211service.com
La corsa al potere dei cervelli di silicio dell'IA
Maddie Edgar
Nigel Toon, cofondatore e CEO di Graphcore, una startup di semiconduttori con sede nel Regno Unito, ricorda che solo un paio di anni fa molti venture capitalist consideravano l'idea di investire in chip a semiconduttore come uno scherzo. Porteresti un'idea a una riunione, dice, e molti dei partner si rotolano per terra ridendo. Ora alcuni imprenditori di chip stanno ricevendo un'accoglienza molto diversa. Invece di rotolare sul pavimento, gli investitori stanno lanciando i loro libretti degli assegni.
I venture capitalist hanno buone ragioni per diffidare del silicio, anche se ha dato il nome alla Silicon Valley. I chip semiconduttori costano molto di più da sviluppare rispetto al software e fino a poco tempo c'era poco spazio per innovazioni radicali per distinguere le nuove versioni. Anche se sopravvivono, le giovani aziende spesso si ritrovano con margini di profitto più sottili dei wafer di silicio di cui sono fatti i chip. I giganti storici come Intel e Nvidia sono formidabili concorrenti con una profonda conoscenza del settore e tasche ancora più profonde.
Ciò che è cambiato è una convinzione crescente tra alcuni investitori che l'IA potrebbe essere un'opportunità unica per creare nuove e significative società di semiconduttori. Quest'anno i venture capitalist hanno investito 113 milioni di dollari in startup di chip incentrate sull'intelligenza artificiale, quasi tre volte di più rispetto a tutto il 2015, secondo i dati di PitchBook, un servizio che tiene traccia delle transazioni di società private.
Storia correlata
Storia correlata Graphcore è stato uno dei beneficiari di questo cambiamento, aggiungendo recentemente $ 50 milioni di finanziamenti da Sequoia Capital, una delle principali società di venture capital della Silicon Valley. Anche numerose altre startup di chip, tra cui Mythic, Wave Computing e Cerebras negli Stati Uniti e DeePhi Tech e Cambricon in Cina, stanno sviluppando nuovi chip su misura per le applicazioni di intelligenza artificiale. Cambricon, una delle startup cinesi più importanti nel settore, ha raccolto 100 milioni di dollari in un finanziamento iniziale guidato da un fondo del governo cinese.
Dall'avvento del mainframe, i progressi nell'hardware informatico hanno innescato innovazioni nel software. Questi, a loro volta, hanno ispirato successivi miglioramenti nell'hardware. L'intelligenza artificiale è l'ultima svolta in questo ciclo digitale. Le aziende di molti settori hanno investito molto in hardware per eseguire sistemi di deep learning (vedi 10 Breakthrough Technologies 2013: Deep Learning). Ma man mano che questi diventano più sofisticati, stanno esponendo i limiti dei chip esistenti utilizzati per il lavoro con l'IA.
Molti di questi processori provengono da Nvidia, i cui chip grafici sono ampiamente utilizzati per potenziare i giochi e la produzione grafica. I processori hanno migliaia di minuscoli computer che operano in parallelo per il rendering dei pixel. Con alcune modifiche, sono stati adattati per eseguire algoritmi di deep learning, che coinvolgono anche un numero molto elevato di calcoli paralleli (vedi CEO di Nvidia: Software Is Eating the World, but AI Is Going to Eat Software).
Sebbene siano stati ampiamente adottati, i chip grafici presentano alcuni inconvenienti. Uno dei più grandi è che quando un gran numero di loro lavorano in parallelo, assorbono molta energia. La Carnegie Mellon University, un importante centro di ricerca sull'intelligenza artificiale, ha persino dovuto chiedere ai ricercatori di limitare temporaneamente l'uso dei chip perché stavano mettendo a dura prova il sistema di alimentazione dell'università. Franz Franchetti, professore alla CMU, afferma che l'università sta cercando fonti di energia alternative per alleviare il problema.
Le startup di chip AI stanno pianificando di produrre processori più efficienti dal punto di vista energetico. Ma ciò che li stimola davvero è la loro convinzione che i processori su misura per le applicazioni di intelligenza artificiale possano battere i chip meno specializzati in un'ampia gamma di attività di apprendimento automatico. La nuova generazione di chip combina più funzioni di elaborazione in un unico passaggio, mentre i processori grafici richiedono più passaggi per ottenere lo stesso risultato. Le funzioni sono in genere raggruppate per ottimizzare casi d'uso specifici, come algoritmi di addestramento per aiutare un'auto a guida autonoma a individuare potenziali ostacoli davanti a sé.
Storia correlata
Storia correlata Jensen Huang prevede che l'assistenza sanitaria e le automobili saranno trasformate dall'intelligenza artificiale.Graphcore afferma che nei test preliminari la sua nuova unità di elaborazione dell'intelligence, che verrà spedita ai primi clienti nel primo trimestre del prossimo anno, è tra 10 e 100 volte più veloce dell'hardware attuale in tali attività. La cinese Cambricon sta già ottenendo consensi per i suoi processori. Huawei, un cliente di Cambricon, ritiene che per le applicazioni di deep learning come l'addestramento di algoritmi per identificare le immagini, i chip della startup siano sei volte più veloci rispetto all'esecuzione della stessa funzione su un processore grafico.
I ricercatori sono entusiasti della prospettiva di un significativo balzo in avanti nella potenza di calcolo per l'IA. C'è ancora un grande divario tra dove siamo e cosa vorremmo fare, afferma Andrew Davison, professore all'Imperial College nel Regno Unito che si concentra sulla robotica e sulla visione artificiale. Davison pensa che le innovazioni introdotte sul mercato dalle startup di chip accelereranno i progressi in campi come il suo.
Tali reazioni sono incoraggianti, ma non garantiranno la vittoria. Le grandi aziende di chip stanno già svelando i propri chip realizzati per l'IA per competere con le offerte delle startup. Intel, ad esempio, ha recentemente annunciato l'intenzione di rilasciare una nuova famiglia di processori progettati con Nervana Systems, una startup acquisita lo scorso anno. Nvidia si sta anche muovendo rapidamente per aggiornare le capacità dei propri chip.
Le startup affrontano un'altra sfida. Molti di loro stanno progettando hardware per supportare applicazioni AI altamente specializzate. Ma possono volerci anni per portare un chip sul mercato. Data la velocità con cui l'IA si sta evolvendo, c'è il rischio reale che nel momento in cui i loro prodotti saranno ampiamente disponibili, gli usi per i quali sono stati progettati non saranno più in primo piano.
Shahin Farshchi di Lux Capital, che ha investito in Nervana e ha una partecipazione in Mythic, traccia un parallelo con le startup che costruiscono processori per applicazioni wireless 4G a metà degli anni 2000. Molti di questi hanno finito per fallire perché sono stati ottimizzati per applicazioni che non sono diventate mainstream. Ci sarà di nuovo uno scossone per le società di chip che sono molto concentrate, dice.
Ma se le giovani aziende costruiscono chip che coprono un insieme troppo ampio di aree di applicazione, probabilmente sacrificheranno i livelli di prestazioni. E ciò potrebbe renderli vulnerabili alla concorrenza di Nvidia, Intel e altri. Alcuni potrebbero essere acquistati dai giganti dei chip. Ma se molti finiscono per fallire, i venture capitalist inizieranno di nuovo ad arrotolare i loro libretti degli assegni.