De race om de siliciumhersenen van AI aan te drijven

Maddie Edgar



Nigel Toon, de medeoprichter en CEO van Graphcore, een startup voor halfgeleiders in het VK, herinnert zich dat nog maar een paar jaar geleden veel durfkapitalisten het idee om in halfgeleiderchips te investeren als een grap beschouwden. Je zou een idee meenemen naar een vergadering, zegt hij, en veel van de partners zouden lachend over de vloer rollen. Nu worden sommige chipondernemers heel anders onthaald. In plaats van over de vloer te rollen, rollen beleggers hun chequeboekjes uit.

hoe onzichtbaar te worden

Durfkapitalisten hebben goede redenen om op hun hoede te zijn voor silicium, ook al gaf het Silicon Valley zijn naam. Halfgeleiderchips kosten veel meer om te ontwikkelen dan software, en tot voor kort was er weinig ruimte voor radicale innovaties om nieuwe versies te onderscheiden. Zelfs als ze overleven, eindigen jonge bedrijven vaak met winstmarges die dunner zijn dan de siliciumwafels waarvan hun chips zijn gemaakt. Gigantische gevestigde exploitanten zoals Intel en Nvidia zijn formidabele concurrenten met diepgaande kennis van de sector en zelfs diepere zakken.





Wat is veranderd, is een groeiend geloof onder sommige investeerders dat AI een unieke kans zou kunnen zijn om belangrijke nieuwe halfgeleiderbedrijven op te richten. Durfkapitalisten hebben dit jaar $ 113 miljoen geïnvesteerd in op AI gerichte chipstartups - bijna drie keer zoveel als in heel 2015, volgens gegevens van PitchBook, een dienst die transacties van particuliere bedrijven volgt.

Verwant verhaal

Graphcore is een van de begunstigden van deze verschuiving en heeft onlangs $ 50 miljoen aan financiering toegevoegd van Sequoia Capital, een toonaangevend investeringsbedrijf in Silicon Valley. Een aantal andere chipstartups, waaronder Mythic, Wave Computing en Cerebras in de Verenigde Staten en DeePhi Tech en Cambricon in China, ontwikkelen ook nieuwe chips op maat voor AI-toepassingen. Cambricon, een van de meest prominente Chinese startups in het veld, heeft $ 100 miljoen opgehaald in een initiële financiering onder leiding van een Chinees overheidsfonds.

Sinds de komst van het mainframe hebben ontwikkelingen in computerhardware geleid tot innovaties in software. Deze hebben op hun beurt geleid tot latere verbeteringen in hardware. AI is de nieuwste wending in deze digitale cyclus. Bedrijven in veel sectoren hebben zwaar geïnvesteerd in hardware om systemen voor diep leren te gebruiken (zie 10 Breakthrough Technologies 2013: Deep Learning). Maar naarmate deze geavanceerder worden, leggen ze de beperkingen bloot van bestaande chips die worden gebruikt voor AI-werk.



Veel van die processors zijn afkomstig van Nvidia, waarvan de grafische chips veel worden gebruikt voor games en grafische productie. De processors hebben duizenden kleine computers die parallel werken om pixels weer te geven. Met enkele aanpassingen zijn ze aangepast om diepgaande algoritmen uit te voeren, waarbij ook zeer grote aantallen parallelle berekeningen nodig zijn (zie Nvidia CEO: Software Is Eating the World, but AI Is Going to Eat Software).

Hoewel ze op grote schaal zijn toegepast, hebben grafische chips enkele nadelen. Een van de grootste is dat wanneer grote aantallen van hen parallel werken, ze veel energie opslokken. Carnegie Mellon University, een toonaangevend AI-onderzoekscentrum, heeft onderzoekers daar zelfs moeten vragen hun gebruik van de chips tijdelijk terug te dringen omdat ze het elektriciteitssysteem van de universiteit onder druk zetten. Franz Franchetti, een professor aan de CMU, zegt dat de universiteit naar alternatieve energiebronnen kijkt om het probleem te verlichten.

De startups van AI-chips zijn van plan om energiezuinigere processors te produceren. Maar wat hen echt energie geeft, is hun overtuiging dat op maat gemaakte processors voor AI-toepassingen minder gespecialiseerde chips kunnen verslaan bij een breed scala aan machine learning-taken. De nieuwe generatie chips combineert meerdere verwerkingsfuncties in één stap, terwijl grafische processors meerdere stappen nemen om hetzelfde resultaat te bereiken. De functies zijn doorgaans gebundeld om specifieke gebruiksscenario's te optimaliseren, zoals trainingsalgoritmen om een ​​autonome auto te helpen potentiële obstakels voor de deur te ontdekken.

Verwant verhaal Jensen Huang voorspelt dat de gezondheidszorg en auto's zullen worden getransformeerd door kunstmatige intelligentie.

Graphcore beweert dat zijn nieuwe intelligentieverwerkingseenheid, die in het eerste kwartaal van volgend jaar naar vroege klanten zal worden verzonden, bij voorlopige tests tussen de 10 en 100 keer sneller is dan de huidige hardware bij dergelijke taken. Het Chinese Cambricon wint al lof voor zijn processors. Huawei, een Cambricon-klant, denkt dat de chips van de startup voor deep-learningtoepassingen zoals trainingsalgoritmen om afbeeldingen te identificeren, zes keer sneller zijn dan het uitvoeren van dezelfde functie op een grafische processor.



Onderzoekers zijn enthousiast over het vooruitzicht van een aanzienlijke sprong voorwaarts in rekenkracht voor AI. Er is nog steeds een grote kloof tussen waar we zijn en wat we zouden willen doen, zegt Andrew Davison, een professor aan het Imperial College in het VK die zich richt op robotica en computervisie. Davison denkt dat de innovaties die door de chip-startups op de markt worden gebracht, de vooruitgang op gebieden als het zijne zullen versnellen.

Dergelijke reacties zijn bemoedigend, maar garanderen geen overwinning. Grote chipbedrijven onthullen al hun eigen made-for-AI-chips om te concurreren met het aanbod van startups. Intel heeft bijvoorbeeld onlangs plannen aangekondigd om een ​​nieuwe familie processors uit te brengen die zijn ontworpen met Nervana Systems, een startup die het vorig jaar heeft overgenomen. Nvidia gaat ook snel om de mogelijkheden van zijn eigen chips te upgraden.

De startups staan ​​voor een andere uitdaging. Velen van hen ontwerpen hardware om zeer gespecialiseerde AI-toepassingen te ondersteunen. Maar het kan jaren duren om een ​​chip op de markt te krijgen. Gezien de snelheid waarmee AI evolueert, bestaat er een reëel risico dat tegen de tijd dat hun producten algemeen beschikbaar zijn, het gebruik waarvoor ze zijn ontworpen niet langer topprioriteit zal zijn.

Shahin Farshchi van Lux Capital, dat investeerde in Nervana en een belang heeft in Mythic, trekt een parallel met startups die halverwege de jaren 2000 processors bouwden voor draadloze 4G-toepassingen. Veel van deze mislukten uiteindelijk omdat ze waren geoptimaliseerd voor toepassingen die niet mainstream werden. Er komt weer een shake-out voor chipbedrijven die erg nauw gefocust zijn, zegt hij.

Maar als jonge bedrijven chips bouwen die een te breed scala aan toepassingsgebieden bestrijken, zullen ze waarschijnlijk prestatieniveaus opofferen. En dat zou hen kwetsbaar kunnen maken voor concurrentie van Nvidia, Intel en anderen. Sommige kunnen worden gekocht door de chipreuzen. Maar als velen uiteindelijk falen, zullen durfkapitalisten hun chequeboekjes weer oprollen.

zich verstoppen