Hardware Club管理合伙人杨建铭：人工智能真正的主战场在硬件 - 行业前沿.docxVIP

【财宝空间】?Hardware Club管理合伙人杨建铭：人工智能真正的主战场在硬件 | 行业前沿 全球智能化商业 2019-05-01 原文 本文原文载自风传媒杨建铭专栏 杨建铭专栏 https://www.storm.mg/article/346000 主编点评：人工智能乍看之下重点在软件，其实假如没有芯片厂商的技术支持，人工智能也是孤掌难鸣，这也是为什么现在很多做AI和IoT的企业都要乐观和芯片大厂建立合作关系的缘由。 作者简介：杨建铭，现任巴黎风险资本公司Hardware Club管理合伙人。台湾高校电机学硕士、法国HEC Paris MBA，CFA持证人，过去曾在亚洲、硅谷和欧洲半导体行业从业十二年，包含创业四年。 在创业浪潮中，大多数投资人和创业者口中念念有词的“软件创新”，其实毫无依据可言。 不过，假如可以，我也想投资一个研发SaaS商用软件的初创企业，看看他们如何用最少的资金做出MVP（Minimum Viable Product，最小可用产品），然后用社群的方式获得众多使用者，每周依据用户反馈迭代产品，再针对进阶使用者每月收取费用，最终以5亿美元的价格出售给Salesforce这样令人景仰的SaaS企业。 但要真有这样的好事，干脆本人创办公司好了。现实上，在动态均衡的商业世界里，没有任何一种商业模式或者产业具有永世的投资优势。 衰亡于2004年的创业浪潮给世界带来了脸书、推特、Youtube、Dropbox、Uber和Airbnb等日常生活的使用软体，也催生了一批非工程背景且未曾创过业的新型风险投资人，他们在各种创业活动中转来转去，以看似老练的口吻问创业者，“每月活跃用户量是多少？” ▍图片来源于网络 但在低门槛的创业和投资环境中，伴随而来的是激烈的市场竞争。不管是创业者，还是风险投资人，都期望用“烧钱”的方式来获得市场份额。最终给行业带来的恶劣影响是，创业公司融不到钱，投资人也赚不到钱。 如今，人工智能行业也呈现这一进展趋势。最近几年，行业充斥着各种人工智能取代人类的观点。现实上，任何有点社会阅历的人都可以想象出一款“用AI取代人类”的创新使用，但独一不同的地方在于，要开发这样的使用需要的不止是能够写程序代码，还需要懂得机器学习的数学专家。 AI创业前提是取得训练模型使用材料 一些初入投资领域的投资人们，忙不及地把钱投进“能够描绘某种AI使用情境”的软件创新中。 当然，略微谨慎一点的投资人们，也会找来一些从事相关争辩的教授或博士班同学来帮忙做尽职调查，以求避开明显的骗子创业者。 但是，不管是哪一种方式，很多公司虽然打着“用AI取代人类”的口号，却仍旧无法处理两大挑战。第一，就算绝顶聪慧的数学家或材料科学家，假如无法取得训练模型使用的材料也是白费功夫；另一个则是纯AI软件公司在创业初期经常忽视硬件计算力量的重要性。 硬件计算力量常被忽视 此前，我在《软件吃掉世界，AI吃掉软件》一文中曾提到，新兴科技创业如此火热的一大缘由是芯片运算力量远大于终端使用软件，但机器学习的消灭可以轻松处理这一难题。所以，行业就开头不在乎硬件的进展。 ▍图片来源于网络 假如对机器学习感爱好的投资人或者创业者，可以去看看麻省理工教授Song Han的博士论文《深度学习的高效率演算法和硬件》以及讲座视频《卷积神经网络在影像辨识上的使用》，看完之后就能更理解为什么AI真正的主战场在硬件。 其中，讲座使用的术语大约有三四成与机器学习和深度学习相关，剩下的术语却都是全部半导体产业的“老人”们再生疏不过的中心处理器、图形处理器、每秒峰值速度、记忆体频宽等等。 假如直接去阅读Song Han的博士论文，老半导体人会看到两个很亲切的名字：论文的次要指点教授Bill Dally（比尔·戴利）以及协同指点教授Mark Horowitz（马克霍洛维茨）。其中，Dally教授所著作的教科书《Digital Systems Engineering》几乎全部电机本科生人手一本，而Horowitz教授则是半导体争辩领域“高速数位串流介面”的权威。 Song Han则在这两位半导体老将的指点下完成这篇博士论文，而且还录制了《卷积神经网络在影像辨识上的使用》视频课程。其中提到：现在的中心处理器或图形处理器，运算速度和耗能都无法应付现无机器学习演算法可能的运算需求，因此软硬件协同开发是必要的。 一般的创业者和投资者也都比较能理解运算速度的重要性，但只要少数人能真正理解耗能的重要性，由于在过去十多年的创业浪潮中，耗能是高通、苹果和三星这些企业面临的问题。 耗能是机器学习中的大挑战 在机器学习中，耗能是一个很大的挑战，甚至会成为效能的妨碍。一般来说，机器学习的耗能次要来自两个领域。 ▍图片来源于网络 第一，矩阵乘法。所建置的神经网络越多层，每一层的神经元数越多，所