返回 登录
4

5家初创公司打造人工智能芯片

当我们开始这个小众市场的时候,我们的第一个问的问题是:什么是人工智能芯片?最好的办法是先思考人工智能软件需要什么:很好的处理速度,以及高处理速度所需的大功率。然而,处理器的运行方法也很重要。这段从MIT Technology Review引用的文字解释了为什么我们不能仅仅用高端的英特尔处理器芯片来实现人工智能:

一个顶级的英特尔处理器包含过多的punch用来运行庞大的金融电子表格或是企业运营软件时,而为了深度学习的芯片优化将一些特定类型的问题(比如理解语音命令或识别图像)分成为无数的小块(bite-size chunks)。因为GPUs有数以千计的小型处理器核心挤在同一个硅片上,所以它们可以同时处理成千上万的小块。分配一个英特尔处理器到这种工作上将是一个巨大的资源浪费,因为每一个这种处理器都包含着几十个原本设计用来运行复杂算法的内核,而深度学习芯片只要去处理所有的那些小型任务,并不需要思考那么多复杂运算。

GPU(Graphical Processing Units)是人工智能应用(例如图像识别和计算机视觉)会用到的芯片。你构架一个芯片实际的方法可以是优化特定的人工智能任务,比如图像识别、语音识别,或者任何类型的大数据分析。在深度学习的情况下,你用人工神经网络生成模拟神经元从而刺激大脑行为。以下是打造芯片和硬件解决方法并承诺优化人工智能任务的5个公司。

KnuEdge

KnuEdge实际上并不是一个初创公司,它由NASA的前任负责人创立,已经在一个隐形模式下运营了10年。KnuEdge最近从隐形的模式中走出,并让全世界知道他们从一个匿名的投资人获取1亿美元的投资用来开发一个新的“神经元芯片”:

KUNPATH提供基于LambaFabric的芯片技术,LambaFabric将会通过与现在市场上的GPUs、CPUs和FPGAs完全不同的架构进行神经网络的计算。LambdaFabric本质上是为在高要求的运算环境下向上拓展至512000台设备而设计,机架至机架延迟时间只有400毫微秒,低功耗的256核处理器。KNUPATH技术以生物学原理为基础,将会重新定义数据中心和消费设备市场中的芯片级/系统级计算。

对比其他相似的芯片,这个芯片技术应提供2倍到6倍的性能优势,并且公司已经通过销售他们的样机系统获得了收入。在“KnuEdge伞形结构”下,KnuEdge由3个单独的公司组成,KnuPath提供他们的芯片,KnuVerse提供通过验证的军事级的语音识别和验证技术,Knurld.io是一个允许开发者们去简单地融合语音验证到他们的专利产品的公共云API服务(Public cloud API service)。KnuEdge宣称,现在只需要对着麦克风说几个词就可以做到验证电脑、网络、移动应用和物联网设备。以后再也不用记住密码将会是一件多棒的事情?

图片描述

创立于2014年,位于圣地亚哥的初创公司Nervana Systems已经从20家不同的投资机构那里获得了2440万美元资金,而其中一家是十分受人尊敬的德丰杰风险投资公司(Draper Fisher Jurvetson,DFJ)。The Nervana Engine(将于2017年问世)是一个为深度学习专门定做和优化的ASIC芯片。这个方案的实现得益于一项叫做High Bandwidth Memory的新型内存技术,同时拥有高容量和高速度,提供32GB的片上储存和8TB每秒的内存访问速度。该公司目前提供一个人工智能服务“in the cloud”,他们声称这是世界上最快的且目前已被金融服务机构、医疗保健提供者和政府机构所使用的服务,他们的新型芯片将会保证Nervana云平台在未来的几年内仍保持最快的速度。

Horizon Robotics

由中国人创立于2015年的初创企业Horizon Robotics(地平线机器人)已经从包括Sequoia和传奇的风险资本家Yuri Milner等投资人获得了未透露金额的种子基金。他们正在着手于建立一个一站式人工智能解决方案,定义“万物智能”,让生活更便捷、更有趣、更安全。

krtkl

创立于2015年的krtkl致力于创造“一个微小的无线电脑用来创造一些完全不同的东西”。技术人将会迷恋Snickerdoodle,一个双核ARM处理器、FPGA、WIFI、蓝牙,起价于65美元,“以最小、最难做、最实惠赋能机器人、无人机和计算机视觉等的平台”。这个产品事实上是通过众筹获得了超过16万美金的资金。最新的信息是说他们已经收到了Snickerdoodle初级版本,并且很快就会出货。

Eyeriss
Eyeriss事实上还不是一个初创公司,但是因为它是由MIT开发并且获得了大量的媒体报道,所以我们不能从这个名单中排除它。Eyeriss是一个高效能的深度卷积神经网络(CNN)加速器硬件,架构图如下:

这里的主要收获是:上面描述的硬件比起现有的图形处理器GPUs更加高效、10倍更快并且消耗10倍更少。美国国防部高级研究计划局(Darpa)提供部分资金,由Vivienne Sze领导的MIT团队在今年的会议上公开了芯片,是最先进的神经网络首次在定制芯片上进行演示。

评论