（图片来源：Graphcore）
【本文来自钛媒体特色栏目「快公司」】
AI芯片迎来物种大爆发，众多企业蜂拥而至，不仅有Arm、英伟达、华为这样的科技巨头参与，还有像Graphcore这样的新生代力量企业，希望取代英伟达的“独霸”地位。
7月15日，英国半导体公司Graphcore发布其第二代IPUColossus Mk2 GC200。该公司声称，这是比英伟达A100 GPU更最“复杂”的AI芯片，甚至要超越英伟达A100 GPU的性能表现。
Graphcore成立于2016年，致力于为AI和机器学习开发加速器和软件系统。
随着年初该公司宣布完成1.5亿美元D轮融资，四年内Graphcore共筹集超过4.5亿美元的风险投资基金，公司估值接近20亿美元，是名副其实的独角兽企业。
英国半导体之父、Arm的联合创始人Hermann Hauser爵士曾这样评价Graphcore：
“在计算机历史上只发生过三次革命，一次是70年代的CPU，第二次是90年代的GPU，而Graphcore就是第三次革命。”
充足的资本“弹药”，很高的评价盛誉，都是Graphcore能够和英伟达对抗（Battle）的底气。
Graphcore推出的另类AI芯片IPU
过去两年，人工智能行业迎来瓶颈期，算法层面进步较慢，更多的从业者期待利用专业的AI芯片提高算力，同时可处理训练和推理二者的工作能力，从而替代传统的CPU、GPU。
因此，众多企业将AI芯片包装成各种各样的词汇。比如DPU（数据流处理单元）、NPU（神经处理单元）、EPU（情感处理单元）等。很多人也认为，IPU更像是一个营销词汇。
但Graphcore表示，IPU其实是智能处理单元（Intelligent Processing Unit）的缩写，这是一个专门为机器学习工作负载而设计的神经网络处理芯片架构，是一个全新的大规模并行处理器。
与传统的CPU、GPU相比，IPU用了更大规模的并行MIMD处理器核，还有一个非常大的分布式片上SRAM，以及全新的处理架构，专门适用于智能计算工作负载。
Graphcore高级副总裁兼中国区总经理卢涛介绍，在AI技术应用中，通常需要大规模数据的并行、复杂结构的计算。在这个情况下，传统CPU、GPU几乎都在做科学计算或高性能计算（HPC），针对AI技术的算法处理能力效果并不理想。因此，IPU在针对智能计算方面有着明显的优势，可同时处理算法中的训练和推理能力。
同时，针对低精度的数据模型，IPU也做了专门的优化。除了标准神经网络之外，IPU还适用于AI领域最为常用的贝叶斯网络和马尔科夫网络。
可以这样理解，IPU就是一颗为AI专门打造的芯片，不管是边缘，还是终端计算，IPU都可以胜任。
2018年，Graphcore推出该公司首款AI芯片产品Colossus Mk1，并首次提出IPU处理器这个概念，得到半导体行业的广泛关注。
过去两年，Graphcore成长很快，四年内共筹集超4.5亿美元的风险投资基金。投资者名单中不乏AlphaGo之父、DeepMind联合创始人戴密斯哈萨比斯（Demis Hassabis），剑桥大学教授佐宾葛拉曼尼（Zoubin Ghahramani），OpenAI联合创始人Greg Brockman等AI领域的学术级投资人，还有红杉资本这类明星机构投资者。而戴尔、三星、微软等知名企业作为战略投资者亦参与其中。
两年后的今天，Graphcore宣布推出硬件GC200 IPU和软件平台Poplar，提供一整套解决方案，希望解决AI当中的算法和工作负载难题。
GC200 IPU能和英伟达A100 PK吗？
英伟达在今年5月发布首个基于安培（Ampere）架构的GPUNVIDIA A100，7nm制程工艺，拥有540亿颗晶体管，20倍AI算力的提升，号称是“全球最强大的AI芯片”。
尽管在摩尔定律下，传统CPU、GPU正为形成强大处理器而稳中提速，但未来AI算力的提升，或将来自于专项AI芯片，Graphcore认为这是GC200 IPU推出的契机。
7月15日，Graphcore发布Mk1的继任产品GC200 IPU。除了和英伟达A100一样的台积电7nm制程工艺外，该处理单元封装了594亿个晶体管，比A100 GPU还要多出54亿个，性能上比A100 GPU快16倍，在多个主流模型上的表现均优于A100 GPU。
AI技术底层的核心三要素是算力、算法和大数据，这三者缺一不可。尽管GC200 IPU在计算、内存和通信等性能方面取得了重要突破，超过了英伟达的A100 GPU，但在大数据应用和商业化进程上，Graphcore仍处在早期阶段，和英伟达之间有着一定的差距。
1、突破：计算、存储和通信
在计算能力上，Graphcore最新发布的GC200 IPU，从1216个提升到1472个独立的IPU-Tiles的处理器内核单元，共有8832个可以并行执行的线程。这样做的好处，其实是在算力训练上有更多的提升空间。
相比第一代IPU，实际性能提高了8倍，算力训练提升两倍。其中，BERT-Large的训练有9.3倍性能的提升，3层BERT推理有8.5倍的性能提升，EfficientNet-B3有7.4倍的性能提升。
同时，对比基于英伟达8个A100 GPU的DGX-A100，Graphcore利用同样8个GC200 IPU组成的系统，FP32算力提升了12倍，AI计算提升了3倍。
卢涛表示，利用强大的计算能力，在CV（计算机视觉）和NLP（自然语言处理）应用方面有更多发挥的空间。
在存储技术方面，Graphcore提出了IPU Exchange Memory的交换式存储概念，相比英伟达当前使用的HBM技术，可以提高至近100倍的带宽以及大约10倍的容量。存储方面的提升，对于很多复杂的AI模型算法，有着更强的硬件推力、性能优势。
英伟达和Graphcore的带宽、容量对比图
在通信方面，Graphcore专为GC200 IPU设计了IPU-Fapic的AI横向扩展结构，可以做到2.8Tbps超低延时，最多支持64000个IPU之间扩展，可通过直联或者是通过以太网的交换机等技术方式做互联互通，这将大大提升算法处理速度。
卢涛表示，不仅是单颗AI芯片，若要把IPU性能发挥到极致，就要利用64颗GC200 IPU组成的IPU-POD系统，可提供高达16PFlops的算力、58GB的In-Processor-Memory，以及7个TB的流存储，均远超过英伟达DGX-A100 GPU的性能表现。
在软件系统上，Graphcore推出软件平台Poplar。通过与TensorFlow，以及开放神经网络交换（ONNX）无缝集成，从而打造出首个专门为机器智能设计的图形工具链，加上开发人员的共同参与，形成Graphcore独有的“IPU生态”。
在计算、数据、通信三大突破下，加上AI算法上的针对性优化，Graphcore构建出大规模可扩展的IPU-POD系统，让GC200 IPU这颗芯片得到最佳的性能表现，成为英伟达DGX-A100强大的对手之一。
2、悬而未决的议题：数据和商业化进程仍处于早期阶段
即便Graphcore有了强大的IPU处理器，以及算法框架和软件系统，但大数据依然是AI技术最底层的关键因素。
卢涛对钛媒体坦率承认，尽管英伟达和Graphcore都拥有公开的数据集，但在英伟达所拥有的私有数据集上，比如边缘计算场景数据、自动驾驶的数据集等，Graphcore目前并没有，且不是公司现有的目标。Graphcore正考虑往无监督学习领域扩展，但还需要一定的时间和过程。
“英伟达试图自己成为MobileEye或者商汤等解决方案公司，这需要私有数据集，这个目前不是我们Graphcore的目标，我们现在聚焦在数据中心。”
“因为Graphcore还是一家比较小的公司。当前我们重点聚焦在机器学习相关的应用领域，也有用户在探索利用IPU做一些非AI应用，但不是公司整体发展的重点领域。”
“利用IPU实现无监督学习的方法，表现比GPU好很多，训练方面吞吐量最多达13倍。不过，从技术到应用落地还有一个过程。”卢涛对钛媒体表示。
相比英伟达A100 GPU与谷歌云、甲骨文等二十多家企业云服务落地合作，目前Graphcore仅面向商业用户、高校及研究机构等，企业中包括微软、百度和金山云。面向的用户类型中，个人开发者比较少。
Graphcore方面表示，他们下一步的重点是吸引更多的中国客户、打开中国市常通过IPU芯片、Poplar软件平台，以及Graphcore中国创新社区，发展和培育IPU生态。
“Graphcore找到了自己的赛道，在全球范围之内来看，其实我们最快落地的应用还是在超大规模数据中心，然后就是在金融方面、医疗健康领域我们的进展也非常大。”
“从AI市场的体量上讲，Graphcore认为中国是全球最重要的市场之一，也是落地速度最快的市场之一。”卢涛对钛媒体表示，长期来看，中国市场未来将占到Graphcore全球市场的40%甚至50%。
现阶段，GC200 IPU在算力、算法上似乎超过了英伟达的A100 GPU，但在数据和商业化进程上，Graphcore仍处于早期阶段，和英伟达之间有着一定的差距。
当谈到如何让IPU替换掉现有的CPU与GPU时，卢涛表示，未来将会是CPU、GPU和IPU共存的市场，对于适合使用IPU的客户，公司有信心让客户用GC200 IPU，快速替代掉现有的CPU、GPU落地产品。
“替代与否，主要决定IPU提供的价值有多少，迁移成本是否低、性价比是否高，还有生态是否要好。届时，生态圈中的用户（开发者）多了、用IPU的人多了、懂技术的人多了，当然替换的阻力将会小一点。”卢涛对钛媒体表示。
正如卢涛所说，Graphcore还是一家比较小的公司。但这家小的公司，在AI芯片研发上有着超出寻常的能力，利用IPU，正在对未来通用AI技术展开布局。而IPU是否能取代GPU的地位，还需时间的验证。
（本文首发钛媒体App，作者 | 林志佳，编辑｜赵宇航）
更多精彩内容，关注钛媒体微信号（ID：taimeiti），或者下载钛媒体App
