211service.com
La carrera por el poder de los cerebros de silicio de la IA
maddie edgar
Nigel Toon, cofundador y director ejecutivo de Graphcore, una startup de semiconductores con sede en el Reino Unido, recuerda que hace solo un par de años, muchos capitalistas de riesgo vieron la idea de invertir en chips de semiconductores como una broma. Llevarías una idea a una reunión, dice, y muchos de los socios se revolcarían por el suelo riéndose. Ahora, algunos empresarios de chips están recibiendo una recepción muy diferente. En lugar de rodar por el suelo, los inversores están sacando sus chequeras.
Los capitalistas de riesgo tienen buenas razones para desconfiar del silicio, a pesar de que le dio su nombre a Silicon Valley. El desarrollo de chips semiconductores cuesta mucho más que el software y, hasta hace poco, había poco espacio para innovaciones radicales que distinguieran las nuevas versiones. Incluso si sobreviven, las empresas jóvenes a menudo terminan con márgenes de ganancia más bajos que las obleas de silicio de las que están hechos sus chips. Los titulares gigantes como Intel y Nvidia son competidores formidables con un profundo conocimiento de la industria y bolsillos aún más grandes.
Lo que ha cambiado es una creencia creciente entre algunos inversores de que la IA podría ser una oportunidad única para crear nuevas empresas de semiconductores importantes. Los capitalistas de riesgo han invertido $ 113 millones en nuevas empresas de chips centradas en IA este año, casi tres veces más que en todo 2015, según datos de PitchBook, un servicio que rastrea las transacciones de empresas privadas.
Historia relacionada
Historia relacionada Graphcore ha sido uno de los beneficiarios de este cambio, recientemente agregó $ 50 millones en fondos de Sequoia Capital, una firma de riesgo líder de Silicon Valley. Varias otras empresas emergentes de chips, incluidas Mythic, Wave Computing y Cerebras en los Estados Unidos y DeePhi Tech y Cambricon en China, también están desarrollando nuevos chips adaptados para aplicaciones de IA. Cambricon, una de las nuevas empresas chinas más destacadas en el campo, ha recaudado 100 millones de dólares en una financiación inicial liderada por un fondo del gobierno chino.
Desde la llegada del mainframe, los avances en el hardware informático han desencadenado innovaciones en el software. Estos, a su vez, han inspirado mejoras posteriores en el hardware. La IA es el último giro en este ciclo digital. Las empresas de muchas industrias han estado invirtiendo mucho en hardware para ejecutar sistemas de aprendizaje profundo (ver 10 Tecnologías innovadoras 2013: Aprendizaje profundo). Pero a medida que se vuelven más sofisticados, exponen las limitaciones de los chips existentes que se utilizan para el trabajo de IA.
Muchos de esos procesadores provienen de Nvidia, cuyos chips gráficos se utilizan ampliamente para potenciar los juegos y la producción gráfica. Los procesadores tienen miles de computadoras diminutas que funcionan en paralelo para generar píxeles. Con algunos ajustes, se han adaptado para ejecutar algoritmos de aprendizaje profundo, que también implican una gran cantidad de cálculos paralelos (ver CEO de Nvidia: El software se está comiendo el mundo, pero la IA se va a comer el software).
Aunque han sido ampliamente adoptados, los chips gráficos tienen algunos inconvenientes. Uno de los mayores es que cuando un gran número de ellos trabajan en paralelo absorben mucha energía. La Universidad Carnegie Mellon, un centro líder en investigación de IA, incluso tuvo que pedirles a los investigadores que redujeran temporalmente el uso de los chips porque estaban ejerciendo presión sobre el sistema de energía de la universidad. Franz Franchetti, profesor de CMU, dice que la universidad está buscando fuentes de energía alternativas para aliviar el problema.
Las nuevas empresas de chips de IA planean producir procesadores con mayor eficiencia energética. Pero lo que realmente los motiva es su creencia de que los procesadores hechos a la medida para aplicaciones de IA pueden vencer a los chips menos especializados en una amplia gama de tareas de aprendizaje automático. La nueva generación de chips combina múltiples funciones de procesamiento en un solo paso, mientras que los procesadores de gráficos toman varios pasos para lograr el mismo resultado. Las funciones generalmente se agrupan para optimizar casos de uso específicos, como algoritmos de entrenamiento para ayudar a un automóvil autónomo a detectar posibles obstáculos más adelante.
Historia relacionada
Historia relacionada Jensen Huang predice que la inteligencia artificial transformará la atención médica y los automóviles.Graphcore afirma que, en las pruebas preliminares, su nueva unidad de procesamiento de inteligencia, que se enviará a los primeros clientes en el primer trimestre del próximo año, es entre 10 y 100 veces más rápida que el hardware actual en tales tareas. Cambricon de China ya está ganando aplausos por sus procesadores. Huawei, un cliente de Cambricon, considera que para aplicaciones de aprendizaje profundo como algoritmos de entrenamiento para identificar imágenes, los chips de la startup son seis veces más rápidos que ejecutar la misma función en un procesador de gráficos.
Los investigadores están entusiasmados con la perspectiva de un avance significativo en el poder de cómputo para la IA. Todavía hay una gran brecha entre dónde estamos y lo que nos gustaría hacer, dice Andrew Davison, profesor del Imperial College en el Reino Unido que se enfoca en robótica y visión por computadora. Davison cree que las innovaciones traídas al mercado por las nuevas empresas de chips acelerarán el progreso en campos como el suyo.
Tales reacciones son alentadoras, pero no garantizarán la victoria. Las grandes empresas de chips ya están presentando sus propios chips hechos para IA para competir con las ofertas de las nuevas empresas. Intel, por ejemplo, anunció recientemente planes para lanzar una nueva familia de procesadores diseñados con Nervana Systems, una startup que adquirió el año pasado. Nvidia también se está moviendo rápidamente para actualizar las capacidades de sus propios chips.
Las startups enfrentan otro desafío. Muchos de ellos están diseñando hardware para admitir aplicaciones de IA altamente especializadas. Pero puede llevar años sacar un chip al mercado. Dada la velocidad a la que evoluciona la IA, existe un riesgo real de que, cuando sus productos estén ampliamente disponibles, los usos para los que fueron diseñados ya no sean lo más importante.
Shahin Farshchi de Lux Capital, que invirtió en Nervana y tiene una participación en Mythic, establece un paralelo con las nuevas empresas que construyen procesadores para aplicaciones inalámbricas 4G a mediados de la década de 2000. Muchos de estos terminaron fallando porque se optimizaron para aplicaciones que no se generalizaron. Habrá una sacudida nuevamente para las compañías de chips que tienen un enfoque muy limitado, dice.
Pero si las empresas jóvenes construyen chips que abarcan un conjunto demasiado amplio de áreas de aplicación, es probable que sacrifiquen los niveles de rendimiento. Y eso podría dejarlos vulnerables a la competencia de Nvidia, Intel y otros. Algunos pueden ser comprados por los gigantes de los chips. Pero si muchos terminan quebrando, los capitalistas de riesgo comenzarán a llenar sus chequeras nuevamente.