国家项目扶持网(公众号：国家项目扶持网)按：即使强如谷歌，短时间内也无法从Nvidia口中夺过AI硬件市场这款肥肉。
图形芯片制造商Nvidia的股价在过去一年时间里翻了三番，其GPU如今已经成了AI领域最受欢迎的深度学习主流平台。Nvidia的GPU原本是为生成电脑游戏和仿真图形而设计的，如今却被用来处理拥有数百万条数据的，大型深度学习网络训练中的密集计算部分。
上周Google在其年度开发者大会上，推出了第二代Tensor处理单元——Cloud TPU。据国家项目扶持网了解，这是一款用于加速Google使用的深度学习数学模型的定制化芯片。Google于两年前将第一代TPU引入了它的服务器基站，并于去年正式对外发布。第一代TPU只能处理深度学习的推理部分，运行已经训练有素的模型。Google表示，Cloud TPU比Nvidia的商用GPU更适合用于深度学习训练。
据国家项目扶持网了解，Google希望未来能够通过Google Cloud向其他公司提供其AI硬件。此外，Google还计划为开展公开AI研究的研究人员提供1000个Cloud TPU。不过，这些Cloud TPU的真正用意，似乎是为了增强Google cloud的具竞争力。在云服务市场，亚马逊和微软两大巨头已经将Google远远甩在了身后，Google不得不全力寻求差异化竞争。
Cloud TPU对Nvidia的影响的是双重的。一方面，Nvidia目前在AI硬件这片新兴市场仍占据着主导地位，Cloud TPU则给了开发者更多的选择。另一方面，Google 上周发布Cloud TPU时透露，其公司内部仍然很依赖Nvidia的GPU，而且其云服务也将支持Nvidia的下一代GPU Volta。
综合考虑，我认为Google未来在AI硬件市场将遭遇严峻挑战，主要原因有二：
首先，Cloud TPU将用户锁定在了TensorFlow框架以及Google Cloud云服务中。
伯恩斯坦研究公司高级分析师史蒂西·拉斯贡（Stacy Rasgon）说道：
“如果你使用的是TensorFlow框架，那么Cloud TPU很棒。但如果你不想使用TensorFlow框架呢？Nvidia的优势在于你不会被它的服务锁住，这一点很重要。”
Nvidia的GPU在Google、亚马逊、微软和IBM等主流云服务厂商的云端都是可用的。开发者们可以根据自己的喜好自由选择，并随时更换云服务厂商。此外，Nvidia还对其硬件进行了优化，能够运行Caffe、Torch和PaddlePaddle等多种深度学习框架。AI市场目前还很年轻，谁也不知道哪种框架会最终胜出。因此，将自己束缚在Google的TensorFlow框架中，对任何一家公司来说都是冒险。
AI创业公司Clarifai的创始人兼CEO Matt Zeiler表示：
“很明显，Cloud TPU是Google吸引你使用Google Cloud，并将你锁定其中的一种策略。”
虽然学术圈可以免费使用Cloud TPU，但只能使用TensorFlow框架这一限制，使其魅力大打折扣。加州大学伯克利分校副教授Alexei Efros在一封电子邮件中说道：
“对我们而言，使用Cloud TPU的最大阻力就在于它只能运行TensorFlow。因为我的实验室中用到了很多不同的软件包，PyTorch似乎最受欢迎。Nvidia Titan X目前仍是我们的主力平台，至于未来，我们拭目以待吧”。
即便对于那些已经全面采用TensorFlow的创业公司，阻力依然存在，那就是如何获得Cloud TPU。AI创业公司Bonsai的联合创始人兼CEO Mark Hammond表示：
“我们的项目建立在TensorFlow框架之上，因此Cloud TPU肯定是我们正在探索的。任何使AI基础架构更好、更快、更便宜的事物，都是Bonsai和Bonsai的客户乐见其成的。”
Google的另一大软肋在于，它不会像Nvidia那样直接向客户出售芯片。Zeiler表示，很多深度学习创业公司都喜欢用自己的硬件训练，因为在云端存储大量训练数据的成本可能非常高昂。比如Clarifai就选择购买Nvidia 的GeForce游戏显卡，在自己位于新泽西州的数据中心训练神经网络。Zeiler说道：
“我们之所以使用自己的硬件和GPU训练，就是因为它成本更低，尤其是考虑到我们拥有庞大的实验量和数据集。”
Nvidia的真正竞争更可能来自芯片公司。目前，数十个AI芯片创业公司正冉冉升起，英特尔甚至为了收购顶级芯片创业公司Nervana，耗资超过4亿美元。
Zeiler表示，随着时间推移，TPU可能会影响到GPU市场，但影响力不仅仅来源于Google，毕竟其他芯片制造商不会干坐着。
AI芯片创业公司Cerebras Systems的联合创始人兼CEO Andrew Feldman认为，Nvidia最大的问题在于，GPU是为生成图形而非处理AI算法所设计的。Feldman说道：
“我不认为GPU很适合机器学习，它只是比英特尔的CPU更好而已。不过GPU在过去25年间针对不同问题进行了优化。”
Nvidia也意识到了这一点。因此它在最新的图形芯片架构中加入了专门的Tensor Cores计算核心。Tensor Cores针对利于深度学习操作的数学运算进行了优化。有了Tensor Cores之后，Nvidia的GPU越来越像专业的AI处理器了，而不仅仅是用于生成图形的工具。Nvidia加速计算副总裁Ian Buck说道：
“你将看到我们在GPU中增加更多的AI功能以及专业化功能。”
对于AI领域日益激烈的竞争，Nvidia表示，现在市场增长太快了，每家企业都有存在的价值。Buck说道：
“我认为这是一个爆炸式增长的市场，每个人都有发展的空间。”
viaforbes
国家项目扶持网版权文章，未经授权禁止转载。详情见转载须知。
