2017 • AI芯片元年

本文转载自公众号：StarryHeavensAbove

概要：2017年，AI芯片是半导体产业的亮点，而它受到的关注又远远超出半导体的圈子。

2017年，AI芯片是半导体产业的亮点，而它受到的关注又远远超出半导体的圈子。这一年，从科技巨头到初创公司，新老角色轮番登场，为我们上演了精彩好戏。若干年后，当我们再回头来看，一定可以把2017年作为AI芯片元年。

Google vs Nvidia • 巨头间的“错位战争”

四月初，Google公布了一篇即将在ISCA2017上发表的论文：“In-DatacenterPerformance Analysis of a Tensor Processing Unit”。可以说正是这件“小事”，揭开了一部年度大戏的序幕，而它产生的深远影响甚至可能会持续到很多年之后。其实，在2016年6月的时候Google就透露了自己研发了一款在云端使用的专用AI芯片，TPU（Tensor Processing Unit）。Google做AI芯片当然是吸引眼球的新闻，但苦于一直没有公布细节，大家也只能猜测和等待。因此，这篇普通的学术论文，得到了媒体的极大关注。我也在第一时间写了一篇评论文章：“Google TPU 揭秘”，也是我的公众号阅读量最大的文章之一。对TPU高度关注的当然不只我们这些吃瓜群众，还有AI芯片领域绝对的统治者Nvidia。后面就发生了黄教主和Google间关于TPU的Benchmark结果是否合理的口水战。而早在2016年Google透露TPU的时候，Nvidia就多次表示它对GPU在AI运算上的统治地位没有什么威胁。

5月11日，Nvidia GTC2017大会，黄教主在Keynote上抛出了最新的GPU Volta（GV100）。Nvidia股票应声大涨，媒体也是大肆报道。AI芯片的焦点似乎又回到了Nvidia这一边。

除了公布了重量级的Volta，GTC上还有一个“小事件”，Nvidia宣布开源它的DeepLearning Accelerator（DLA），9月正式公开。这个发布，在黄教主的Keynote中是一句话带过，但在业界引起的震动却一点也不小。“Nvidia为什么要搞开源？会开源什么东西？这个开源会不会影响众多初创公司的前景？”对这些问题的讨论一直延续到NVDLA真正开源之后。

没过多久，5月17日，在Google I/O大会上，Google公布了第二代TPU，用媒体的话说“…stoleNvidia’s recent Volta GPU thunder…”。虽然TPU2的细节公布的并不多，但指标确实看起来很不错，而且具有非常好的可扩展性。唯一的遗憾就是它并不对外销售，只能以TPU Cloud的方式供大家使用。

9月下旬，Jeff Dean这位Google的软件大神参加了HotChip这个芯片界的重要会议，并在Keynote “Recent Advances in ArtificialIntelligence via Machine Learning and the Implications for Computer SystemDesign”也亲自介绍了TPU和TPU2的情况，把它们作为新的计算生态中重要的一环。

9月底，NVDLA在承诺的最后期限之前开源了NVDLA的部分硬件代码，同时公布了未来开源更多硬件和软件的路线图。这之后，大家对NVDLA也做了各种分析和讨论，试图把它玩起来。从目前来看，NVDLA的开源好像并没有影响众多初创公司的融资。这个话题我们后面再说。至于Nvidia开源DLA的原因，官方的说法是让更多人可以更容易的实现Inference，促进AI的推广，特别是在众多嵌入式设备上的应用。但从整个开源的过程来看，这个开源的决定似乎是比较仓促的。DLA来自Nvidia自动驾驶SoC中的一个模块，最初并不是以开源IP为目的而设计的。而且9月的开源也只公开了一部分硬件代码和相应的验证环境，离真正能用起来也还是有较大差距。我们不好判断这个开源的决定是否和Google TPU（在Inference上有比较大的优势）的强势亮相有关系。但基本的推测是，在Deep Learning中Nvidia的核心利益应该在于Training（目前GPU还是training的最好平台）。让Inference门槛更低，渗透到更多应用，特别是Edge端，从而进一步促进Training的需求，应该是符合它的最大利益的。而且NVDLA的软件环境还是使用Nvidia的CUDA/TensorRT，还是由Nvidia掌控的。

这场从一篇论文开始，几乎贯穿了2017年全年的Google和Nvidia的明争暗斗,对业界的影响可能要远远超过这两家公司本身。我之所以把它称为“错位”的战争，是因为它发生在Google这样的传统的软件巨头和Nvidia这样的芯片巨头之间。如果换成Intel vs Nvidia，似乎是再正常不过的。Google的参战，也许是开启了新的时代。我们可以看到，不仅是TPU，Google在10月又公布了他们在“GooglePixel 2”手机中使用的定制SoC IPU（ImageProcessing Unit）。和Apple越来越多的自己定制芯片一样，Google这样的科技巨头同样有应用（明确知道自己要什么），技术（对相关技术的多年积累），资源（不缺钱，不缺人）上的优势，定制自己的硬件，甚至芯片会变得常态化。同时我们也看到，Google TPU的示范效应已经显现，更多的科技巨头加入AI加速硬件的竞争。Tesla宣布自己定制自动驾驶芯片；Amazon，Microsoft，以及国内的BAT，华为都在Cloud中提供专门的FPGA加速的支持；据称Big Five中还有在自己开发芯片的；BAT也都在组建芯片设计的团队，等等。虽然大家具体的架构和实现方式不同，但都反映出对AI专用硬件的极大兴趣。相信未来这一趋势会越来越明显。

“以Machine Learning为代表的新型计算模式将引领未来芯片的发展方向”，这一观点基本已经是大家的一个共识。越来越多的玩家会关注能够支持新型计算的芯片，其中很多可能之前完全不在半导体这个圈子，也完全不了解芯片是怎么回事。2017年我们不时能看到一些对比CPU，GPU，FPGA和ASIC架构的科普文章，甚至有10W+的阅读量，不难看出大家的热情。

初创公司 • 长长的list

2017的AI芯片大戏中，主角不仅是巨头，初创公司也都粉墨登场，戏份一点儿都不逊色。更重要的，在初创公司的“表演”中，中国公司不仅毫不怯场，而且非常出彩。我从8月份开始在github上维护一个AI芯片的列表，既包括大公司的产品，又包括初创公司的情况。到12月，这个列表中的信息越来越多，世界范围内的初创公司有30多家。而且这个列表还只包含了公开信息，还有很多公司处在stealth状态并没有收录。我也听到一个说法，在AI芯片领域的初创公司可能超过了100家，在TSMC排队投片也有30家。

熟悉半导体产业的朋友可能比较清楚，半导体领域初创公司获得VC投资在之前是非常困难的。主要原因是这个产业风险大，门槛高，周期长。但2017年，AI芯片的初创企业却受到了资金追捧。我们可以看看今年的一些公开的融资数据。寒武纪：1亿美金（估值近10亿美金）；深鉴科技：4000万美金；地平线：近亿美金；；Cerabras：6000万美金（估值8.6亿美金）；Graphcore：5000万美金。在前面我也提到，当Nvidia宣布要开源DLA的时候，大家感觉会对初创公司的融资和估值有一定影响。但从结果来看，这种情况并没有出现。在9月之后，我们又看到很多初创公司成功融资。而投资者的热情似乎一点都没有减弱，只要有一个新的公司出现，立刻会有很多投资机构蜂拥而至。

2018 • 关注什么

对于2018，我还是非常期待的。作为一名多年从事芯片架构设计多年的工程师，我首先期待看到一些技术上的创新。2017年我写了不少分析AI芯片相关技术的文章，到年末几乎有点审美疲劳了（相信读者也是一样），似乎新鲜东西越来越少。在2017年底，有一个叫Vathys的初创公司，一下子开了好几个脑洞，全定制的Asynchronous Logic，等效的时钟可以到12GHz（28nm工艺）；High-densitySRAM（1T-SRAM），片上存储容量可以达到1.5GB（28nm）；Wireless 3D Stacking，10,000GBit/S @ ~8 fJ/bit。这几项技术要么是目前还停留在学术研究阶段，要么是曾经昙花一现。一个初创公司一下就祭出这几个大招，又是这么高的指标，真有可能实现吗？所以，当Vathys的老板发邮件说应该把他们公司加到我做的AI芯片List里的时候，我开始是婉拒的。不过，换一个角度来看，即使是他们完全在忽悠，也算是击中了Deep Learning处理器的痛点。而且这几项技术目前也都有人在研究，在AI的热潮和巨大的资金支持下也许真能搞出来也说不定。所以，我还是希望看到他们或者是其它团队能够在这几项技术上取得突破，让我们真正激动一把。说到技术的突破，我们未来（可能要比2018年更远）还可以期待看到在存储技术上的突破，以及由新的存储技术带动的架构上的创新，包括Neuromorphic这条技术路线。

接下来，当然是巨头们的下一步动作。Google的TPU是否会卖给自己之外的用户，直接和Nvidia展开竞争？目前ONNX阵营已经形成和Google的对峙，Google作为生态最完整的厂商，推广TPU对巩固自己的领先地位很有意义。Big Five和BAT哪个会学习Google榜样直接自研芯片？阿里达摩院的芯片研究会不会从AI开始？Intel能不能如大家所期待的全面爆发？Nvidia会如何应对来自各方的挑战，是否会做更专用的加速芯片，而不是仅仅在GPU中加个Tensor Core？高通什么时候在手机芯片中加上硬件加速器？ARM下一步会怎么走，会不会横扫嵌入端？。。。随便想想就会有很多值得期待的看点。最近我们也看到，为了对抗Nvidia，AMD和Intel竟然很罕见的宣布合作。而IBM在Power9上和Nvidia深度合作。2018年也许我们还能看到业界巨头间更多的合纵连横。

初创公司的命运也是2018年最大的看点。我在之前的一篇文章中说过“对于AI芯片的startup来说，2018年就算不是毕业大考，也至少到了学期末考试了…”。2018年，大部分初创公司都将会交出第一次测验的结果（芯片），也会开始小批量的试用。相信到时会有比较公平的Benchmarking结果出现，“理论上”的指标会被实际的“跑分”结果取代。虽然对于初创公司来说，犯错误是可以容忍的，第一代芯片也不能完全代表公司未来的前景。但是，做芯片需要巨大资源的持续支持，这个阶段掉队可能非常危险。当然，第一次的淘汰对于真正优秀的企业也是最好的机会。我非常期待看到能够在考试中脱颖而出，并跨上新的台阶（或者直接毕业）的同学；或者，会有我们不认识的面孔，突然惊艳出场。另外，2018年，在Edge端会有更多的传统芯片厂商加入竞争，除了三星，高通，MTK，展讯等芯片厂商，还有传统的IP厂商；而在嵌入端IP上有绝对优势的ARM应该也会有更大的动作，这些都可能会对初创公司产生重大影响。

最后，是变局的可能。从整体上来讲，AI整体上在2018年会怎么发展是一个大家都非常关注的问题。继续高速增长，还是平稳发展，又或者会遇到问题高开低走？不管是哪种情况，AI芯片必然会受到大势的影响。比较特殊的是，芯片研发的周期大约在9到18个月左右，这比软件应用的开发和更新周期要长的多。再加上一些滞后效应，芯片的发展很难和算法和应用的发展节奏同步。芯片开发中一个比较可怕的问题就是未来的不确定性。相对来说，一个可预期的平稳增长的环境是最有利于芯片研发的，可以让芯片设计者能够更好的规划产品和协调资源。另一种变局情况是，算法层面发生巨大的变化，也就是技术上的不确定性。这几年最成功的AI算法就是基于神经网络的深度学习。这正是目前AI芯片在需求上的基础，也决定了现在大部分AI芯片都是以加速这一类算法为目标的。如果基本算法需求发生变化，会对AI芯片的设计产生很大的影响。比如，目前已经有一定应用基础的低精度网络，也就是在inference中使用非常低的精度，甚至直接使用二值网络。如果这种Inference得到广泛应用，现在的芯片架构则可能得要重新考虑。再比如，如果Hinton大神的capsule networks得到实用，也可能会需要新的芯片架构来支持。毕竟AI领域现在发展很快，所以大家也都必须要时刻盯着应用和算法层面最新的进展。我们也要随时问自己下面的问题（来自Jeff Dean在NIPS2017的演讲）。