本文轉自雷鋒網，如需轉載請至雷鋒網官網申請授權。

距離2016年左右的AI芯片創業熱潮已經過去五年多，從團隊組建，到芯片設計、再到產品落地，AI芯片公司們到了交出一份答卷的時間。

Graphcore大中華區總裁兼全球首席營收官盧濤

Graphcore大中華區總裁兼全球首席營收官盧濤對雷峰網表示，“2022年AI芯片公司的競爭會更加激烈，因為不同的公司選擇了不同的策略和路徑，今年開始能看得更加清晰。”

實際上，從2020年開始，大部分AI芯片公司都開啟了芯片的落地，然而由于AI芯片與傳統芯片有明顯的差別，芯片提供者與使用者之間的認知差異，加上疫情的影響，和全球蔓延的缺芯潮，AI芯片的落地和大規模使用面臨重重挑戰。

2021年，業界更加關注AI的部署，包括對機器學習框架的關注，支持的模型，以及集群的管理和調度管理。

想要成為AI芯片的佼佼者，有哪三個秘訣？

AI芯片公司面前的七個臺階

AI熱潮催生了大量的芯片初創公司，初創公司要成功落地全新類型的AI芯片，挑戰當前巨頭，可以以攀登珠穆朗瑪峰來比喻。

盧濤認為，如果今天的巨頭在珠穆朗瑪峰上，想要達到巨頭的高度，需要攀登七個臺階。

第一個臺階是組建團隊，第二個臺階是宣講理念，第三個臺階是設計出芯片，第四個臺階是有芯片且能給客戶送樣品做測試，第五個臺階是有產品有落地，第六個臺階是有產品，有很多落地的，第七個臺階是有很大的市場份額。盧濤認為Graphcore處于第五到第六個臺階間。

處于這個階段的公司，表明其已經解決了許多技術挑戰。AI計算與傳統的CPU有顯著的差別，過去5-10年間，CPU的應用都十分明確，比如Web服務、數據庫服務、存儲服務等。但AI整體面向的應用有許多創新和研究，整體呈高度動態化。

在這樣的情況下，AI芯片的落地更顯艱難，步驟大致可以分為三個，首先，要用AI芯片的性能優勢吸引客戶，接下來客戶會考慮軟件移植的難度以及時間，在歷經驗證之后，才能實現大規模部署。

這個過程可以說是漫長而又挑戰重重。其中一個非常大的挑戰就是AI芯片提供者和使用者之間認知的差異。“從我們的角度而言，雖然這種認知的差異有所改善，但挑戰仍然持續存在。”盧濤說，“比如，不少用戶可能覺得我們的IPU性能表現好，并想能在不修改代碼的情況下遷移到IPU，這就需要我們在軟件和生態方面做大量的工作。”

AI軟件和生態的建設，要求對某個具體的應用領域有比較完整的認知，實現整個業務端到端的配合，不僅僅是AI，還包括AI芯片與其它設備、系統的配合，運維管理等。

盧濤指出，“作為計算平臺的提供者，要讓最終用戶把我們的平臺用好，生態非常重要，生態建設能夠降低用戶的使用門檻。同時，垂直案例也非常重要，通過‘打樣板’，能夠顯著加速在某一行業的應用。當然，加強與AI平臺廠商的合作同樣關鍵。AI領域有兩種用戶，一種是AI開發者，有了案例就可以做相應的開發，還有一種是AI平臺型企業，他們可以把AI技術封裝以提供給其他人員使用。”

對于有計算機背景的開發者或研究員，他們可以基于TensorFlow、PyTorch和百度飛槳等進行編程，如果不具備這個能力，就需要借助更高級的框架，比如Hugging Face來降低開發門檻，簡化開發。這兩者的開發難度有顯著差別，如果用PyTorch實現一個業務，可能需要兩百行代碼，但采用Hugging Face，可能用50行代碼就可以完成。

成為AI芯片領先者的三個關鍵

不難發現，想要實現AI芯片的大規模落地，減小AI芯片提供者和使用者之間的認知差是關鍵，這其中的關鍵又是軟件和生態的建設。

但要成為AI芯片領域的領導者，盧濤認為有三個關鍵：預判+冒一點風險+一點運氣。

“Graphcore在2016年成立時，只能追趕。對于新的領域，如果能提前預判，就可能在領域里具備領先性。”盧濤具體解釋。

2016年，傳統的機器視覺模型ResNet已經存在，這時候Graphcore需要追趕，作為追趕者需要做一些預判發現機會。2020年，Graphcore關注到了Transformer技術，這種技術本來是用于自然語言處理的底層技術，但業界出現了用Transformer做計算視覺的趨勢，Graphcore率先開始支持。

到2021年下半年，一些基于Transformer的視覺模型，比如ViT成為了熱門。由于有提前的預判，Graphcore對于新的基于Transformer的視覺模型以及GNN都有很好的支持，很多創新和前沿的模型比GPU支持得更好。

正是憑借著創新的IPU硬件和不斷完善的Poplar軟件生態，Graphcore在2021年有不少應用案例。在2021年下半年，安捷數科利用IPU進行氣象預測、精準灌溉、防災減災。深勢科技完成分子動力學模擬軟件DeePMD-kit向IPU硬件的遷移，探索基于分子動力學模擬的科學計算、藥物設計、材料設計和新型能源等場景。

在金融保險領域，牛津-英仕曼用IPU進行股價預測；Tractable與Graphcore達成合作，加速事故和災害恢復。電信方面，Graphcore與韓國電信合作發布了IPU云。在城市環境可持續發展領域，升哲科技基于IPU進行城市相關可持續發展方面的應用。在醫療、生命科學領域，Graphcore與斯坦福大學醫學院合作，使用IPU以“醫療+隱私計算”為核心方向進行了一些研究和探索。

但這些應用案例多為前沿技術和應用的探索，不是大規模的商業應用。對此盧濤表示，“商業領域內，我們有一些大規模應用的客戶，他們更關注于自身業務給客戶帶來的價值，很少和技術廠商一同發布新聞。前沿的研究更加開放，研究者也希望結果能讓更多人看到，自然會有更多可以分享的案例。”

他也同時透露，2022年，Graphcore會有一些和國內公有云廠商的IPU產品發布，也會有新的硬件產品的發布。Graphcore也會在一些相關的AI應用領域中會進一步加深合作，比如AI輔助科研、自動駕駛等是他們2022年在AI應用或垂直領域中比較重要的方向。

值得一提的是，Graphcore的IPU與CPU的硬件解耦，有助于IPU更好的拓展市場。比如在BERT訓練中，Graphcore采用一臺2顆CPU的服務器和64顆IPU，比例為1：32，在計算機視覺模型中的比例則基本為1：8。但如果是英偉達或者英特爾的系統，無論何種場景和模型，都會有一個固定的CPU和GPU比例，比如1：4或1：2。

寫在最后

AI芯片的競爭最終依舊會演變為生態、商業的競爭。在AI芯片的早期階段，雖然參與者眾多，但各自都在團隊組建和產品開發的階段，AI芯片公司間并沒有真正的競爭關系。隨著AI芯片的發布，以及落地的推進，AI芯片公司之間的競爭才真正開始。

當越來越多的領域和客戶開始關注AI的規模應用和落地時，自然會加劇AI芯片公司之間的競爭，這時候，已經不再單純比拼硬件性能，軟件和生態才更能打動最終用戶。

2022年，我們將看到AI芯片公司間的競爭日趨激烈，我們也將慢慢看到AI芯片公司們真正的實力。雷峰網