以布里斯托市A38路旁的喷泉池为起始点，你需要花用不到20分钟时间，就可以骑自行车“冲”出这座英国西南部都市的CBD，进入险些只有成排英式平房、灌木丛和河流的郊野。

没错，即便布里斯托（Bristol）是名副实在的英国西南部中央，但从都市规模来看，但它依然被许多中国留学生起了一个异常清新脱俗的名字——“布村”。（ “除了伦敦，其他都是村儿”。）

然而，现在接触芯片产业后，我们才恍然发现，这座古老的英国小城，竟然藏着英国最壮大的半导体产业集群之一。

1972年，硅谷赫赫有名的仙童半导体（英特尔、AMD的首创人们都是从这家公司出来的）为进入欧洲市场做出了一个主要决议——在布里斯托设立一个办事处。自此，便打开了这座英国西部小城面向半导体产业的全球视野。

而6年后，降生于布里斯托，并在80年代占有全球SRAM市场60%份额的微处置器公司Inmos，接受了卡拉汉政府与撒切尔政府高达2亿英镑的投资，才终于缔造出以布里斯托焦点的英国半导体基础设施与生态系统，召集了大批像XMOS 半导体首创人、英国著名盘算机科学家David May这样的半导体超级精英。

“实在布里斯托一直都是英国的IT重镇。它与周围的斯温顿、格洛斯特组成一个三角地带，被称为欧洲的‘硅谷’。半导体公司若是在欧洲设立研发中央，布里斯托通常是首选。譬如英伟达、惠普、博通、高通等世界级巨头都在布里斯托设有办事处。”

一位领会欧洲半导体产业的从业者告诉虎嗅，许多人由于ARM对剑桥印象深刻，但从历史来看，实际上布里斯托才是英国的芯片设计中央。

“华为也在布里斯托也有研发中央。”

就像上世纪50年代，8位天才“叛徒”脱离仙童半导体建立英特尔、AMD、泰瑞达等公司，才成就了现在的硅谷一样，布里斯托才华横溢的工程师们也不甘于停留在“已往”——在摩尔定律失效争议进入热潮，人工智能、盘算结构发生异变的“临界点”上，没有人不盼望能够成为谁人改变时代的领导者。

一位名叫 Simon Knowles 的工程师从剑桥大学毕业后，在1989年第一次踏上布里斯托的土地，接受了存储器企业Inmos的一份芯片设计事情。

在今后近20年里，从Inmos内部一个专用处置器团队的领导者，再到两家半导体企业Element 14与 Icera的首创人之一，Knowles险些见证了摩尔定律到达巅峰和走向衰落的全历程。而幸运的是，Knowles介入建立的这两家总估值跨越10亿美元的公司，划分在2000年和2011年被博通和英伟达收购。

没有任何意外，这位天才半导体设计师与延续创业者，又继续在2016年重新起劲别辟门户，与另一位天才半导体工程师Nigel Toon建立了一家新的半导体设计公司，自动迎击人工智能市场需求触发的芯片架构创新机遇。

没错，这家公司就是刚在2020年12月29日宣布完成2.22亿融资（这笔融资也让公司的资产负债表上拥有4.4亿美元现金），估值已高达27.7亿美元，被外媒称为英伟达最大对手之一的人工智能加速处置器设计商Graphcore。

需要注重，它也是现在西方AI芯片领域唯一的独角兽。

图片为Graphcore的IPU处置器

西方私募与风投看待半导体这种项目一直异常郑重，由于它们资金高度麋集且无法预估前期投资回报。正如Knowles在一次采访时认可：“与能够小规模实验、不乐成再换一个坑的软件产业相比，若是一枚芯片设计失败，除了花光所有钱，公司险些无路可选。”

因此，直到2018年以后，随着人工智能商业化的可能性被连续宣扬和放大，投资者们才确定可以从“人工智能大规模运算驱动芯片结构转变”的趋势中看到回报远景。

于是，在2017年获得了跨越8000万美元投资后的Graphcore，又接连在2018年与2020年划分获得2亿与1.5亿美元风险投资。

需要注重的是，除了博世、三星从A轮就最先参投，红杉资本是Graphcore的C轮领投方，而微软与宝马i风投则成为其D轮融资领投方；

而E轮融资的主要介入者，则是非产业基金——加拿大安大略省西席养老金计划委员会领投，富达国际与施罗德团体也加入了这轮融资。

你可以从投资方看出，Graphcore的产业投资方基本分为三个产业偏向——云盘算（数据中央）、移动装备（手机）与汽车（自动驾驶）。没错，这是三个最早被人工智能手艺“入侵”的产业。

图片来自Crunchbase

工业界们似乎越来越杀青这样一个共识，未来需要有一家像ARM主导移动装备时代一样的底层创新企业，除了有希望卖出上亿块芯片的同时，也能推动人工智能与各个产业的深度整合，最终触到达上百亿通俗消费者。

从产物的角度来看，Graphcore 在2020年拿出了相对引人注目的作品——推出第二代 IPU-M2000芯片，该芯片搭载在一个名为IPU Machine platform的盘算平台上。另外，其芯片配套的软件栈工具Poplar也有同步更新。

“教盘算机若何学习，与教盘算机做数学题，是完全差别的两件事。提升一台机械的‘明白力’，底层驱动注重的是效率，而不是速率。” Graphcore CEO Nigel Toon 将新一代AI芯片的开发事情视为一个“千载一时的机遇”。

“任何公司能做到这一点，都能分享对未来几十年人工智能手艺创新和商业化的决议权。”

切中英伟达的“软肋”

没有一家AI芯片设计公司不想干掉市值高达3394亿美元的英伟达。或者说，没有一家公司不想做出比GPU更好的人工智能加速器产物。

因此，近5年来，大大小小的芯片设计公司都倾向于在PPT上，用英伟达的T4、V100，甚至是近期公布的“最强产物”A100与自己的企业级芯片产物做对照，证实自己的处置器拥有更好的运算效率。

Graphcore也没有破例。

他们同样以为，由于上一代的微处置器——譬如中央处置器（CPU）和图形处置单元（GPU）并不是为人工智能相关事情而专门设计，工业界需要一种全新的芯片架构，来迎合全新的数据处置方式。

固然，这样的说法并不是利益相关者们的单纯臆想。

我们无法忽视来自学术界与产业界对GPU越来越多的杂音——随着人工智能算法训练与推理模子多样性的迅速增添，在降生之初并不是为了人工智能而设计的GPU露出出了自己“不善于”的领域。

“若是你做的只是深度学习里的卷积神经网络（CNN），那么GPU是一个很好的解决方案，但网络已经越‘长’越庞大，GPU已经难以知足AI开发者们越来越大的胃口。”

一位算法工程师向虎嗅指出，GPU之以是快，是由于它天生就能并行处置义务（GPU的释义和特点可以看《干掉英伟达》这篇文章）。若是数据存在“顺序”，无法并行，那么还得用回CPU。

“许多时刻既然硬件是牢固的，我们会想设施从软件层，把存在顺序的数据，变为并行的数据。譬如语言模子中，文字是延续的，靠一种‘导师驱动’的训练模式就可以转换为并行训练。

但一定不是所有模子都可以这么做，譬如深度学习中的‘强化学习’不太适适用GPU，而且也很难找到并行方式。”

由此来看，学术圈不少人甚至喊出“GPU阻碍了人工智能的创新”这句话，并不是耸人听闻。

深度学习的4个生长脉络，制图：宇多田

“深度学习”，这个近10年来机械学习领域生长最快的一个分支，其神经网络模子生长之快、类型之广，只靠GPU这块硬件的“一己之力”是很难追上其庞大运算脚步的。

Graphcore 回复了虎嗅一份更为详尽的谜底。他们以为，对于深度学习中除去CNNs的另外几个分支，特别是循环神经网络（RNN）与强化学习（RL），让许多开发者的研究领域受到了限制。

譬如，用强化学习做出了阿尔法狗的英国AI公司 Deepmind，很早就由于GPU的盘算局限问题而关注Graphcore，其首创人Demis Hassabis最后成为了Graphcore的投资人。

“许多企业产物部门的开发者把需求（特别是延时和吞吐量的数据指标）交给算力平台部门时，他们通常会拒绝说 ‘GPU 现在不够支持这么低的延时和这么高的吞吐量’。

主要原因就在于，GPU的架构更适用于‘静态图像分类与识别’等拥有高浓密数据量的盘算机视觉（CV）义务，但对数据希罕的模子训练并不是最好的选择。

而跟文字相关的“自然语言处置”（NLP）等领域的算法，一方面数据没那么多（希罕），另一方面，这类算法在训练历程中需要多次通报数据，并迅速给出阶段性反馈，以便为下一步训练提供一个便于明白上下文的语境。”

换句话说，这是一个数据在连续流动和循环的训练历程。

就像淘宝界面的“猜你喜欢”，在第一天在“学习”了你的浏览和订单数据后，把不太多的履历反馈给算法举行修正，第二天、第三天以及未来的每一天不停学习不停反馈，才会变得愈加领会你的产物喜欢。

而这类义务，譬如谷歌为更好优化用户搜索在2018年提出的BERT模子，即是优异且影响深远的RNN模子之一，也是Graphcore提到的“GPU异常不善于的一类义务”。为领会决这类问题，仍然有许多公司在使用大量CPU举行训练。

CPU与GPU架构对比

从根本上看，这实在是由当下芯片运行系统最大的瓶颈之一决议的——若何在一块处置器上，将数据尽可能快地从内存模块传送到逻辑操作单元，且不费那么多功耗。在进入数据爆炸时代后，解锁这个瓶颈便愈加迫在眉睫。

举个例子，2018年10月 BERT-Large 的模子体量照样3.3 亿个参数，到2019年，GPT2的模子体量已到达15.5亿（两个均属于自然语言处置模子）。可以说，数据量对从系统底层硬件到上层SaaS服务的影响已经不能小觑。

而一块传统的GPU或CPU，固然可以执行延续多个操作，但它需要“先接见寄存器或共享内存，再读取和存储中心盘算结果”。这就像先去室外地窖拿储存的食材，然后再回到室内厨房举行处置，来来回回，无疑会影响系统的整体效率和功耗。

因此，许多半导体新兴企业的产物架构焦点思绪，即是让“内存更靠近处置义务，以加速系统的速率”——近存算一体。这个观点实在并不新鲜，但能做出真器械的公司少之又少。

而Graphcore到底做到了什么？简朴来说，即是“改变了内存在处置器上的部署方式”。

在一块差不多像小号苏打饼一样大的IPU处置器上，除了集成有1216块被称为IPU-Core的处置单元，其与GPU和CPU最大的差别，即是大规模部署了“片上存储器”。

简言之，即是将SRAM（静态随机存储器）涣散集成在运算单元旁，甩掉了外接存储，最大水平削减数据的搬移量。而这种方法的目的，就是想通过削减负载和存储数目来突破内存带宽瓶颈，大大削减数据传输延迟，同时降低功耗。

IPU架构

也正由于如此，在一些特定算法的训练义务中，由于所有模子都可以保存在处置器中，经由测试，IPU的速率简直可以到达GPU的20~30倍。

举个例子，在盘算机视觉领域，除了赫赫有名且应用普遍的残差网络模子ResNets（与GPU很契合），基于分组卷积与深度卷积偏向的图像分类模子 EfficientNet 和 ResNeXt 模子也是逐渐兴起的研究领域。

而“分组卷积”有个特点，就是数据不够浓密。

因此，微软机械学习科学家 Sujeeth 用Graphcore的IPU做了一次基于EfficientNet模子的图像分类训练。最后的结果是，IPU用30分钟的时间完成了一次新冠肺炎胸部X光样片的图像剖析，而这个事情量，通常需要传统 GPU 用5个小时来完成。

重重磨练

然则，就像GPU的大热与盘算机视觉领域的主流算法模子ResNets的普遍应用的相辅相成，决议Graphcore乐成照样失败的要害，也在于“特定”。

就像Graphcore销售副总裁兼中国区总经理在接受虎嗅采访时指出：

一方面，他们的产物简直更适用于训练市场中数据较为希罕，精度要求较高的深度学习义务，譬如与自然语言处置相关的推荐义务，这也是阿里云与百度愿意与之杀青互助的主要原因之一。

另一方面，盘算机视觉领域刚流行起来的新模子，是IPU在起劲“攻克”的偏向，而之前许多模子，照样GPU最应手。

此外，GPU缔造的壮大软件生态Cuda，比硬件更不容易被损坏（关于Cuda，也在《干掉英伟达》这篇文章里有详细注释），而这层围墙恰恰是开拓产业影响力的要害。

毫无疑问，Graphocore在这方面基本尚浅，因此除了通例操作，他们选择基于编程软件Poplar，做一些相对勇敢的实验。

譬如，他们在自己的开发者社区开放盘算图库PopLibs的源代码，让开发者去实验形貌一种新的卷积网络层。这一层对标的是GPU的cnDNN和cuBLAS，而英伟达并没有开放它们。

为了向开源社区致敬，Poplar v1.4增添了对 PyTorch 的周全支持。这一伶俐的行为将有助于简化人们的接受水平，有助于吸引更普遍的社区介入。

此外，为了能够尽快打开市场，Graphcore并没有走“打竞赛来提升产业知名度”的实验室销售门路，而是将IPU直接推入了产业界，去逐个敲开服务器集成商、云厂商等客户的大门。

“AI这个行业自己，不管是算法的迭代照样模子的转变，实在都是异常快的。有云厂商曾埋怨，说某家处置器跑某一种模子性能异常好，但模子稍微改一改，跑出来的性能就大跌眼镜。”

Graphcore中国区手艺应用总负责人罗旭以为，只管市场在大量宣扬ASIC（专用芯片）和FPGA（可编程芯片），但通用性，仍然是产业界思量芯片的首要条件，尤其是互联网厂商。

“互联网厂商应用异常多，每个应用都市有差别的适用模子。若是一个处置器只能适配一个模子，那客户是无法引入这个处置器做大量推广的。”

而“编程环境是否友好”，也就是英伟达Cuda孝敬的那种气力，是第二个要害的采购指标。

“现在客户一样平常都是用AI框架来设计模子，好比谷歌的TensorFlow、Facebook的PyTorch等等。他们会思量这枚处置器的上层SDK是否能够轻松接入到框架里，以及编程模子是否好用。

客户可能会有一些算子级别的优化，需要做一些自定义算子。自定义算子开发起来是否利便实在也是取决于编程友好性若何。”

若是说客户还在乎什么，固然是产物性能。

无论是云厂商、服务器厂商照样通过云服务购置算力的开发者，都市测试多种模子跑在芯片上的性能显示。

“若是他们主要看重NLP（自然语言处置）模子，那在性能测试时就可能重点测一下BERT。若是他们看重盘算机视觉，那在性能测试时就可能重点测试一些盘算机视觉的经典模子。

总的来说，客户需要从以上几个维度综合评估下来，才气决议到底要不要使用这个处置器，或者说，必须确定这个处置器能给他们带来多大的收益。”

而在这个方面，无论是英伟达，照样Graphcore的IPU或其他厂商的专用芯片，都是有自己最善于的模子，只能说是“各有千秋”，绝对不能以偏概全。

赢家通吃，将不复存在

从Graphcore给出的产物基准测试指标与宣传重点来看，这家公司正在拿着锤子找钉子，起劲扩展IPU善于的应用场景，以便让IPU架构能够施展最大效率。

换句话说，Graphcore或许会分英伟达的一杯羹，但永远不能能取代它们。

正如“特定”这个词的寄义所限，人工智能训练与推理芯片市场，因模子的多样性与庞大性，一定能够容纳包罗英伟达、Graphcore在内更多的芯片企业。

Nigel Toon也认可，人工智能盘算将孕育出三个芯片垂直市场：

相对简朴的小型专用加速器市场，譬如手机、摄像头以及其他智能装备里的某个IP核；

再譬如适用于数据中央某几个功效的ASIC芯片，详细问题详细解决，超大规模数据中央运营商（云厂商）将在这个市场中有大量机遇；

最后一个是可编程的AI处置器，也就是GPU所在的市场。这个市场一定会有更多企业，同时未来更多的创新也一定会发生更大的份额。

CPU会连续存在，GPU也会连续创新，他们在某些AI盘算义务上都是不能或缺的，或者说是最好的选择。然则摩尔定律失效、AI盘算和数据爆炸等趋势催生出的新市场，一定是伟大且多样性的。正是由于多样性，以是才给了更多专用芯片公司新的机遇。

因此，像Cerebras、Groq、 SambaNova Systems 、Mythic AI 这样的芯片创业公司才得以筹集到数亿美元资金，英特尔也在今年投资了刷新AI芯片架构的Untether AI。已经有不少人给出这样的展望——新一代的‘苹果’与‘英特尔’可能会在人工智能盘算市场中降生。

在软件还没有跟上硬件措施的当下，这意味着猛烈的竞争才刚刚最先。