La course pour alimenter les cerveaux en silicium de l'IA

Maddie Edgar

Nigel Toon, cofondateur et PDG de Graphcore, une startup de semi-conducteurs basée au Royaume-Uni, rappelle qu'il y a seulement quelques années, de nombreux investisseurs en capital-risque considéraient l'idée d'investir dans des puces semi-conductrices comme une plaisanterie. Vous apporteriez une idée à une réunion, dit-il, et de nombreux partenaires se rouleraient par terre en riant. Maintenant, certains entrepreneurs de puces reçoivent un accueil très différent. Au lieu de se rouler par terre, les investisseurs déploient leurs chéquiers.

Les investisseurs en capital-risque ont de bonnes raisons de se méfier du silicium, même s'il a donné son nom à la Silicon Valley. Les puces semi-conductrices coûtent beaucoup plus cher à développer que les logiciels, et jusqu'à récemment, il y avait peu de place pour des innovations radicales pour distinguer les nouvelles versions. Même si elles survivent, les jeunes entreprises se retrouvent souvent avec des marges bénéficiaires plus minces que les tranches de silicium à partir desquelles leurs puces sont fabriquées. Les géants historiques tels qu'Intel et Nvidia sont des concurrents redoutables avec une connaissance approfondie de l'industrie et des poches encore plus profondes.

Ce qui a changé, c'est que certains investisseurs croient de plus en plus que l'IA pourrait être une opportunité unique de créer de nouvelles sociétés de semi-conducteurs importantes. Les capital-risqueurs ont investi 113 millions de dollars dans des startups de puces axées sur l'IA cette année, soit près de trois fois plus qu'en 2015, selon les données de PitchBook, un service qui suit les transactions des entreprises privées.

Histoire connexe

Histoire connexe

Graphcore a été l'un des bénéficiaires de ce changement, ajoutant récemment un financement de 50 millions de dollars de Sequoia Capital, une société de capital-risque leader de la Silicon Valley. Un certain nombre d'autres startups de puces, dont Mythic, Wave Computing et Cerebras aux États-Unis et DeepPhi Tech et Cambricon en Chine, développent également de nouvelles puces adaptées aux applications d'IA. Cambricon, l'une des startups chinoises les plus importantes dans le domaine, a levé 100 millions de dollars dans le cadre d'un financement initial mené par un fonds gouvernemental chinois.

Depuis l'avènement du mainframe, les progrès du matériel informatique ont déclenché des innovations dans les logiciels. Ceux-ci, à leur tour, ont inspiré des améliorations ultérieures du matériel. L'IA est le dernier rebondissement de ce cycle numérique. Les entreprises de nombreux secteurs ont investi massivement dans du matériel pour exécuter des systèmes d'apprentissage en profondeur (voir 10 Breakthrough Technologies 2013 : Deep Learning ). Mais à mesure que ceux-ci deviennent plus sophistiqués, ils exposent les limites des puces existantes utilisées pour le travail de l'IA.

Beaucoup de ces processeurs proviennent de Nvidia, dont les puces graphiques sont largement utilisées pour alimenter les jeux et la production graphique. Les processeurs ont des milliers de minuscules ordinateurs fonctionnant en parallèle pour rendre les pixels. Avec quelques ajustements, ils ont été adaptés pour exécuter des algorithmes d'apprentissage en profondeur, qui impliquent également un très grand nombre de calculs parallèles (voir PDG de Nvidia : Software Is Eating the World, but AI Is Going to Eat Software ).

Bien qu'elles aient été largement adoptées, les puces graphiques présentent certains inconvénients. L'un des plus importants est que lorsqu'un grand nombre d'entre eux travaillent en parallèle, ils absorbent beaucoup d'énergie. L'Université Carnegie Mellon, un centre de recherche de premier plan sur l'IA, a même dû demander aux chercheurs de réduire temporairement leur utilisation des puces parce qu'ils mettaient à rude épreuve le système d'alimentation de l'université. Franz Franchetti, professeur à la CMU, a déclaré que l'université envisageait des sources d'énergie alternatives pour atténuer le problème.

Les startups de puces AI prévoient de produire des processeurs plus économes en énergie. Mais ce qui les dynamise vraiment, c'est leur conviction que les processeurs sur mesure pour les applications d'IA peuvent battre des puces moins spécialisées dans un large éventail de tâches d'apprentissage automatique. La nouvelle génération de puces combine plusieurs fonctions de traitement en une seule étape, tandis que les processeurs graphiques prennent plusieurs étapes pour obtenir le même résultat. Les fonctions sont généralement regroupées pour optimiser des cas d'utilisation spécifiques, tels que des algorithmes de formation pour aider une voiture autonome à repérer les obstacles potentiels à venir.

Histoire connexe

Histoire connexe Jensen Huang prédit que les soins de santé et l'automobile vont être transformés par l'intelligence artificielle.

Graphcore affirme que lors des tests préliminaires, sa nouvelle unité de traitement du renseignement, qui sera livrée aux premiers clients au cours du premier trimestre de l'année prochaine, est entre 10 et 100 fois plus rapide que le matériel actuel pour de telles tâches. Le chinois Cambricon remporte déjà des éloges pour ses transformateurs. Huawei, un client de Cambricon, estime que pour les applications d'apprentissage en profondeur comme les algorithmes de formation pour identifier les images, les puces de la startup sont six fois plus rapides que l'exécution de la même fonction sur un processeur graphique.

Les chercheurs sont enthousiasmés par la perspective d'un bond en avant significatif dans la puissance de calcul de l'IA. Il y a encore un grand écart entre où nous en sommes et ce que nous aimerions faire, déclare Andrew Davison, professeur à l'Imperial College au Royaume-Uni qui se concentre sur la robotique et la vision par ordinateur. Davison pense que les innovations mises sur le marché par les startups de puces accéléreront les progrès dans des domaines comme le sien.

De telles réactions sont encourageantes, mais elles ne garantissent pas la victoire. Les grandes entreprises de puces dévoilent déjà leurs propres puces conçues pour l'IA pour concurrencer les offres des startups. Intel, par exemple, a récemment annoncé son intention de lancer une nouvelle famille de processeurs conçus avec Nervana Systems, une startup acquise l'année dernière. Nvidia évolue également rapidement pour mettre à niveau les capacités de ses propres puces.

Les startups font face à un autre défi. Beaucoup d'entre eux conçoivent du matériel pour prendre en charge des applications d'IA hautement spécialisées. Mais cela peut prendre des années pour mettre une puce sur le marché. Compte tenu de la vitesse à laquelle l'IA évolue, il existe un risque réel qu'au moment où leurs produits seront largement disponibles, les utilisations pour lesquelles ils ont été conçus ne seront plus une priorité.

Shahin Farshchi de Lux Capital, qui a investi dans Nervana et détient une participation dans Mythic, établit un parallèle avec les startups construisant des processeurs pour les applications sans fil 4G au milieu des années 2000. Beaucoup d'entre eux ont fini par échouer parce qu'ils étaient optimisés pour des applications qui ne sont pas devenues courantes. Il va y avoir à nouveau une secousse pour les sociétés de puces qui sont très étroitement ciblées, dit-il.

Mais si les jeunes entreprises construisent des puces qui couvrent un ensemble trop large de domaines d'application, elles sacrifieront probablement les niveaux de performance. Et cela pourrait les rendre vulnérables à la concurrence de Nvidia, Intel et autres. Certains peuvent être achetés par les géants des puces. Mais si beaucoup finissent par échouer, les investisseurs en capital-risque recommenceront à rouler leurs chéquiers.

cacher