編者按：從嚴(yán)格的定義上來說,，摩爾定律已死似乎是板上釘釘?shù)氖虑榱恕Ｆ浯_定性幾乎到了沒有對此表示關(guān)心的地步,。但是,，這是不是意味著我們的發(fā)展就要停滯了呢。不是,。而且恰恰相反,，這即將為新的指數(shù)式增長拉開序幕。DAVE VELLANTE與DAVID FLOYER對此進行了分析,，原文發(fā)表在siliconangle網(wǎng)站上,，標(biāo)題是：A new era of innovation: Moore’s Law is not dead and AI is ready to explode

劃重點：

摩爾定律已死,，但這無關(guān)緊要,，因為處理能力正在爆發(fā)式增長

網(wǎng)絡(luò)和存儲將成為新的瓶頸，為此計算將從云端下移到邊緣

人工智能將無所不在,，推理替代建模成為未來十年AI的重點

數(shù)據(jù)正在成為新的開發(fā)工具包

摩爾定律已死,，是嗎？再想想吧,。

盡管中央處理單元性能歷史性的年度改進速度正在放緩,，但是跟其他處理器封裝在一起的CPU組合的性能卻以每年超過100％的速度在增長。處理能力 + 數(shù)據(jù) + 人工智能空前的大規(guī)模改進,，將完全改變我們對設(shè)計硬件、軟件編程以及把技術(shù)應(yīng)用到企業(yè)去的思考方式,。

所有行業(yè)都會被顛覆,。你耳朵都聽到起繭了？呃,，這絕對是對的,，我們會解釋為什么，以及這都意味著什么,。

在這篇剖析當(dāng)中,，我們會揭示一些數(shù)據(jù)，通過這些數(shù)據(jù),，你將看到我們正在步入創(chuàng)新的新時代,，廉價的處理能力會推動機器智能應(yīng)用的爆發(fā)式增長。此外,，我們還將告訴你在接下來的十年里會出現(xiàn)哪些新的瓶頸,，以及這對系統(tǒng)架構(gòu)和行業(yè)轉(zhuǎn)型意味著什么。

摩爾定律真的死了嗎,？

在過去十年的時間里，這樣的說法我們已經(jīng)聽到了成百上千次,。EE Times寫過這方面的文章,，《麻省理工學(xué)院技術(shù)評論》、CNET,、SiliconANGLE,，甚至行業(yè)協(xié)會都在宣告摩爾定律正走向終結(jié)。但是我們的朋友兼同事Patrick Moorhead說得對：

按照最嚴(yán)格的定義,，也就是芯片密度每兩年增加一倍這個標(biāo)準(zhǔn)來看的話,，摩爾定律已經(jīng)不成立了。

沒錯,。這個說法絕對是正確的,。但是，他的說法里面有“按最嚴(yán)格的定義”是有原因的……因為他很聰明,，知道芯片行業(yè)是找出變通方案的大師。

歷史性的性能曲線已經(jīng)被打破

按照最嚴(yán)格的定義,，摩爾定律已死,，但這并不重要,，下圖就是證明。

事實上,，摩爾定律的歷史產(chǎn)物正在加速，而且相當(dāng)顯著,。此圖展示了蘋果自A9以來片上系統(tǒng)的發(fā)展歷程,，最終發(fā)展到A14 5納米片上仿生系統(tǒng)的高峰。

縱軸顯示的是每秒操作數(shù),，橫軸顯示的是3種處理器類型的時間,。CPU以太赫茲為單位（那條幾乎看不到的藍(lán)線）；圖形處理單元或GPU,，以每秒萬億次的浮點運算為單位（橙色）,；以及神經(jīng)處理單元或NPU，以每秒萬億次操作為單位（爆發(fā)的灰色區(qū)域）,。

很多人都會記得,，在過去，我們都急著想購買最新最好的個人計算機,，因為更新的設(shè)備型號周期時間更快,，也就是千兆赫茲更大。摩爾定律帶來的結(jié)果是,，性能每24個月將會翻一番,，也就是每年約40％的增長率。現(xiàn)在,，CPU性能改善的速度已經(jīng)下降到大約30％,，所以從技術(shù)上來說，摩爾定律已死,。

蘋果SoC的性能打破了常規(guī)

自2015年以來,，蘋果SoC平均每年以超過了118％的速度在提升。實際數(shù)字還要更高,，因為118%只是上述三種處理器的實際數(shù)字,。在圖形領(lǐng)域，我們甚至都還沒有把數(shù)字信號處理器和系統(tǒng)加速器組件的影響考慮進去,，否則提升會更大,。

右上方顯示的是蘋果 的A14。其64位的體系結(jié)構(gòu),，多內(nèi)核和替代處理器類型相當(dāng)出色,。不過更重要的是，你可以利用所有這些處理能力在iPhone里面做的事情,！AI應(yīng)用的類型在不斷發(fā)展,，從面部識別到語音和自然語言處理,，視頻渲染，幫助聽力受損者,，最終甚至?xí)屧鰪姮F(xiàn)實技術(shù)降臨到你手上,。

太不可思議了。

處理邊緣化——網(wǎng)絡(luò)和存儲成為瓶頸

微軟CEO 薩蒂亞·納德拉（Satya Nadella）最近說了一句要載入歷史的話,，他說我們已經(jīng)達到中心化峰值（peak centralization）,。下圖說明了這一點。我們在前面已經(jīng)分享處理能力的進展情況,，也就是處理能力正在以前所未有的速度在加速,，而且成本還在像塊石頭往下滾一樣不斷下降。蘋果的A14芯片每顆價格為50美元,。Arm在發(fā)布v9的時候表示,，將推出可植入冰箱的芯片，這些芯片可以優(yōu)化能源的使用,，每年可節(jié)省10％的能耗,。他們說，這種芯片的價格僅為1美元——只要花1美元,，就能讓冰箱節(jié)省10％的電費,。

處理能力不僅充足而且便宜,。但是,，又貴又不夠用的瓶頸在哪里呢？網(wǎng)絡(luò)和存儲,。那這是什么意思,？

這意味著處理能力會被放置到邊緣位置——數(shù)據(jù)在哪里就在哪里處理。存儲和網(wǎng)絡(luò)會變得越來越分布式,，去中心化,。定制芯片和處理能力遍布到整個系統(tǒng)，并嵌入了AI,，可優(yōu)化工作負(fù)載,，從而改善延遲，性能,，帶寬,，安全性以及其他等價值維度。

還有要記住的是,，大多數(shù)數(shù)據(jù)（99％）都會留在邊緣,。不妨以特斯拉為例。特斯拉汽車制造的絕大多數(shù)的數(shù)據(jù)永遠(yuǎn)都不會回到云端上。那些數(shù)據(jù)甚至都不是持久存在的,。特斯拉大概會保留五分鐘的數(shù)據(jù),。不過部分?jǐn)?shù)據(jù)偶爾會回傳到云端,，用來訓(xùn)練AI模型,。

但是上面這張圖表明，如果你是一家硬件公司的話,，最好要開始去考慮怎么去利用這條藍(lán)線,，也就是處理能力的爆發(fā)式增長。我們認(rèn)為,，戴爾,、惠普、Pure Storage,、NetApp等公司即要將開始設(shè)計定制芯片,，否則就會被顛覆。AWS,、谷歌以及微軟之所以都這么干是有原因的,，思科和IBM也是。就像云顧問Sarbjeet Johal 所說那樣,，“這不是你爺爺那時候的半導(dǎo)體業(yè)務(wù)了,。”

而且,，如果你是軟件工程師的話,，你將要編寫利用采集到的所有數(shù)據(jù)的應(yīng)用，而且要利用這種龐大的處理能力來開發(fā)我們從未見過的新功能,。

人工智能無處不在

處理能力的大幅度提高以及廉價的芯片會推動下一波的AI,、機器智能、機器學(xué)習(xí)和深度學(xué)習(xí)浪潮,。

我們有時候會把人工智能和機器智能混用。這個概念來自我們跟David Moschella的合作,。有趣的是,，Moschella在他的《Seeing Digital》一書中說“這里面沒有半點的人工”：

機器智能里面沒有半點的人工，就像拖拉機的牽引力里面沒有半點的人力一樣,。

這句話很微妙,，但是非常準(zhǔn)確。我們聽到過很多有關(guān)機器學(xué)習(xí)和深度學(xué)習(xí)的東西,，并把它們看作是AI的子集,。機器學(xué)習(xí)把算法和代碼應(yīng)用到數(shù)據(jù)上，以變得“更智能”——比方說，建立更好的模型,，從而獲得增強智能,，讓人或機器做出更好的決策。隨著它們獲取的數(shù)據(jù)越來越多,，并隨著時間不斷迭代,，這些模型也會不斷改進。

深度學(xué)習(xí)是運用了更加復(fù)雜的數(shù)學(xué)的,，更高級的機器學(xué)習(xí)類型,。

上圖右側(cè)這張表展示了AI的兩大類要素。在這里我們想指出的是,，當(dāng)今AI的大部分活動都集中在構(gòu)建和訓(xùn)練模型上面,。這主要發(fā)生在云端。但是我們認(rèn)為,，人工智能推理會在未來幾年帶來最激動人心的創(chuàng)新,。

人工智能推理可釋放巨大價值

推理是利用模型，從傳感器獲取實時數(shù)據(jù),，在本地處理數(shù)據(jù),，應(yīng)用已在云端開發(fā)好的訓(xùn)練并實時進行微調(diào)整的一種人工智能。

我們不妨舉個例子,。還是拿汽車來說吧,，觀察特斯拉對于邊緣層會如何演進很有啟發(fā)性，而且是個很好的榜樣,。不妨考慮有一種算法能夠優(yōu)化汽車的轉(zhuǎn)彎性能和安全性,。這個模型的輸入有摩擦、路況,、輪胎角度,、輪胎磨損、輪胎壓力等數(shù)據(jù),。模型的開發(fā)者會不斷測試,，增加數(shù)據(jù)并對模型進行迭代，直到為部署做好準(zhǔn)備,。

然后,，來自這一模型的智能就會進入到推理引擎。這種推理引擎是一種能夠運行軟件的芯片,，它可以植入到汽車上,，并從傳感器獲取數(shù)據(jù)，然后實時對轉(zhuǎn)向和制動等做出微調(diào),。就像我們之前所說那樣,，特斯拉只會保留數(shù)據(jù)一小段的時間,，因為數(shù)據(jù)太多了。但是,，如果需要把數(shù)據(jù)發(fā)送回云端用來進一步訓(xùn)練模型的話,，它可以有選擇地存儲部分?jǐn)?shù)據(jù)。比方說,，如果在滑溜狀態(tài)下路上突然出現(xiàn)了一只動物的話,，也許特斯拉會保留這部分?jǐn)?shù)據(jù)的快照，把它發(fā)送回云端,，再跟其他的數(shù)據(jù)結(jié)合起來,，用來進一步完善模型以提高安全性。

這只是成千上萬的AI推理用例的其中一個例子,，這種用例在未來十年當(dāng)中還會進一步發(fā)展。

AI價值將從建模轉(zhuǎn)向推理

下面這張概念圖展現(xiàn)了在建模和推理方面所花費的時間的占比,。你會看到目前引起大家注意的一些應(yīng)用,，還會看到隨著推理日益變得主流，這些應(yīng)用也在慢慢走向成熟,。在邊緣層和“物聯(lián)網(wǎng)”進行AI推理的機會非常龐大,。

建模的重要性依舊,。今天廣泛應(yīng)用于欺詐,、廣告技術(shù)、天氣,、定價,、推薦引擎等領(lǐng)域的建模負(fù)載會變得越來越好。但是我們認(rèn)為,，將來發(fā)揮更大作用的將是推理,，就像之前的例子所表明那樣。

在上面那張圖的中間,，我們還列出來會被這些趨勢所改變的所有行業(yè),。

對此我們要指出的另一點是：Moschella在他的書里面還解釋了為什么在歷史上的那些垂直行業(yè)彼此之間至今仍然是煙囪式的相互獨立的狀態(tài)。它們各自有自己由生產(chǎn),、供應(yīng),、物流、銷售,、市場營銷,、服務(wù)、履約中心等堆成的“?！?。而且，專業(yè)知識往往只會駐留在本行業(yè)及相關(guān)公司里面,，而且大多數(shù)情況下都會堅守各自的泳道,。

但是在今天，我們已經(jīng)看到了許多科技巨頭進軍其他行業(yè)的例子,。亞馬遜進入食雜百貨,、媒體和醫(yī)療保健行業(yè)，蘋果進入金融和電動汽車市場,，特斯拉開始關(guān)注保險業(yè)：很多科技巨頭都跨越了傳統(tǒng)行業(yè)的界限,，而其中的推動力就是數(shù)據(jù)。比方說,，隨著時間的推移,，汽車制造商將拿到比保險公司手上更好的數(shù)據(jù)。利用區(qū)塊鏈的DeFi（去中心化金融）或者平臺將通過AI不斷改進,，并不斷顛覆傳統(tǒng)的支付系統(tǒng),。

因此，我們相信,，已經(jīng)被說濫了的那句話是真的：覆巢之下,，焉有完卵，沒有一個行業(yè)無被顛覆之憂,。

AI企業(yè)應(yīng)用快照

最近,，我們展示了下面這張Enterprise Technology Research的圖表。

圖中縱軸展示的是Net Score或支出勢頭。橫軸則是市場份額或在ETR數(shù)據(jù)集的普遍性,。40％處紅線是我們主觀認(rèn)定的基準(zhǔn),；在我們看來，只要過了40％就算不錯,。

在支出速度方面,，機器學(xué)習(xí)和AI排名榜首，而且這一勢頭已經(jīng)延續(xù)了一段時間了,，所以我們給四顆星,。機器人流程自動化（RPA）已經(jīng)慢慢接近AI，而云端可以說是目前所有機器學(xué)習(xí)的發(fā)生地,，所以云計算也出現(xiàn)的附近,，不過我們認(rèn)為AI會逐步從云端轉(zhuǎn)移走，原因我們在前面已經(jīng)說過了,。

企業(yè)AI專家排定座次

下圖顯示出這一領(lǐng)域當(dāng)中受到關(guān)注的部分供應(yīng)商,。這些是企業(yè)CIO和CTO在制訂AI/ML支出計劃時會考慮到的公司。

本圖使用的Y / X坐標(biāo)跟前面那張圖一樣——縱軸表示“支出速度”,，橫軸表示“市場份額”，紅線同樣列在40％的位置,。

微軟,、AWS以及谷歌等大型云計算廠商在AI和ML方面占據(jù)的份額最大,。因為這些公司手上既有工具也有數(shù)據(jù)。就像我們所說那樣,，大量建模是在云端進行的,，今后的趨勢會是逐步下移到遠(yuǎn)端擁有的AI推理引擎，這些引擎集合到一起將擁有大規(guī)模的處理能力,。中心化巔峰與我們正漸行漸遠(yuǎn),，這會為創(chuàng)造價值并把AI應(yīng)用到行業(yè)上提供巨大的機會。

Databricks被看作是AI的領(lǐng)導(dǎo)者,，其強勁的Net Score和突出的市場份額讓這家公司脫穎而出,。盡管只有少量樣本，但SparkCognition的Net Score卻非常高,，位于左上角的位置,。這家公司做的事情是將機器學(xué)習(xí)應(yīng)用于海量的數(shù)據(jù)集。DataRobot則是做自動化AI的—它們位于Y軸很高的位置,。Dataiku是可幫開發(fā)建基于機器學(xué)習(xí)的app,。C3.ai是由Tom Siebel創(chuàng)立和運營的企業(yè)AI公司。在圖中,，你會看到SAP,、Salesforce.com以及IBM Watson正好站在40％這條線上。具備自主數(shù)據(jù)庫功能的Oracle,，以及Adobe也處在類似位置,。

關(guān)鍵是這些軟件公司都已經(jīng)把AI嵌入到自己的產(chǎn)品當(dāng)中。那些不想被顛覆的既有公司用不著自己開發(fā)AI,，它們可以向軟件公司購買,。但困難的部分在于怎么用，以及用在什么地方,。一個簡單的答案是：跟著數(shù)據(jù)走,。

關(guān)鍵摘要

本來要講的還有很多，但暫時先讓我們在這里總結(jié)一下,。

我們一直在激烈討論若干事情，包括后x86時代,，體量對于降低半導(dǎo)體生產(chǎn)成本的重要性,，而今天我們已經(jīng)對某個還見得不多的東西進行了量化，那就是處理的性能改進,。忘了摩爾定律已死這件事情吧—這已經(jīng)無關(guān)緊要,。在這十年的時間里，原先的假設(shè)已經(jīng)被SoC和即將推出的封裝設(shè)計系統(tǒng)打破,。誰又能知道,，當(dāng)量子計算出來之后的將來,，性能提高方面又會是什么樣的情形呢？

這些趨勢是AI應(yīng)用的根本驅(qū)動力,，而且在大多數(shù)情況下,，創(chuàng)新來自消費者的用例。蘋果會繼續(xù)引領(lǐng)潮流,。蘋果軟硬件一體化的做法會日益改變企業(yè)的觀念,。顯然，云供應(yīng)商正在朝這個方向發(fā)展,。你也可以在Oracle那里看到這種趨勢,。軟硬件一起優(yōu)化會形成勢頭是說得過去的，因為就像最近我們就Arm發(fā)布的東西所討論的那樣,，芯片定制的機會太多了,，英特爾新任的首席執(zhí)行官Pat Gelsinger也要往這個方向發(fā)力。

順便說一句——Gelsinger在英特爾這里可能會面臨巨大挑戰(zhàn),，但他說對半導(dǎo)體的需求還在增長,，而且看不到結(jié)束的跡象，這個觀點是正確的,。

如果你是一家企業(yè),，那就不應(yīng)該去強調(diào)發(fā)明人工智能。相反,，你的重點應(yīng)該放在去了解有哪些數(shù)據(jù)可以為你帶來競爭優(yōu)勢,，以及如何應(yīng)用機器智能和AI來在競爭中獲勝上。你應(yīng)該去購買AI,，而不是開發(fā)AI。

就像John Furrier曾經(jīng)多次說過的那樣,，數(shù)據(jù)正在成為新的開發(fā)工具包,。他在10年前就這么說了，但現(xiàn)在這句話比以往任何時候都要更加真切：

數(shù)據(jù)是新的開發(fā)工具包,。

如果你是企業(yè)硬件廠商,，那你將會設(shè)計自己的芯片，并會編寫更多的軟件來利用AI,。你會給整個產(chǎn)品組合都嵌入定制芯片和AI,，而且你會把越來越多的計算引入到數(shù)據(jù)上。大部分?jǐn)?shù)據(jù)會保留在它被創(chuàng)建出來的地方,。系統(tǒng),、存儲和網(wǎng)絡(luò)棧，這些正在統(tǒng)統(tǒng)被顛覆,。

如果你是開發(fā)者,，那么現(xiàn)在你將擁有不可思議的處理能力,，而且你會編寫新的應(yīng)用來利用這一點，利用AI去改變世界,。你得弄清楚怎么獲取到最相關(guān)的數(shù)據(jù),，如何去保護平臺，并進行創(chuàng)新,。

最后,，如果你是提供服務(wù)的公司，那就有機會去幫助那些不想被顛覆的公司,。這樣的公司太多了,。你具備深厚的行業(yè)知識，以及水平化的技術(shù)能力,，這些可以幫助客戶生存和發(fā)展,。

隱私？向善的AI,？這些本身也都是被記者廣泛報道的主題,。我們認(rèn)為，目前明智的做法是,，在確定AI應(yīng)該走多遠(yuǎn)以及如何對其進行監(jiān)管之前,，最好是先了解一下AI可以走多遠(yuǎn)。保護我們的個人數(shù)據(jù)和隱私應(yīng)該是我們最關(guān)心的事情,，但總的來說,，目前我們還不希望把創(chuàng)新扼殺在搖籃里。

譯者：boxi,。