挑战 Google TPU，AI 芯片新玩家面临哪些难题？雷锋网按：距离Google第一代T

雷锋网按：距离 Google 第一代 TPU 助力 AlphaGo 打败李世石已有 5 年， Google TPU 已经更新到第四代。与此同时，数据中心领域的 AI 芯片大热，在大量投资下涌现了不少新玩家，尽管未来是光明的，但新玩家们不得不面对 Google 等大企业雄厚的财力和已经形成的市场格局。挑战 Google TPU ， AI 芯片新玩家还会面临哪些难题？围绕这一话题，外媒作者 BRIAN BAILEY 进行了全面而深入的解读，雷锋网对本文进行了不改变原意的编译。
近些年，大量资金涌入到数据中心领域新型 AI 处理器的研发中。
但在投资热潮的背后，也要注意到问题所在。毕竟，该领域需要处理的问题是特定的，结果不可预测；且该领域的竞争者们财力雄厚（因为它们往往是巨头），能够提供用户黏性非常强的产品。
对于新型 AI 芯片设计公司而言，最大的问题在于：来自终端的数据不足。

文章图片

文章图片
需要多少个数据中心，才能实现盈利？
通常，芯片设计公司在设计一个新的 AI 处理器时，首先会弄清楚一个基本问题—— 如何定义产品的灵活性？是专为单一任务而设计？还是支持更多的工作负载？
这两个问题之间存在一系列解决方案，但与过去的许多解决方案相比，为 AI 处理器找到合适的解决方案更加困难，对数据中心工作负载而言尤其如此。
之所以更加困难，是因为有许多因素需要平衡。“既需要在一定的成本和时间内设计和制造芯片，又要考虑成本和回报问题。”Synopsys 人工智能产品和研发总监 Stelios Diamantidis 解释道。这些限制因素缩小了 AI 处理器的潜在市场。
“设计和制造定制芯片，什么时候才能赚钱？”Synopsys 验证组工程副总裁 Susheel Tadikonda 说。
“如果我们要为数据中心提供定制芯片，那么需要多少个数据中心才能实现盈利？也许可以高价出售芯片，但光是这样远远不够。如果是为消费电子设备设计和制造芯片，那么这一领域存在十亿台设备体量，这也是 AISC 芯片能够赚取更多利润的市场之一，当然设备体量越大越好。”
不过就算最终弄清楚多少个数据中心才能实现盈利，也无法确定设计方案。
“芯片定制化程度越来越高，以至于能够为非常特定的算法创建芯片，提供更高的能效和性能， ”西门子 EDA 战略和业务发展高级经理 Anoop Saha 说： “但这会牺牲一部分市场，也会缩短芯片的寿命。如果两年后出现了一个新算法，那为旧算法定制的芯片的价值还会如初吗？很多事情都会互相牵制。“
“一些边缘算法确实已经趋于稳定。这是因为业界经过多年研究，找到一些多场景适用的最佳算法，例如我们已经看到的神经卷积网络算法 CNN（convolutional neural network），还有对于唤醒词检测、手写识别等特定应用找到的最佳算法。”Anoop Saha 补充道。芯片自定义的优势
要对芯片进行自定义，核心是理解面向何种工作负载——芯片自定义的确为许多玩家带来优势。
Xilinx 人工智能和软件产品营销总监 Nick Ni 表示：“大多数大型企业已经组建了自己的芯片部门，并为其数据中心一些高工作负载打造芯片。例如，如果 Google 将‘推荐’型神经网络视为其数据中心中最高的工作负载之一，那么它就很有必要为此创建专用芯片。如果排名第二的工作负载是语音识别，排名第三的是 YouTube 的视频转码，那么为其打造专用芯片都是有意义的。“
“其实这里的机会很多，但 Google 只是一个孤例。几年前，谷歌发表了一篇广受好评的论文，文章陈述了一个事实——数据中心的工作负载类型非常丰富，但没有一种工作负载占比超过 10% ，这意味着还有大量占比微小的工作负载需要优化。”