AI夏季主题:VC视角

这是一个忙碌的夏天应用企业. 我们的团队在创业和投资领域进行了多次互动,并在我们的团队中加入了一些新公司文件夹.我将在接下来的一系列博客中分享这些活动的亮点,但首先我想回顾一下机器学习目前的市场发展,以及它们是如何影响风险投资模式的。

对半导体初创企业的战略投资仍在继续
在我上一篇关于AI开发者生态系统中的风险投资机会我探讨了为什么风投资金,尤其是来自企业和战略投资者的资金,正在流入AI硬件公司,以及不同类型的风投是如何进入这个领域的。企业风险投资(Corporate Venture Capital, CVC)对人工智能公司的战略投资步伐并未放缓,2018年年底远高于2017年的水平。根据发表的数据CB洞察2018年,cvc在291笔人工智能相关交易中部署了51亿美元。

尽管上面的数据没有区分软件和硬件公司的投资水平,但粗略统计一下前五大硬件初创公司,2018年的投资总额将超过5亿美元。最近的融资表明,芯片投资仍然是CVC的优先事项。

我的同事布夫纳·阿亚加里·桑加马利,桑迪普巴吉卡酒店,桑杰Natarajan大卫·汤普森在以前的博客中都注意到,人工智能的变化带来了新的需求,使得计算机架构和设计的各种方法蓬勃发展。初创公司继续探索垂直市场并创新其硬件,目前他们主要在系统级架构中进行创新,同时利用铸造厂可用、成熟且经济高效的工艺技术。在数据库中收集的数据毕马威调查发现AI芯片公司在不同的工艺节点上生产产品,其中一些公司的芯片采用了一种以上的工艺技术。虽然后缘处理技术(>14nm)仍然足以证明极端专业化的系统级体系结构的潜力,但一些初创公司(如世界语科技公司)已宣布计划在其第一次产品运行中直接移动到7nm,以领先于竞争对手。

随着初创公司和大公司为数据中心以及边缘应用引入定制芯片产品,我们继续看到几乎所有的资源和资本都用于机器学习推理,而不是培训。为什么会这样?部分原因是开发人员框架的一个重要开端,有助于在GPU上保持培训工作量。另一个因素是差异化的机会,即初创企业希望“拥有”的目标市场。常用的培训框架相对较少,而这些网络创建的看似有用的推理模型数量基本上是无穷无尽的。套用谷歌工程师的话沃顿,如果培训的增长与ML开发人员的数量成比例,那么推理的增长与ML用户的数量成比例。但这并不意味着风险投资对解决培训效率低的颠覆性方法不感兴趣,正如一些资金雄厚的初创公司,如哈瓦那实验室(Habana Labs)和最近出道的Cerebras所表明的那样。Cerebras在今年的热芯片大会上宣布了其15kW、1.2万亿的晶体管晶圆级处理器。然而,与我交谈过的大多数投资者都相信,目前的潜在市场规模和可推断性要大得多。

其中一些观察结果在一份报告中得到了证实麦肯锡报告发表于2018年12月。麦肯锡在报告中估计,目前数据中心推理的市场规模是培训的4-5倍,尽管在未来5年,数据中心培训TAM的收入增长速度可能是培训的两倍。该报告还估计,到2025年,新兴的边缘推理市场可能会从现在的几乎为零增长到40亿美元的TAM。再过6年,这将相当于今天的数据中心推理芯片市场。边缘训练,这可能包括软件方法,例如联合学习,还可能刺激新ASIC的开发,以抵消对数据中心培训芯片的需求。

边缘人工智能产品的出现:能源效率和数据流管理是关键
最近对以edge计算为重点的初创公司的风险投资是intelligent edge作为一个独特的垂直市场出现的一个强烈信号。为什么它会成为一个新的类别?它的组件技术如何与传统的半导体产品(如CPU、MCU或移动应用处理器)有所不同?

传统上,“边缘计算”的定义是指硬连线网络的最外层,比如家里桌上的PC。然而,今天的边缘使用案例已经见证了在微型、超移动和远程应用程序中更强大的计算的增长。这些产品的市场迫使设计师在网络连接、物理尺寸和功耗之间进行权衡,这要么是由于产品的形状因素,要么是由于操作条件。不管一个设备是否能方便地接入互联网,至少数据会在边缘被捕获,而将这么多压缩数据流到云端的成本(仅仅一个高清智能摄像头每天就能产生几十gb的数据)通常会变得令人却步。然后,在捕获点启用数据结构化(如对图像进行分类和标记)将变得更加有利。虽然一些边缘应用(如远程传感器)可能比其他应用更受电力限制,而且可能牺牲绝对精度以节省电池寿命,但其他应用(如车辆导航)可能不得不将响应性(低延迟和小批量)置于其他一切之上。

尽管试图严格定义什么是“边缘”通常比遵循规则的人提供更多的例外,它通常是指以绝对计算吞吐量为代价平衡功耗和内存使用的芯片。内存效率低下几乎被AI/ML实践者视为一个关键的机会领域,因为矩阵计算是推理算法的主要支柱,需要快速地将大图像或其他数据集进出内存。从初创公司到最终用户,普遍的趋势是通过将低延迟内存重新定位到更靠近计算电路的位置,并采用技术来增强这些RAM银行的密度,从而使其更易于访问。在2019年1月由美光公司委托进行的Forrester研究,在一项IT专家调查中,89%的受访者将计算内存接近度列为处理AI/ML工作负载的“重要”或“关键”。目前在edge运行高级分析的受访者的信念更为强烈,他们的信念上升到95%。

在我的下一篇博客中,我将讨论一些应用风险投资公司最近与初创公司和VC社区进行的与AI硬件相关的互动。

在您的收件箱中接收更新!

现在订阅

想加入讨论吗?

添加新评论:*

你也可以填写这个类型直接与我们联系,我们将给您答复。