近日，博世和寶馬分別通過各自的風險投資部門對Graphcore進行了投資。該公司總部位于英國布里斯托爾，開發了一種用于人工智能和機器學習的處理器架構。

在目前的D輪融資中，這家英國公司總共籌集了3億多美元的新資本，其中2億美元來自寶馬和博世，這使得Graphcore的估值達到了17億美元。除了這兩家來自汽車價值鏈的公司，微軟也參與投資了這家初創公司。

Graphcore是一家成立于2016年的芯片制造商，它開發了一款創新的處理器——智能處理器(IPU)，以及相應的人工智能和機器智能軟件。該處理器是專門為機器智能訓練和推理而設計的。

據該公司介紹，它的速度是傳統硬件的10到100倍。芯片的量產目前正在進行中，Graphcore的技術預示著人工智能在云計算和邊緣計算方面的范式轉變。

Robert Bosch Venture Capital GmbH (RBVC)投資合伙人、Graphcore董事會成員蔣洪泉解釋道:“高效的IPU技術可以顯著改善基于人工智能的產品，比如自動駕駛汽車或安全系統。”

博世已經在2016年的A輪融資中對Graphcore進行了投資。2017年11月，紅杉資本又參與投資5000萬美元，這對Graphcore至關重要。作為投資谷歌、蘋果和WhatsApp的風險投資公司，紅杉資本董事會對歐洲初創企業極其挑剔。

寶馬和微軟則是首次躋身戰略投資者之列。戴爾和三星電子也在戰略投資者之列。隨著新資本的注入，Graphcore現在計劃提高產量，招聘新員工，并在中國大陸和***開設新辦公室。

Graphcore由半導體行業資深人士首席執行官奈杰爾?圖恩(Nigel Toon)和首席技術官西蒙?諾爾斯(Simon Knowles)共同創立。圖恩和諾爾斯之前曾參與過Altera（全球第二大FPGA廠商，被Intel以167億美元價格收購）、Element14和Icera（英偉達以3.67億美元現金收購）等公司，這些公司最終都以較高的估值退出。

圖恩認為，這次他們能夠，也將比以往任何時候都更能“擾亂”半導體行業，打破英偉達在圖形深度學習計算領域近乎壟斷的局面。

英偉達憑借其GPU芯片在人工智能領域占據主導地位，而且還在不斷發展。這一領域的玩家越來越多，但圖恩認為，只有英偉達擁有清晰、連貫的戰略和有效的市場產品，還有谷歌的TPU，但圖恩聲稱，Graphcore擁有領先優勢，并有極好的機會利用其IPU(智能處理器單元)芯片打造一個新的帝國。

這要回到一些基本的產業邏輯。機器學習和人工智能是發展最快、最具顛覆性的技術。機器學習是當今人工智能的核心，它基于適當的算法(模型)和數據(訓練集)的組合，是非常有效的模式匹配。有些人把AI稱為極限，本質上是矩陣乘法。

盡管這種簡化主義值得懷疑，但事實仍然是，機器學習很大程度上是關于大規模高效數據操作的。這就是GPU如此擅長機器學習的原因。他們的體系結構最初是為圖形繪制而開發的，事實證明它對于數據操作也非常有效。

然而相比于GPU，Graphcore所做的是一個全新的架構。這就是為什么圖恩認為他們比其他競爭對手更有優勢的原因，圖恩認為其他廠商僅僅是選擇增加了一些特別的模塊、和漸進的改進路線。

目前，大多數行業主要使用GPU或其他一些改進的大規模并行處理器進行機器學習(ML)和人工智能(AI)應用。然而，這些CPU和GPU的架構通常不是為ML和AI應用程序設計的。

圖恩指出，與GPU競爭，必須是要有效地構建專門的芯片(asic)，這些芯片非常擅長對數據進行某些特定的數學運算，并針對特定的工作負載進行優化。

以自動駕駛汽車為例，一輛你今天能買到的量產汽車，只要配備攝像頭和雷達，每30秒就能產生大約6G的數據。隨著傳感器的增加，激光雷達的配置，既需要巨大的計算能力，也意味著巨大的電力需求。

在圖恩看來，在不久的將來，自動駕駛系統的功耗將成為汽車制造商的一個苦惱的問題。而IPU被圖恩描述為可以改變整個機器學習市場的游戲規則。它還可以減少自動駕駛汽車的系統功耗，并且可以讓工程師開發更便宜、更可靠的系統。

但與大多數AI芯片瞄準的所謂類腦芯片方向不同，諾爾斯認為，大多數神經形態學計算項目都提倡通過像大腦這樣的電脈沖來進行通信。但跟著大腦走并不是一個好主意。他認為計算機架構師應該一直努力學習大腦是如何計算的，但不應該努力在硅上復制它。

當被問及摩爾定律的局限性時，圖恩指出，我們已經遠遠超出了任何人的想象，我們還有10到20年的進步空間。但是，他同時表示，現在已經達到了一些基本的極限。

圖恩認為，我們已經達到了可以在這些芯片上使用的最低電壓。因此，我們可以增加更多的晶體管，但我們不能讓它們跑得更快。比如，筆記本電腦芯片仍然運行在2Ghz，只是多了一些內核。但我們現在需要數千個內核來進行機器學習。我們需要一個不同的架構過程，以不同的方式設計芯片。“舊的做法已經行不通。”

Graphcore的IPU是一種通用的機器智能處理器，專門為機器智能設計。架構的優點之一是，它適用于許多今天的機器學習方法，如CNNs，但它也高度優化了不同的機器學習方法，如強化學習和未來的方法。

圖恩認為，IPU架構使他們有信心能夠超越GPU——它結合了大量的并行性，每個IPU有超過1000個獨立的處理器核和芯片內存，因此整個模型可以在芯片上保存。

但在實踐中，IPU與英偉達的GPU相比較是什么結果？最近發布的一些機器學習基準測試，結果顯示英偉達的表現優于Graphcore。當被問及對此的看法時，圖恩說，他們意識到了這一點，但目前專注于優化特定客戶的應用程序和工作負載。

但他仍然認為，機器學習的數據結構是不同的，因為它們是高維和復雜的模型。這意味著要以不同的方式處理數據。圖恩指出，GPU非常強大，但在處理某些特定數據結構方面不一定高效。“我們有機會為這些數據結構創建一些速度快10到100倍的芯片”。

然而，在這個市場競爭中，速度和性能并不是成功的全部。正如傳統汽車芯片領域，并非誰的產品性能在某些方面突出就一定占據市場主流。

同樣，英偉達的成功并不僅僅是因為它的GPU功能強大，和競爭對手的區別，很大一部分在于軟件層。GPU可以使開發人員能夠從硬件細節中抽象出來并專注于優化機器學習算法、參數和過程的庫，這才是英偉達成功的關鍵部分。

英偉達不斷改進這些庫，最新的RAPIDS庫承諾與CPU相比，數據分析和機器學習的速度將提高50倍。相比之下，Graphcore處于什么位置？圖恩承認，未來軟件非常重要，并補充說，除了構建世界上最復雜的硅處理器，Graphcore還構建了第一個專門為機器智能設計的軟件工具鏈。

Graphcore目前銷售的產品是PCIe卡（C2 IPU-Processor Cards），這種卡可以直接插入服務器中，每個卡包含兩個IPU處理器。目前，Graphcore正以渠道合作伙伴的身份與戴爾合作，為企業客戶和云客戶提供戴爾服務器平臺。

據圖恩介紹，明年的產品將更加廣泛，包括數據中心、云計算和一些需要大量計算的邊緣應用程序，比如自動駕駛汽車。

正如寶馬i Ventures首席執行官托拜厄斯?雅恩在一份聲明中表示的:“Graphcore的IPU支持多種高效的機器學習技術，它的多功能性非常適合各種應用，從智能語音助手到自動駕駛汽車。Graphcore的IPU可以靈活地在數據中心和車輛上使用相同的處理器，這也為減少開發時間和復雜性提供了可能性。”

更為關鍵是的，對于像寶馬、博世這樣的自動駕駛行業領頭羊來說，盡管此前都已經與英偉達合作多年，并還共同參與了多個聯盟。但對于汽車制造商和零部件廠商來說，芯片作為未來的自動駕駛核心，必須做好更多的預防準備。

這種預防既有為供應鏈穩定提供后備，同時也有利于汽車制造商定制自己的芯片以匹配不同的自動駕駛系統。正如特斯拉先后用過Mobileye（因為無法植入自己的算法而放棄）、英偉達（目前在用，但屬于通用GPU芯片），最后也被迫自主研發適合AutoPilot的芯片，甚至在某些性能上超出了英偉達的水平。

這似乎也應證了Graphcore認為自己可以超過英偉達的判斷。

但對于像Graphcore這樣的期望顛覆未來人工智能芯片格局的初創公司來說，無論在硬件層面還是軟件層面，實現其承諾都將是一場艱苦的硬仗。而這場競賽無疑是為了嘗試不同的想法和架構，看看什么最適合AI技術和開發人員。