微处理芯片通常被比作计算机的“大脑”。两种主要类型 - CPU和GPU - 需要运行软件，渲染图像，以及运行需要多个并行进程的任何任务，例如机器学习或数据分析。 目前绝大多数人工智能处理过程都需要GPU，而且该领域的主导者Nvidia在过去五年左右保持稳定。
然而，NewtonX采访了包括亚马逊和微软在内的科技巨头的高管，他们透露，现有企业并不满足于让Nvdia主导芯片市场，谷歌，亚马逊，苹果和微软之间的设备竞赛已经开始。 关于该主题的NewtonX采访系列阐述了竞争如何发挥作用，以及每个公司希望在这场科技角逐的竞赛中获得的收益。
什么是芯片？ 简单介绍一下 GPU，CPU和TPU
CPU（计算机处理单元）已经出现，因为个人计算机早已问世。 CPU并不是计算机的同义词 - 相反，它们是计算机的大脑。它们位于计算机主板上，通过将数十亿个微观晶体管放置在一个计算机芯片上构建而成。这些晶体管允许芯片进行运行存储在计算机存储器上的程序所需的计算。随着时间的推移，这些晶体管变得越来越小，这导致CPU速度越来越快。
GPU（图形处理单元）是一项新技术：Nvidia于1999年发布了第一款GPU GeForce 256。基本上，GPU允许快速图像渲染，从而减轻CPU中图形密集型应用程序的负担。 GPU已经成为人工智能计算的重要组成部分，因为它们允许实时图形处理。事实上，世界上最快的超级计算机——中国的天河1A，是CPU和Nvidia GPU的混合体。
CPU和GPU均采用英国芯片设计公司ARM的架构构建，该公司几乎是当今智能手机中的每一款芯片。
TPU是由Google开发的用于神经网络机器学习的尚未商用的AI加速器芯片。 谷歌在其AlphaGo、谷歌街景文本处理、谷歌搜索结果中使用了TPU，并且每天在Google照片中处理超过1亿张照片。 TPU不是GPU或CPU的替代品; 它们用于高容量计算（例如一次分类数百万张照片）。
TPU加速了大型复杂神经网络模型的准确性; 之前花费数周时间在CPU / GPU硬件平台上进行培训的模型可以在几小时内在TPU上进行培训。 谷歌也是第一家开发可行的AI专用芯片的公司，但其竞争对手也正在拼命追赶。
而且，谷歌月前还为企业应用设计了一款名为Edge TPU的AI芯片，而且Edge TPU可作为客户的开发套件提供。Edge TPU旨在执行机器学习算法训练的任务。 例如，它将能够识别图片中的对象。最初的TPU专注于训练，但新的Edge TPU将负责执行任务。
对AI处理能力的角逐：每个科技巨头投入巨大精力
在2018年初，ARM推出了两款新芯片：ARM机器学习处理器，它可以提高AI应用语音和面部识别的计算速度，以及ARM物体检测处理器，它针对检测人和物体进行了优化。发布是及时的：同月，谷歌表示将允许其他公司通过其云计算服务购买其TPU的访问权限。与所有ARM芯片架构一样，该公司本身并不制造芯片，而是将其设计许可给第三方。
其他科技公司的涌入。Apple设计并构建了一个神经引擎芯片作为iPhone X的一部分，用于处理手机的图像和语音处理神经网络。 NewtonX芯片专家表示，神经引擎不仅可能成为iPhone的核心，也可能成为所有智能手机的核心，因为它们更加依赖于AR，图像识别和语音识别。事实上，在2017年，中国的电信公司华为也宣布了一个加速机器学习的神经处理单元。
“纽约时报”估计人工智能专用创业芯片公司的数量已经达到45家并且还在不断增长，考虑到中国隐形公司的数量，专家表示这个数字还要大一些。
谷歌还在Pixel 2上推出了第一款定制成像芯片的智能手机AI芯片。该处理器处理谷歌的机器学习HDR +摄影速度比手机的主CPU快五倍，但耗电量只有十分之一。 （谷歌开发TPU的主要动机是提高计算能力，同时降低能源消耗）。 该芯片还使谷歌的HDR +可用于第三方相机应用程序，如Instagram。
不甘落伍，亚马逊已经开始为Alexa构建自己的AI芯片。 2015年，亚马逊收购了以色列芯片制造商Annapurna Labs，目前该公司拥有近500名员工，拥有高水平的芯片专业知识。
为什么大家都热衷于制造AI芯片？ AI芯片给科技巨头带来了什么?
在AI芯片革命之前，大多数基于AI的处理都发生在云端。这有两个缺点：它增加了响应时间并在数据中心中使用了大量的能量。随着智能手机和其他垂直行业（包括医疗保健和交通运输）日益增加人工智能和机器学习依赖性，拥有AI专用芯片可以承担处理负载以运行人工智能任务将是至关重要的。虽然人工智能任务的大部分培训仍将在云中进行，但训练算法的实际运行可以在硬件上进行。
将技术巨头引入这一领域可能会给像Nvidia和AMD这样的芯片制造商带来激烈的竞争，特别是如果任何一家巨头将其特定于AI的硬件出售给其他公司，不过目前Google似乎不会这样做。
网友评论