第7期 2021/04/30
新創(chuàng)新時代：摩爾定律還沒死，人工智能準(zhǔn)備爆發(fā)
摩爾定律已經(jīng)死了，對吧？不妨再想想。
沒錯，中央處理器性能過去每年增加40%，現(xiàn)在放緩了，但將中央處理器和其他處理器的合在一起，其性能則以每年超過100%的速度增加。這種處理性能上大規(guī)模的改進(jìn)是前所未有的，再與數(shù)據(jù)及人工智能相結(jié)合在一起，勢必完全改變我們考慮硬件設(shè)計、軟件編寫及技術(shù)如何應(yīng)用于企業(yè)的方式。
每個行業(yè)都會被顛覆。經(jīng)常聽到這個說法吧。是的，絕對是真的。我們在下面就來看看為什么是這樣以及這一切意味著什么。
在本文的突破性分析里，我們將會公布一些數(shù)據(jù)，這些數(shù)據(jù)表明我們正在進(jìn)入一個新的創(chuàng)新時代，廉價的處理能力必將推動機(jī)器智能應(yīng)用的爆炸性發(fā)展。我們會提到將會出現(xiàn)的新瓶頸以及這對于未來十年的系統(tǒng)架構(gòu)和行業(yè)轉(zhuǎn)型意味著什么。
摩爾定律真的死了嗎？
這個問題我們在過去的十年里聽過不下幾百次。EE Times的文章討論過，MIT Technology Review（麻省理工科技評論）、CNET、SiliconANGLE的文章討論過，甚至一些跟隨摩爾定律節(jié)奏前進(jìn)的行業(yè)協(xié)會都討論過。筆者的朋友和同事Patrick Moorhead說得很對：
> 嚴(yán)格意義上的摩爾定律是說芯片密度每兩年翻一番，那么可以說摩爾定律確實不再有效。
確實是這樣。他完全正確。不過，他在前面加了"嚴(yán)格意義上的 "是有原因的……原因是他是個明白人，知道芯片行業(yè)是變招高手。
過去的性能曲線被瓦解
下面的圖說明，嚴(yán)格意義上的摩爾定律的死亡是無關(guān)緊要的。
摩爾定律過去的結(jié)果實際上還在加速增加，而且增加還相當(dāng)引人注目。這張圖顯示了蘋果公司的片上系統(tǒng)發(fā)展的進(jìn)程，起于A9，至A14五納米仿生片上系統(tǒng)達(dá)到高峰。
縱軸顯示的是每秒操作次數(shù)，橫軸顯示了三種處理器類型的時間點：CPU以萬億赫茲（1012赫茲）為單位（最下面幾乎看不到的藍(lán)線）；圖形處理單元或GPU，以每秒萬億（1012）次浮點運(yùn)算為單位（橙色）；神經(jīng)處理單元或NPU，以每秒萬億次運(yùn)算為單位（爆炸性的灰色區(qū)域）。
許多人應(yīng)該都還記得，曾幾何時，我們忙著購買最新和最強(qiáng)勁的個人電腦，因為新的型號時鐘周期更快，即是說多一些千兆赫茲。根據(jù)摩爾定律，性能每24個月翻一番，或者說每年增加40%左右。而現(xiàn)在，CPU性能升已經(jīng)放緩到每年大約30%，所以從技術(shù)上講，摩爾定律已經(jīng)死了。
蘋果的片上系統(tǒng)性能打破常規(guī)
綜合各方面來看，蘋果片上系統(tǒng)（SoC）的改進(jìn)速度自2015年以來已經(jīng)高于每年118%。實際還更高些，因為118%是上面顯示三種處理器類型的實際數(shù)字。我們在上圖里甚至還沒有計算系統(tǒng)中的數(shù)字信號處理器和加速器組件的影響，算上這些因素這個數(shù)字又可以更高些。
上圖右側(cè)所顯示的蘋果A14可是相當(dāng)厲害，A14用了64位架構(gòu)、多核以及另類處理器類型。而重要的要拿所有這些處理能力在iPhone里做什么呢？人工智能應(yīng)用類型在不斷發(fā)展，從面部識別到語音和自然語言處理、到渲染視頻、到幫助聽障人士等等，最終還可以將增強(qiáng)現(xiàn)實送到你的手掌上。
相當(dāng)?shù)夭豢伤甲h。
處理功能走向邊緣——網(wǎng)絡(luò)和存儲成瓶頸
我們最近報道過微軟公司首席執(zhí)行官薩提亞-納德拉（Satya Nadella）史詩般的說法：吾輩攀到了中心化的頂峰。下圖描繪了一個很有說服力的畫面。我們在上面說了處理能力正在以前所未有的速度快速發(fā)展。而成本卻在排山倒海般地下降。蘋果公司的A14芯片單位成本為50美元。Arm公司在旗下V9公告里說，即將發(fā)布的芯片可置于冰箱內(nèi)，可以優(yōu)化能源使用，每年可節(jié)省10%的電力消耗。人家說這種芯片只需花1美元，花1美元就可以節(jié)省冰箱電費(fèi)的10%。
處理功能各式各樣而且廉價。看看昂貴的瓶頸在哪里：網(wǎng)絡(luò)和存儲。那么這意味著什么呢？
這意味著，處理功能將被推至邊緣——即數(shù)據(jù)誕生的地方。存儲和網(wǎng)絡(luò)必將越來越呈現(xiàn)分布式和去中心化，定制芯片和處理功能可以將嵌入人工智能置于整個系統(tǒng)里，可以優(yōu)化工作負(fù)載的延遲、性能、帶寬、安全和價值的其他方面。
要記住，大部分的數(shù)據(jù)（99%）都留在邊緣。我們就拿特斯拉公司作為一個例子。特斯拉汽車創(chuàng)造的絕大多數(shù)數(shù)據(jù)都不會返回云端。這些數(shù)據(jù)甚至都不會被持久化。特斯拉也許就保存5分鐘的數(shù)據(jù)。而有些數(shù)據(jù)會偶爾連接回云端，用于訓(xùn)練人工智能模型。我們下文里還會回來討論這個問題。
上面這張圖在說，如果閣下是一家硬件公司，那閣下最好開始考慮如何利用那條藍(lán)線，即處理能力的爆炸。在我們看來，戴爾科技公司、惠普企業(yè)公司、Pure Storage公司、NetApp公司以及之類的公司有兩條路，要么開始設(shè)計定制芯片，要么就是被顛覆。亞馬遜網(wǎng)絡(luò)服務(wù)公司、谷歌公司和微軟公司都在這樣做是有其道理的，思科系統(tǒng)公司和IBM公司在這樣做。正如云計算顧問Sarbjeet Johal所言，"已經(jīng)不是爺爺?shù)陌雽?dǎo)體業(yè)務(wù)了。"。
如果閣下是一名軟件工程師，閣下就要去編寫應(yīng)用程序利用收集的所有數(shù)據(jù)，去發(fā)揮這種巨大的處理功能，去創(chuàng)造我們以前從未見過的新功能。
人工智能無處不在
處理能力的大幅提高和廉價芯片必將為下一波人工智能、機(jī)器智能、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)提供強(qiáng)大動力。
我們有時會將人工智能和機(jī)器智能交換使用。機(jī)器智能這個概念源于我們與作家David Moschella的合作。有趣的是，他在自己的書《看見數(shù)字》里說機(jī)器智能 "并沒有人工因素"可言：
> 機(jī)器智能沒有任何人工因素，拖拉機(jī)的強(qiáng)大也沒有任何人工因素，一樣的。
只是細(xì)微的差別，不過精確的語言往往可以令事情變得清晰。我們經(jīng)常聽人說到機(jī)器學(xué)習(xí)和深度學(xué)習(xí)，認(rèn)為二者是人工智能的子集。機(jī)器學(xué)習(xí)將算法和代碼用于數(shù)據(jù)，可以變得 "更聰明"，例如，建立更好的模型，獲得人類或機(jī)器的增強(qiáng)智能及更好的決策。這些模型會在獲得更多的數(shù)據(jù)以及在不斷迭代中得到改進(jìn)。
深度學(xué)習(xí)則是基于更復(fù)雜的數(shù)學(xué)，是更高級的機(jī)器學(xué)習(xí)。
上圖右側(cè)列出來人工智能兩個廣泛的要素。我們在這里想說的是，時下人工智能的大部分活動都集中在建立和訓(xùn)練模型上。這些活動大多發(fā)生在云端。而我們認(rèn)為人工智能推理則會在未來幾年里帶來最令人興奮的創(chuàng)新。
人工智能推理釋放巨大的價值
人工智能推理是指模型的部署，就是從傳感器獲取實時數(shù)據(jù)，在本地處理數(shù)據(jù)，利用在云端開發(fā)好的訓(xùn)練，實時進(jìn)行微調(diào)。
我們舉個例子。我們喜歡汽車的例子，觀察一下特斯拉有一定的啟發(fā)性，也是一個能說明邊緣可能會演變的好模型。那就設(shè)想一下，汽車在轉(zhuǎn)彎時需要一個優(yōu)化性能和安全性的算法。該模型的輸入是摩擦力、道路狀況、輪胎角度、輪胎磨損、輪胎壓力等數(shù)據(jù)。模型建立者不斷地測試和添加數(shù)據(jù)、迭代模型，最后一切就緒可以部署了。
然后，這個模型的智能進(jìn)入推理引擎，推理引擎是個運(yùn)行軟件的芯片，被置于汽車內(nèi)，從傳感器獲得數(shù)據(jù)以及對轉(zhuǎn)向和制動等進(jìn)行實時微調(diào)。好了到這里，正如我們之前說過的，特斯拉只保存很短一段時間內(nèi)的數(shù)據(jù)，因為數(shù)據(jù)太多。但如果有需要的話，可以選存儲某些特別的數(shù)據(jù)送回云端進(jìn)行進(jìn)一步的模型訓(xùn)練。例如，如果一個動物跑到滑溜的路面上，特斯拉也許可以保存該數(shù)據(jù)快照，將其發(fā)回云端，再與其他數(shù)據(jù)相結(jié)合進(jìn)一步完善模型，進(jìn)而提高安全性。
這個例子只是成千上萬個人工智能推理用例里的一個，這種用例在未來十年將得到進(jìn)一步發(fā)展。
人工智能的價值：從建模轉(zhuǎn)向推理
下面的概念圖顯示了建模與推理的花費(fèi)百分比隨時間的演變。從圖中可以看到時下受關(guān)注的一些應(yīng)用，可以看到，這些應(yīng)用隨著推理成為主流將逐漸成熟。人工智能推理在邊緣和物聯(lián)網(wǎng)領(lǐng)域的機(jī)會是巨大的。
建模的重要性將持續(xù)。時下的建模工作負(fù)載出現(xiàn)在欺詐檢測、廣告技術(shù)、天氣、定價、推薦引擎等無所不包的領(lǐng)域，建模工作負(fù)載將不斷得到改善。但是，我們認(rèn)為，推理是重中之重，前面的例子也很好地說明了這一點。
在圖形的中間，我們標(biāo)出了一些行業(yè)，這些趨勢將改變所有這些行業(yè)。
說起來另外還有一點。Moschella在他的書中對于為什么過去的垂直行業(yè)大多相互隔絕做了解釋。這些垂直行業(yè)都有自己的產(chǎn)品、供應(yīng)、物流、銷售、營銷、服務(wù)、履行等各方面的 "堆棧"。專業(yè)知識傾向于駐留在行業(yè)內(nèi)，而一眾公司在大多數(shù)情況下都待在各自的泳道上。
而現(xiàn)在我們可以看到許多科技巨頭進(jìn)入其他行業(yè)的例子。亞馬遜進(jìn)入雜貨、媒體和醫(yī)療保健，蘋果進(jìn)入金融和電動車領(lǐng)域，特斯拉盯上了保險。很多科技巨頭跨越傳統(tǒng)行業(yè)界限，有很多例子，推動者就是數(shù)據(jù)。例如，汽車制造商漸漸地將比保險公司擁有更好的數(shù)據(jù)。DeFi（去中心化的金融的英文縮寫）或使用區(qū)塊鏈的平臺將不斷利用人工智能得到改善并顛覆傳統(tǒng)的支付系統(tǒng)，等等等等。
因此，我們相信近乎陳詞濫調(diào)那句話：每一個行業(yè)都可以被顛覆。
企業(yè)人工智能快照
我們上周向讀者展示過企業(yè)技術(shù)研究（ETR）公司的以下圖表。
圖里數(shù)據(jù)的縱軸顯示的是凈得分或支出勢頭。橫軸是市場份額或在ETR數(shù)據(jù)集中的普遍性。40%的紅線是我們的主觀定位錨點；在我們看來，處于40%紅線上下的東西都非常好。
一段時間以來機(jī)器學(xué)習(xí)和人工智能是支出速度的第一大領(lǐng)域，因此四顆星。機(jī)器人流程自動化漸漸移向人工智能附近，可以說云是時下所有機(jī)器學(xué)習(xí)活動的發(fā)生地，也在移向人工智能附近，盡管我們認(rèn)為人工智能將漸漸離開云，我們剛剛描述過原因。
企業(yè)人工智能專家上位
下圖顯示了該領(lǐng)域中一些具有勢頭的供應(yīng)商。顯示的是公司首席信息官和信息技術(shù)買家以及他們的AI/ML相關(guān)支出。
上圖用了與前面相同的Y/X坐標(biāo)：縱軸是支出速度，橫軸是市場份額，相同的40%紅線。
大型云計算公司（如微軟、AWS和谷歌）在人工智能和ML方面占主導(dǎo)地位，地位最突出。他們擁有工具和數(shù)據(jù)。正如我們所說的，很多建模是在云中進(jìn)行，但將被推送到遠(yuǎn)程人工智能推理引擎里，這些引擎作為一個整體將擁有大規(guī)模的處理能力。我們正在離中心化高峰而去，這將為創(chuàng)造價值和將人工智能應(yīng)用于工業(yè)提供巨大的機(jī)會。
Databricks公司可被視為人工智能的領(lǐng)導(dǎo)者并且因其強(qiáng)大的凈得分和突出的市場份額脫穎而出。SparkCognition 公司在左上角以極高的凈得分，可以說是一枝獨(dú)秀，盡管樣本很少。該公司將機(jī)器學(xué)習(xí)應(yīng)用于大規(guī)模數(shù)據(jù)集。DataRobot公司做的是自動化人工智能，公司在Y軸上的位置超高。Dataiku公司主打幫助創(chuàng)建基于機(jī)器學(xué)習(xí)的應(yīng)用程序。C3.ai 公司則是一家企業(yè)人工智能公司，由Tom Siebel創(chuàng)立和經(jīng)營。可以看到SAP SE、Salesforce.com公司和IBM Watson正好在40%的線上下。甲骨文公司擁有自主數(shù)據(jù)庫能力，也出現(xiàn)在圖里，還有Adobe公司也在那。
我想說的是，這些軟件公司都在他們的產(chǎn)品里嵌入了人工智能。而那些試圖不被顛覆的現(xiàn)有公司可以從軟件公司購買人工智能。他們不需要自己去建立人工智能。難的地方是如何以及在哪里應(yīng)用人工智能。簡單的答案是：跟著數(shù)據(jù)走。
要點
這個主題還有很多內(nèi)容，但現(xiàn)在不說了，總結(jié)一下。
我們過去曾努力地探討過后x86時代以及降低半導(dǎo)體生產(chǎn)成本對于產(chǎn)量的重要性，而今天我們就對一些我們還沒有真正看到的東西進(jìn)行了量化，也就是量化我們今天在處理方面看到的實際性能改進(jìn)。忘掉摩爾定律已死，摩爾定律已死無關(guān)緊要。原始的命題在近十年里被片上系統(tǒng)以及即將出現(xiàn)的包上系統(tǒng)（System on package）設(shè)計不成比例地夸大了。說到計算性能的提升，現(xiàn)在還有量子計算呢，誰知道未來會有什么樣子。
這些趨勢是人工智能應(yīng)用的基本推動力，和在大多數(shù)情況下一樣，創(chuàng)新源于消費(fèi)者使用案例；蘋果繼續(xù)引領(lǐng)潮流。蘋果將硬件和軟件集成的方法將更多地浸入到企業(yè)思維方式中。顯然，云計算供應(yīng)商正在朝著這個方向發(fā)展。在甲骨文公司也可以看到這一點。將硬件和軟件放在一起優(yōu)化是有其道理的，也將成為趨勢，我們上周討論過Arm宣布的消息，芯片定制的商機(jī)非常多，就是這個原因。新任首席執(zhí)行官Pat Gelsinger帶領(lǐng)的英特爾公司也會朝這個方向發(fā)展。
題外話，Gelsinger在英特爾可能會面臨巨大的挑戰(zhàn)，但他說的半導(dǎo)體的需求正在增加而且看不到盡頭是對的。
如果閣下是個企業(yè)，閣下不應(yīng)該將重點放在發(fā)明人工智能上。相反，閣下的重點應(yīng)該是去了解什么數(shù)據(jù)會給你帶來競爭優(yōu)勢以及如何利用機(jī)器智能和人工智能贏得勝利。你將購買人工智能，而不是建造人工智能。
正如John Furrier多次說過的，數(shù)據(jù)正在成為新的開發(fā)工具。這話他10年前說的，現(xiàn)在更是這樣了：
數(shù)據(jù)就是新的開發(fā)工具
如果閣下是個企業(yè)硬件玩家，閣下就要設(shè)計自己的芯片及編寫更多的軟件去開拓人工智能。你要在你的產(chǎn)品組合中嵌入定制芯片和人工智能，要越來越多地把計算帶到數(shù)據(jù)里。數(shù)據(jù)大多經(jīng)停留在其創(chuàng)建地。系統(tǒng)、存儲和網(wǎng)絡(luò)堆棧都在被顛覆。
如果閣下是軟件開發(fā)者，現(xiàn)在手掌里的處理能力難以置信地強(qiáng)大，要在編寫新的應(yīng)用程序時利用這一點，要使用人工智能去改變世界。你必須搞清楚如何獲得最相關(guān)的數(shù)據(jù)，確保你的平臺的安全及進(jìn)行創(chuàng)新。
最后，如果閣下是一家服務(wù)公司，你的機(jī)會是幫助其他公司不被顛覆。這種機(jī)會很多。你擁有深厚的行業(yè)專業(yè)知識和橫向技術(shù)能力，這些都可以幫助客戶生存和發(fā)展。
隱私？人工智能為善？這些都可以各自成為獨(dú)立話題，記者們也在廣泛地報道。我們認(rèn)為，目前謹(jǐn)慎的做法是，首先要更好地了解人工智能可以走多遠(yuǎn)，再去確定人工智應(yīng)該走多遠(yuǎn)以及應(yīng)該如何被監(jiān)管。我們最關(guān)心的事情應(yīng)該是保護(hù)我們的個人數(shù)據(jù)和隱私，但一般來說，在這個時候我們還不那么想去扼殺創(chuàng)新。
本文章選自《數(shù)字化轉(zhuǎn)型方略》雜志，閱讀更多雜志內(nèi)容，請掃描下方二維碼
