当前市场的发展机器学习以及他们是怎样影响风险投资模式。
这是一个忙碌的夏天应用企业。我们的团队有许多交互在创业和投资领域,并添加一些新公司给我们投资组合。我将分享的这些活动的一系列即将到来的博客,但首先我想反思当前市场发展机器学习以及他们是怎样影响风险投资模式。
战略投资半导体公司继续
在我的最后一篇博文VC机会AI开发者生态系统,我探索了为什么风险投资资金,尤其是从企业和战略投资者,流入人工智能硬件公司,以及不同种类的风险投资方法的空间。战略投资的步伐从企业风险资本(CVC) AI公司并没有减速,与2018年的结局远高于2017年的水平。根据公布的数据CB的见解cvc部署5.1美元在2018年在291个人工智能交易。
尽管上面的数据点不区分投资水平在软件和硬件公司,粗略计算,前五名的硬件初创公司将2018年的总额超过500美元。最近融资表明芯片cvc投资仍然是一个优先事项。
我的同事们Buvna Ayyagari-Sangamalli,Sundeep Bajikar,桑杰Natarajan和大卫·汤普森都在以前的博客指出,人工智能的音调变化带来了新的要求,使繁荣的变体的计算机体系结构和设计方法。创业公司继续探索市场垂直和创新他们的硬件,现在主要是在系统级架构,同时利用过程技术可用在铸造厂,成熟和成本效益。数据收集在一个毕马威的调查发现人工智能芯片公司录制出来的产品在不同的流程节点,其中一些使用多个芯片加工技术水平。虽然后缘工艺(> 14海里)仍然是足以展示的潜力彻底专业系统级架构,一些公司比如世界语技术已经宣布计划将直接为他们的第一个产品7海里跑到获得成功的竞争。
创业公司和大公司推出定制芯片产品数据中心以及边缘应用程序中,我们将继续看到几乎所有的资源和资本,旨在机器学习推理而不是训练。这是为什么呢?部分原因是大幅领先开发框架,有助于保持训练工作负载在gpu上。另一个因素是分化的机会,即启动希望“自己的目标市场。“有常用的培训框架相对较少,而合理的创建有用的推理模型的网络本质上是无穷无尽的。套用谷歌工程师彼得·沃登的增长,如果训练毫升开发者的数量成正比,推理的增长成正比的毫升数用户。这并不意味着破坏性的方法解决培训效率低下不感兴趣的风投,表示一些资金充裕的公司像Habana实验室和最近out-of-stealth大脑,宣布15千瓦,1.2万亿年晶体管晶片规模处理器芯片会议在今年的热。然而,大多数投资者,我相信口语推断潜在的市场规模和达到目前更大。
这些观测证实麦肯锡的报告2018年12月出版。在报告中,麦肯锡估计,目前的市场规模数据中心推论4-5x比训练,尽管在未来的5年内,数据中心培训TAM可能在收入基础上增长速度的两倍。报告还估计,新兴的边缘推断市场可能从本质上没有今天4 b TAM的2025美元。在短短六年后,这将是与数据中心推理芯片市场的今天。边训练,其中可能包括软件等方法联合学习,也可以促进开发新asic抵消芯片对数据中心的需求培训。
边缘出现的人工智能产品:能源效率和管理的数据流是关键
最近计算集中创业风险投资的优势是一个强烈的信号智能优势的出现作为一种独特的垂直市场。为什么它会是一个新的类别和其组件技术如何偏离传统的半导体产品,如cpu,单片机或移动应用程序处理器吗?
“边缘的定义计算”通常意味着最后的外边缘的硬连接的网络,如桌子上的电脑在家里。然而,今天的边缘用例的发展更强大的计算在小,超便携和远程应用程序。对这些产品的市场迫使设计师网络连接之间的权衡,物理尺寸和功耗,因为产品的形式或操作条件。不管是否设备方便地访问互联网,至少数据将被捕获在边缘和流那么多的成本压缩数据(一个高清智能凸轮可以生成每天数万GBs)到云往往成为禁止的。它就变成了优势,使数据结构(如分类和标签图像)的捕获。虽然一些边缘应用远程传感器可能相对比其他人更多的权力受到限制,可以牺牲绝对精度来节省电池寿命,其他类似工具指导可能不得不把响应(低延迟和小批量大小)高于一切。
尽管严格定义什么是“边缘”往往比信徒提供了更多的例外规则,它通常是指芯片功耗平衡和内存使用的绝对计算吞吐量。内存低效率几乎被普遍视为一个关键领域的机会AI /毫升实践者,作为中流砥柱的矩阵计算推理算法要求迅速交换大图像或其他数据集的记忆。从创业到最终用户,有一种普遍的趋势使低延迟记忆更容易通过搬迁接近计算电路和采用致密化技术这些银行的RAM。在2019年1月Forrester研究微米一项调查,89%的受访者的专家排序内存接近计算为“重要”或“关键”处理人工智能/毫升的工作负载。受访者之间的信仰更严重是当前运行高级分析边缘,信念升至95%的受访者。
|
|
|
|
|
|
|
|
留下一个回复