机器学习和人工智能的快速增长意味着许多新设计的开始和数以百计的制程芯片公司。
Lip-Bu Tan在节奏最近的财报电话会议,我们的首席执行官,谈到了五波,同时打击了我们。
这就是他说:
首先,我非常喜欢这个行业,因为它是非常不寻常的五大浪潮发生在同一时间。你有人工智能机器学习波和5克开始部署和超大型的家伙,真正的大规模基础设施。然后我们有自主驾驶,然后整个数字转换的行业组织。如前所述,显然这些大型系统公司和服务提供商,他们悄悄地建立硅能力。他们也向我们真正扩大除此之外系统分析空间。所以我认为我们是兴奋的机会在我们面前。
通常在半导体行业,有一个主要趋势驱动业务。在一开始,很多来自军方。然后,当计算机发展到了企业,构建的组件用于创建计算机。这个仍然是时代在微处理器之前,当芯片只会几门。建造了许多计算机与TTL逻辑,在4比特ALU,刷爆了74181。看到我的帖子携带:电子产品为更多的细节。一旦电脑起飞,半导体行业骑波,直到2000年代早期。然后手机成为一个重要因素,特别是在2007年智能手机爆炸开始的。尽管个人电脑不再是从前的增长路径,这仍然是一个250单位市场,里面有大量的硅。智能手机是一个数量级,每年超过1.5单位。
我知道这是显而易见的,但是节奏最多参与公司在设计阶段(甚至之前)。那就错了,说我们不关心产量,我们希望我们的客户取得成功。但是我们不直接参与产量(大部分)。而铸造的其他方法是轮他们不在乎其他。如果现代铸造和ASIC公司一样,它不做任何钱在设计输入生产或没有产量远低于计划(定价)。这意味着节奏关心市场一年或更多的在大批量生产之前。
Lip-Bu喊五市场。让我们看看第一个。
人工智能和机器学习(和其他各种名称)是在一个模式,很难描述。从某种意义上说,它正在经历快速增长,在另一个意义上,还为时过早。的感觉正在经历增长是在设计的开始。有上百个,生产线”人工智能芯片公司,数十个项目建立了半导体公司创建人工智能芯片或嵌入人工智能技术在产品的其他部分。为时过早的感觉是,大多数的这些芯片设计并不是批量生产。现在,大赢家而言,生产硅NVIDIA gpu的大量使用在一些服务器进行人工智能训练。
人工智能的发展项目是由几件事情,我想。首先,神经网络技术开始“工作”在过去的十年里。尽管神经网络已经知道,研究自1950年代以来,没有人能找出程序。然后Yann LeCu、杰夫•辛顿和Yoshua Bengio制定如何使用梯度下降优化神经网络权值。他们赢得了2019年图灵奖对这项工作,你可以读到我not-cleverly-titledYann LeCun(杰夫•辛顿和Yoshua Bengio赢得2019年图灵奖。另一个考虑是,这种训练方法需要大量的计算能力,这只是不可用直到最近。云数据中心的组合与GPU加速改变,使训练大神经网络的可行性。
作为人工智能算法走到边缘设备,如智能手机和智能扬声器,有希望做更多的推理的优势。固有的权力和延迟上传所有的原始数据云是一个问题,隐私问题也一样。但推理边缘需要功率数量级小于数据中心服务器或大的GPU。反过来,这导致边缘扩散推理芯片项目。它让我想起了1980年代中期,当我在VLSI技术和我们有几家公司与我们合作设计asic创建电脑有特殊能力- - -及每个数十家公司有一个商业计划20%的个人电脑市场。我认为几乎每个人都失败了,因为事实证明,人不想让电脑有很多的区别,他们想要一个无聊的标准个人电脑将ms - dos,后来,窗户。大多数分化是在两个领域以外的其他电子产品:可移植性(康柏)和业务模型(特别是戴尔)。当集成水平,除了电脑的内存和处理器可以把芯片上,它变成了VLSI技术自己成功的在个人电脑芯片市场(连同几个竞争对手)。事实上,一度,英特尔是oem在一捆的处理器芯片组。然后,当我们知道最终会发生,英特尔接管,市场本身。
我怀疑类似的市场动态可能在深度学习自云数据中心提供商也在建立自己的内部人工智能芯片。例如,谷歌的TPU(见我的帖子在谷歌的TPU)和亚马逊/ AWS的硝基(见我的帖子AWS硝基项目)。所以相同的方式被证明是一个非常有限的移动处理器市场,可能有一个有限的市场对人工智能处理器:系统公司将优化自己的解决方案。
|
|
|
|
|
|
|
|
留下一个回复