Wired报道多个厂商加速开发专用AI芯片，挑战NVIDIA的GPU主导地位

杨立昆在1992年曾在纽约市外贝尔实验室担任研究员期间设计过一款名为ANNA的AI芯片。他和其他几名研究员为这款芯片配备了深度神经网络运行能力——这是一种复杂的数学系统，能够通过分析大量数据来学习任务——但这款芯片从未实现商业化。神经网络在识别个人支票和信封上的字母和数字方面非常有效，但当时在其他任务中实际应用效果不佳。然而，如今神经网络正在迅速改变互联网巨头的运营方式，包括Google、Facebook和Microsoft。杨立昆目前负责Facebook内部的中央人工智能实验室，该实验室使用神经网络来识别照片中的面孔和物体、进行语言翻译，他指出二十五年后，市场非常需要像ANNA这样的芯片，这些芯片很快就会大量面市。

挑战在于，虽然Google、Facebook和Microsoft可以在称为CPU的标准计算机芯片上运行神经网络，但这种方法效率极低。当神经网络与专门设计来处理这些AI系统所需的大规模数学计算的芯片配对时，运行速度更快，能耗更低。Google自有的AI芯片TPU被广泛部署在支撑该公司在线帝国的大规模数据中心内，它在从识别说入Android智能手机的命令到为Google搜索引擎选择结果的各项工作中都有应用。通过推出TPU芯片，Google表示节省了建造约15个额外数据中心的成本。现在，随着Google和Facebook等公司将神经网络推送到手机和VR头显上以消除将图像传输到远端数据中心的延迟，它们需要能够在个人设备上运行的AI芯片。根据杨立昆的说法，"在这方面有很大的空间来容纳更加专门化、效率更高的芯片。"

多家主要科技和芯片公司正在竞相开发专门的AI硬件。正如CNBC所披露的，Google TPU的几名原始工程师现在在一家名为Groq的隐形初创公司工作。Intel在收购初创公司Nervana后，正在开发专门用于机器学习的芯片。IBM也在开发镜像神经网络设计的硬件架构。高通已经开始开发专门用于执行神经网络的芯片，一个Facebook正在帮助这家芯片制造商开发机器学习相关技术的项目，高通技术副总裁杰夫·格尔哈尔证实了这一点，他表示，"我们在原型设计和开发方面已经走得很远了。"与此同时，英伟达最近聘请了克莱蒙特·法拉贝特，他曾在纽约大学师从杨立昆，探索这种芯片架构，随后创办了深度学习初创公司Madbits，该公司在2014年被Twitter收购。

目前，英伟达通过用于训练神经网络的GPU芯片在AI领域占据主导地位。在Google和Facebook等公司能够使用神经网络来执行语言翻译等任务之前，它们必须首先通过向其输入现有数据的庞大集合来训练它。正如杨立昆所解释的，"对于训练，GPU基本上已经垄断了市场，尤其是英伟达GPU。"然而，GPU最初并非为AI而设计的，而是为渲染图形而设计的。约五年前，Google和Facebook等公司开始将其用于神经网络训练，仅仅因为它们是当时最好的可用选项。杨立昆相信GPU将继续充当这一训练角色，因为"[GPU]将很难被取代，因为你需要整个生态系统。"但他也相信，新一代AI芯片将显著改变大型互联网公司在数据中心和消费设备（从手机到智能割草机和吸尘器）上执行神经网络的方式。

随着AI服务需求的增加，专门的AI芯片有望带来效率的大幅提高。在执行神经网络时，它们的耗电量和生热量都比通用处理器更低。杨立昆打趣说，"如果你不想煮沸一个小湖，你可能需要专门的硬件。"这种效率需求超越了数据中心，延伸到了消费设备，因为虚拟现实和增强现实变得越来越普遍。手机和头显将需要类似的专门芯片来处理增强现实系统所需的神经网络，这些系统能够识别用户周围的世界，Facebook已经开始通过其新的增强现实工具来发布这一技术。