近日，一家生产 AI 芯片的英国初创公司 Graphcore 融资 3000 万美元资金，用于研发和生产新型芯片。
Graphcore 计划明年大规模出货，其芯片将用于对机器学习和深度学习运算需求较高的无人驾驶汽车和云计算领域。Graphcore 称，他们的芯片性能可领先市场同类产品的 10 ~ 100 倍。
Graphcore 是从芯片厂商 XMOS 中孵化，XMOS 在物联网高性能芯片领域有着一定的积累， 2014 年曾获得华为和德国工业巨头博世以及 Xilinx 的投资。
作为一个从传统芯片厂商独立出来的技术团队，Graphcore 首席执行官 Nigel Toon 也十分自信，声称当前 GPU 常被用来运行机器学习程序，只是行业的权宜之计，这并不见得是最好的选择，它们往往无法满足 AI 的需求。GPU 被设计成用来运行完整的程序，而机器学习与此完全不同。后者是不断训练程序使用数据的过程，需要完全不同类型的处理器。
雷锋网(公众号：雷锋网)此前曾在《芯片之争：CPU、GPU、DSP、NPU，到底哪个更适用于深度学习？》一文中提到：
无论是针对人工智能的众核芯片还是定制版的 GPU，本质上都不是专用处理器，实际上是拿现有的、相对成熟的架构和技术成果去应对新生的人工智能，并没有发生革命性的技术突破。
英特尔和英伟达是在使用现有的比较成熟的技术去满足深度学习的需求，众核芯片和定制版 GPU 在本质上来说依旧是 CPU 和 GPU，而并非专门针对深度学习的专业芯片，这就必然带来一些天生的不足。打个比方，用众核芯片和 GPU 跑深度学习，就类似于用轿车去拉货，受轿车自身特点的限制，货物运输能力与真正大马力、高负载的货车有一定差距。同理，即便是因为技术相对更加成熟，英特尔和英伟达的芯片在集成度和制造工艺上具有优势，但由于 CPU、GPU 并非针对深度学习的专业芯片，相对于专业芯片，其运行效率必然受到一定影响。
为此，Graphcore 正着力打造新的智能处理单元（IPU）系统，并计划于 2017 年推出。根据官方介绍，其 IPU 围绕神经网络计算加速处理器（Neural Network Accelerator），支持的并行计算规模和浮点运算精度比其他芯片更高。
当然，关于 Graphcore 自称其 IPU 芯片性能均领先市场同类产品的10 ~ 100 倍这一说，还需经过市场考验。其实 NPU 也一直被业内认为将在人工智能演进过程中扮演的关键角色，如寒武纪团队过去和 Inria 联合发表的 DianNao 论文提到，CPU、GPU与 NPU 相比，会有百倍以上的性能或能耗比差距。
但目前国内外均还未有主流的 NPU 厂商出现。高通曾对外宣称将大力发展 NPU，并称在 2014 年推出样品，随后却不了了之。虽然 2016 年涌现出多家进军 NPU 的芯片厂商，但无论哪家推出的芯片，均需要一定的验证和测试周期。因此 Graphcore 的 IPU 芯片在量产后是否能够表现优秀，仍有很多未知因素。
Toon 给出一个为社交媒体公司服务的案例，以证明 IPU 的实用性。Toon 提到，社交网络的用户活跃度通常在某个时间最为突出，Graphcore 的 IPU 系统会伺机在用户活跃度低时利用闲置的处理器资源进行 AI 训练，然后在第二天及时地上线新内容。
Graphcore 也并非一个人在战斗，Bosch 和三星作为 Graphcore 的战略投资方，两者均在与 Graphcore 探讨合作：Bosch 意在借助 Graphcore 的技术拓展自动驾驶领域，而三星投资它的目的想把其相关技术应用在下一代网络设备中。
本文作者：亚峰
本文转自雷锋网禁止二次转载，原文链接
