Yarı iletken endüstrisinde "Anti-trend": Yapay zeka yeni nesil çipleri nasıl tanımlıyor?
Görüntü kaynağı @
Metin Zhao Saipo
Bir anlamda, yarı iletken endüstrisinin son 50 yıldaki gelişimi, insan bilgi işlem devrimi için bir yakıt kaynağı haline geldi.
Kavramsal açıdan bakıldığında, bir yarı iletken yine bir çip olarak anlaşılır, çok sayıda matematiksel işlemi çok hızlı bir şekilde tamamlayabilen ve bu hesaplamayı kullanarak gerçek fiziksel dünyada hedeflere ulaşabilen oldukça minyatür bir elektronik ürün.
Kısacası çip, elektronik cihazlarımızın beynidir. Bilgisayarların ve diğer makinelerin alternatifleri değerlendirmesine yardımcı olur ve telefonlar, bilgisayarlar, arabalar, uçaklar ve İnternet için bilgi işlem gücü sağlarlar.
Yarı iletkenler, silikon levhalar üzerinde üretilen çok karmaşık nesnelerdir. Bu gofretlerin üretimi çok pahalıdır ve ilk yatırım milyarlarca dolar gerektirir. Son 60 yıldaki insan toplumunun en büyük teknolojik mucizelerinden biri, yonga boyutunun sürekli olarak küçültülmesi ve bilgi işlem performansının sürekli iyileştirilmesidir, buna genellikle "Moore Yasası" diyoruz.
Bu endüstride, yarı iletken üretebilen yalnızca bir avuç şirket var ve teknolojinin karmaşıklığı nedeniyle yarı iletken fabrikaları inşa etme maliyeti keskin bir şekilde arttı. Bu aynı zamanda yarı iletken endüstrisinin benzersiz bir iş modeli oluşturmasına da olanak tanır. Tüm zincirde yalnızca iki tür şirket vardır: bir tür Intel gibi bir çip tasarım şirketi ve diğeri bir çip tasarım şirketi ve bir çip döküm şirketi veya bir dökümhane şirketidir.Aşağıdaki resim 2018'in ilk yarısında dünyanın en iyi on dökümhanesini göstermektedir.
Moore Yasası'nın başarısız olup olmadığına bakılmaksızın, yarı iletken endüstrisi hala gelişiyor. 7 nanometre sürecine giden yolda, şu anda yalnızca TSMC, Intel ve Samsung var. Elbette, Intel şu anda epeyce zorluklarla karşılaşıyor. Bu aynı zamanda bilgisayardan İnternet ve daha sonra akıllı telefonlara, bilgi işlem performans gereksinimlerinin sürekli iyileştirilmesiyle birlikte, tüm yarı iletken endüstrisinin merkezileşme eğilimi temelde kaçınılmaz bir sonuçtur.
Endüstriyel bir bakış açısına göre, günümüzün yarı iletken endüstrisi gittikçe otomotiv endüstrisine benziyor ve birleşmeler ve satın almalar hızlanıyor. Broadcomun Qualcommu satın alması ve Qualcommun NXPyi satın alması 2018de başarısız olsa da, endüstriyel gelişme eğilimi kaçınılmazdır ve yalnızca yeterli tekel vardır Yalnızca daha büyük pazarlık gücü oluşturmak için önümüzdeki üç ila beş yıl içinde yeni birleşme ve satın almalar devam edecek.
Bir
Son iki yılda, yarı iletken endüstrisinde bir "anti-trend" ortaya çıkmaya başladı: Kendi geliştirdiği çip .
Apple, akıllı telefonlar alanında 2008 yılında sessizce yonga üreticisi PA Semi'yi satın aldı ve iki yıl sonra birinci nesil yonga A4 işlemcisini piyasaya sürdü.Bu işlemci, iPhone ve iPad için hızla standart bir ürün haline geldi. Daha sonra Apple, Apple Watch, Apple TV ve diğer ürünlere bağımsız olarak geliştirilen işlemcileri ekledi. Ayrıca tanınmış Apple analisti Ming-Chi Kuo'ya göre, 2020'den sonra Apple kendi çiplerini Mac serisi bilgisayarlara entegre edecek.
Öte yandan Google, veri merkezlerinde yonga geliştirmeyi ilerletiyor. Kasım 2018 itibarıyla Google, üç nesil Tensor Process Units (bundan böyle TPU'lar olarak anılacaktır) piyasaya sürdü. Bu ürünler, makine öğrenimine yönelik giderek artan talebi ve dolayısıyla Google'ın bulut hizmetlerindeki özel yeteneklerini artırmayı hedefliyor.
Yukarıdaki fenomen, yarı iletken endüstrisinin başlangıcına çok benziyor.O zaman, tüm şirketler çipleri dahili olarak geliştirdi ve üretti.Kurumsal Ar-Ge maliyetlerinin artmasıyla, bazı şirketler çip tasarım ve üretimini ayırmaya veya üçüncü taraf şirketlere doğrudan dış kaynak sağlamaya başladı. , Bu tür bir iş bölümü maliyetleri de büyük ölçüde düşürür.
Ama şimdi, Apple ve Google dışında, giderek daha fazla şirket "anti-trend" ordusuna katılıyor.Amazon, Microsoft, Huawei ve Alibaba gizlice çip geliştiriyor.
iki
Yapay zeka, yarı iletken endüstrisine değişim için yeni fırsatlar da getiriyor.
Yapay zekayı en temel bakış açısıyla anlamak veya kesin olarak makine öğrenimi, üzerinde çok sayıda profesyonel matematiksel hesaplamanın yapılabildiği gelişmiş bir yazılım formu gibidir. Derin sinir ağları söz konusu olduğunda, çeşitli değişkenlerin ağırlıkları üzerinde karmaşık hesaplamalar yaparak karar vermeyi uygulayan çok karmaşık bir "oylama" algoritmasıdır.
Makine öğrenimi veya derin öğrenme süreci tekrar tekrar bir hesaplama sürecidir Hesaplama hızı nasıl geliştirilebilir? Tabii ki, hesaplamaları paralel hale getirmektir.Bu gereksinim aynı zamanda görüntü hesaplamalarına çok benzer.İlkeler mutlaka aynı olmasa da, gerçekler görüntü hesaplama işlemcisi GPU'yu makine öğrenimine koymanın etkisinin çok iyi olduğunu gerçekten kanıtladı. Ayrıca son dört yılda NVIDIA'nın "mucizesini" yarattı.
Ancak Nvidia dışında, sektördeki hiç kimse yalnızca GPU'ların makine öğrenimi için uygun olduğunu görmek istemiyor.Geleneksel yonga şirketi Intel'den İnternet devleri Google, Facebook ve Amazon'a kadar hepsinin kendi düşünceleri var.
Yapay zeka çiplerinin işlevsel seviyesinden, yapay zeka çiplerinin iki ana gereksinimi vardır: Eğitim ve çıkarım . Bu iki gereksinim birbiriyle ilişkilidir ve yapay zeka çiplerinin tüm sürecini oluşturur.
Önce eğitimden bahsedelim. Veri merkezinde büyük miktarda etiketli veri toplandığında, mühendisler verileri "eğitmeye" başlayacaklar. Kısacası, büyük miktarda veride mevcut modelleri bulmaktır.
Diğer yandan çıkarım, sonuçları yansıtmak için modeli sunmaktır.Çoğunlukla "makine kararı" diyoruz, yani kullanıcı net olmayan bir talimat girdiğinde makine makul bir cevap verebilir.
Yukarıdaki iki paragraf biraz karmaşık. Şimdi iki duruma bir göz atalım. Cep telefonunuzda Google Foto kullandıysanız, bu ürünün yalnızca fotoğraflarınızı yedeklemekle kalmayıp, aynı zamanda aşağıdaki şekilde gösterildiği gibi bir dizi ilginç işlev de sağladığını göreceksiniz. Göster, "Geçmiş Yıllar Bugün" tavsiyelerini görebilir ve resimleri doğrudan doğal dilde arayabilirsiniz.
Google Foto'nun yukarıdaki işlevlerini uygulamak için önce verileri, yani fotoğrafları Google sunucusuna yüklemeniz gerekir. Bir süre sonra yukarıdaki resimdeki önerileri görebilirsiniz. Bunun nedeni Google'ın veri eğitiminin bulutta olmasıdır ve çıkarım Sonuç, sunulacak ağın desteğine ihtiyaç duyar, başka bir deyişle kullanmak için internete bağlı olmanız gerekir.
Apple'ın yaklaşımı tamamen farklı. Appleın kendi geliştirdiği çip ve sinir ağı işleme motorunu temel alan iPhone ve iPad şu anda yerel yapay zeka hesaplamalarının yanı sıra fotoğraf verilerinin eğitimi ve çıkarımını da uygulayabilir. Apple, aşağıdaki şekilde gösterildiği gibi tüm işlemleri yerel cihaza koyar. Benzer fotoğraf önerileri, doğal dilde arama ve diğer işlevler göreceksiniz.
Aslında hangi yöntemi izleyeceğimizi doğrudan yargılamak bizim için zor, sadece her yöntemin belirli bir kullanım alanına sahip olduğu söylenebilir.Örneğin otonom araçlarda yapay zeka çiplerinin işlenmesi lokal olarak yerleştirilmeli, tek yol bu. Bulut ile veri alışverişinin gecikmesini önlemek için araba kazalarının meydana gelmesini de önleyebilir.
Yukarıdaki perspektiften, AI çipleri alanında üç büyük pazar vardır: veri merkezi eğitimi, veri merkezi muhakeme ve cihaz / uç muhakeme.
Geçmişteki çip endüstrisi otomobil endüstrisine benziyorsa ve geç kalanlar ve girişimciler için fırsat yoksa, o zaman AI çiplerinin yarattığı üç alanda hayal gücü için yeterli alan sağladı ve sermaye piyasasının olasılıkları görmesine izin verdi. Aşağıdaki şekil sadece 2017 yılı verileridir.
üç
Yapay zeka çipleri için üç büyük pazar açısından gelecekteki fırsatlara bakarsanız.
Öncelikle veri merkezi AI çip pazarında rekabet çok şiddetli olacak.Bir yandan CPU'lar piyasadan kolay kolay çekilmeyecek, diğer yandan veri merkezi sahipleri Amazon, Google, Microsoft, Alibaba gibi küresel bulut bilişim devleri. AI çiplerine olan talep elbette çok güçlü ama yukarıda da belirtildiği gibi bağımsız olarak kendi çiplerini geliştiriyorlar.Bu, bu firmaların üçüncü parti chip satın almayacağı anlamına gelmese de bu pazarın özelliğini de gösteriyor.
İkincisi, ekipman muhakeme pazarı çok büyük olmasına rağmen, çok alt bölümlere ayrılmış alanlara sahiptir.Örneğin, farklı ekipman biçimleri, uygulama senaryolarında ve enerji tüketiminde çok büyük farklılıklara yol açmaktadır. Sonuçta çok karmaşık olacak, tabii ki devler ve startuplar bu alanda kendine yer edinme fırsatı buluyor.
Elbette, geleneksel yarı iletken endüstrisine benzer şekilde, AI yongalarının nihai eğilimi yine de oligopol olacaktır.
Daha heyecan verici içerik için Titanium Media WeChat ID'yi (ID: taimeiti) takip edin veya Titanium Media Uygulamasını indirin
