。傳統(tǒng)CPU巨頭英特爾為了避免被顛覆，所以進行了兩項重大收購：2016年4月以4.08億美元收購了Nervana Systems，2019年12月以20億美元收購了Habana Labs。未來幾年，這場競賽將繼續(xù)進行下去，爭奪這個規(guī)模數(shù)千億美元的市場。