2015年，两名来自英国的创业者Simon Knowles和Nigel Toon正在为他们的人工智能（AI）芯片项目寻找资金。
负责技术的Simon Knowles于1980年代毕业于剑桥大学，早期在英国政府研究实验室研究神经网络，创办的*家公司Element 14即成为90年代的独角兽，并在2000年以6.4亿美元的价格出售给博通。而Nigel Toon则是商业人才，在1990年代加入美国科技企业Altera，并在Altera担任欧洲业务的副总裁与总经理。
2002年，两人合伙创办了一家叫做Icera的3G modem（蜂窝调制解调器）芯片公司，并于2011年成功地以3.7亿美元的价格卖给英伟达。从风投角度来看，二人的履历应该是最受追捧的团队模板：背景光鲜，能力互补，连续创业，成功套现。
但尴尬的是，专用AI芯片赛道并不被主流VC认可，两人甚至一度找不到投资人开会。
这跟当时人工智能赛道的热闹截然相反。2015年的ImageNet大赛，所有排名靠前的玩家都在使用GPU进行图像识别，距离AlexNet模型*次利用GPU训练神经网络模型夺冠已经过去了三年，行业内掀起AI热潮。
但实际上，AI在当时只是个业内自嗨的小众热点。Simon和Nigel寻求融资时，一半的投资人问“什么是AI芯片？”另一半投资人认可AI的前景，但对其上游的芯片设计却不感冒，原因是“认为英伟达的GPU可以覆盖行业需求。”[2]
眼看新项目就要胎死腹中，殊不知AI芯片已经走到了黎明时刻。
这一年，谷歌已秘密研发出一款专注于AI领域中机器学习算法的芯片，并将其用在内部的云计算数据中心中，以取代英伟达的GPU。2016年5月，这款自研芯片公诸于世，就是大名鼎鼎的TPU。这名字一出来，内行外行都看懂了：GPU并不是AI芯片的*选择，新的处理器设计可能存在市场空间。
TPU的推出也给两位创业者带来了信心。一个月后，Knowles和Toon的AI芯片公司：Graphcore正式成立，由Nigel Toon担任CEO，Simon Knowles担任CTO。
Graphcore火速筹到的A轮3200万美元，于2016年10月到位。在随后的四年里，其融资进程也是一路狂飙：2020年12月，E轮融资落地。Graphcore四年间共获投7.1亿美元，市值27.7亿美元，一跃成为融资和估值最高的AI硬件初创公司，投资者包括三星、微软、戴尔等科技巨头，也包括红杉资本、柏基投资（Baillie Gifford）等*风投。
成功“上岸”的Simon Knowles自然是吃水不忘挖井人，特地给谷歌AI业务的负责人Jeff Dean写了一封感谢邮件，内容是[1]：“同志，谢谢你！（Thanks, mate.）”
如果站在今天的时间点，Jeff Dean可能会回复一句：别高兴的太早。
1、产品：专为AI加速而生的芯片
Graphcore的核心产品叫做IPU（Intelligence Processing Unit）。
IPU诞生的背景是，随着芯片制程的迭代，半导体行业的两大定律：摩尔定律和登纳德缩放比例定律（Dennard Scaling）在逐渐失效。
摩尔定律说的是：集成电路上可以容纳的晶体管数目在大约每经过18个月到24个月便会增加一倍。登纳德缩放比例定律认为随着晶体管密度的增加，单个晶体管的功耗会下降，因此芯片的功耗需求会保持不变。
这两条定律都曾在过去几十年被行业视为金科玉律，GPU和CPU的发展都受益于此。但今天的情况是，芯片上晶体管很难再增加，而芯片的功耗需求也变得越来越高，芯片本身就越来越烫。
因此，就像香港的房屋一样，在面积有限的情况下想要提高生活质量，势必要在布局结构上大动干戈，市场上关于“架构创新”的呼声越来越大。专用计算芯片（ASIC）的需求应运而生，因为针对具体应用场景的优化，可以比通用计算带来更高的能效比。
ASIC的特点是彻底牺牲通用性，换取在特定应用上的*效率。举一个通俗的例子比喻：
GPU是能提供汉堡、披萨、包子、面条等所有食物类目的综合餐厅，优点是什么都会做，缺点特别出彩的产品，出餐效率也一般。而ASIC是专做披萨或汉堡的美食专门店，味道极好，出餐效率也特别高，缺点则是想转型做其他产品，就没那么容易了。
TPU就是典型的ASIC，它专为谷歌的超级业务：云计算数据中心而生。事实上，谷歌自研TPU的原因之一，就是因为GPU会“烧”。
不过，和ASIC相比，IPU有更大的野心。
按照Nigel Toon的话来说，Graphcore不属于CPU、GPU和ASIC中的任何一类，而是一款全新的，专为AI加速而生的处理器：既有极高的运算能力以处理高性能计算业务（HPC），又和GPU一样可编程，以满足不同的场景需求。[3]
Graphcore的IPU主要有三个特点：
图片来源：Graphcore官网
（1）. 计算核心有多达 1400 多个处理器内核，每个内核可运行 6 个线程。
内核数量的意义在于体现芯片的计算能力，二者呈正相关。每个内核里都有一个计算单元（ALU），业界有一个非常典型的比喻：CPU就是一名会高等数学的大学生，会解复杂题型，而GPU和IPU是成百上千个中学生，精通加减乘除。
在AI深度学习所需要的恰恰是大量简单特定的运算，也就是“加减乘除”。在这种情况下，成百上千个中学生加在一起的效率，比一个优秀的大学生更高。
而IPU和GPU的核心区别在于，处理器核采用了不同的架构。延续上文的比喻，两支中学生团队使用不同的计算方法。
GPU使用的SIMD架构通常用于处理器执行大量计算的问题，这些计算需要处理器并行执行相同命令，就像划船比赛中，所有队员做同样的事，共同提高团队效率。
而 IPU使用的MIMD则将复杂算法分割为无关的、独立的部分，每个部分分配给一个不同的处理器来并发处理的解决方案，好比足球比赛中，队员们虽然有同样的进球目标，但是每个人承担的职责不同。[4]
因此，IPU用到的MIMD架构能够处理更复杂的操作。
（2）. IPU 采用处理器片内分布式存储架构，而 GPU 采用显存或高宽带显存 HBM，是片外的大型存储。
与 GPU 的存储架构中直接连接动态随机存储器（DRAM）相比，处理器的内存由IPU的本地静态随机存储器（SRAM）组成，每个内核（tile）都执行只在本地内存上进行的计算。[5]
这样可以避免了频繁访问外部存储资源，大幅度提升频宽、降低延迟和功耗，在特定情境下甚至可能會有近 50 倍的增幅。[6]
图片来源：Citadel Securities Technical Report
（3）. 在跨芯片多核通信调度设计上， Graphcore IPU 设计了 BSP（Bulk Synchronous Parallel）的软硬件结合算法，让芯片内 1000 多个内核，以及多芯片可以跨 IPU 连接。
而GPU 是以多核多线程呈现，开发者需要处理不同线程之间的通信与数据同步问题。简而言之，对软件工程师或者开发者来说，采用BSP后的AI芯片非常易于编程。[8]
IPU的架构 图片来源：Graphcore官网
2、定位：和英伟达的竞争和差异化
在技术负责人Simon Knowles眼里，与英伟达展开全面竞争，实在不算一件聪明的事。
在接受海外博客节目The Robot Brains Podcast的采访时，他分享了自己的创业准则：绝不试图生产大公司现有产品的强化版。[9]——因为大公司有庞大的市场基础，初创企业在同一产品上很难与之抗衡。
Simon的观点是：AI会存在于人类未来技术的任何领域，而所有行业的需求不可能由同一个架构来支持。而对于Graphcore来说，IPU只需要在特定领域表现得比GPU好，在这个爆炸式增长的市场中分到一杯羹就足够了。
正如上文所提及，由于MIMD架构下的芯片能够处理更复杂的操作，IPU对于目前在CPU和GPU上无法*运行的高性能计算任务具有吸引力。其中有关“稀疏数据”的处理就是它最主要的应用方向。
稀疏数据是指在数据集中绝大多数数值缺失或者为零的数据，比如在电商平台，相对海量商品而言，每个消费者购买的只是小部分产品，所以单个消费者的购买记录就是一个稀疏数据。
在现实生活中，就常常要在海量的复杂信息中寻找指定关键信息，因此有关稀疏数据的计算非常普遍，而IPU能够独立和并行地执行许多非常不同的计算，恰符合稀疏计算的特点。
其中，分子就是稀疏数据结构最典型的应用案例。分子排列不规律，行为复杂，而且很小。而IPU大规模并行结构的特征，恰恰适合操作不规则的数据结构。[9]
具体到行业，IPU在化学材料和医疗领域都能得到应用，还曾被证明可用于辅助研究冠状病毒。
2020年5月，微软机器学习科学家Sujeeth Bharadwaj就曾将Graphcore IPU内置于微软Azure操作系统中，并在胸部X光片中识别新冠[11]。他说：“Graphcore芯片可以在30分钟内完成在英伟达传统芯片上需要5个小时才能完成的工作。”
在商业模式上，Graphcore不直接对外销售芯片，而是将IPU内置于叫“pods”的系统中，打包出售给下游的云计算和服务器厂商。
微软作为Graphcore的投资人之一，在2019年*款IPU产品发布时就已成为其最早使用的客户。而另外一个大股东戴尔也鼎力支持，*批用上了IPU。
除了自家投资人捧场，Graphore的主要客户是欧洲的厂商。作为欧洲*的AI独角兽，难免要打着“国货之光”的招牌向欧洲乡亲拉票。
2018年The Wired采访人工智能大师Geoff Hinton，Hinton帮Graphcore做了一次超级公关，他对记者说：“我认为我们需要转向不同类型的计算机。幸运的是，我这里有一个。”然后伸手进入他的钱包，拿出一个又大又亮的芯片，这个芯片就是Graphcore的IPU。
2021年，Graphcore与法国超级计算机制造商Atos和超级计算机芯片设计公司SiPearl都展开了合作，还在英国爱丁堡大学的EPCC超级计算中心安装了基于IPU的Bow Pod系统。[12]
2022年6月，Graphcore又与德国框架供应商Aleph Alpha签署协议，共同研究下一代多模态语言和视觉模型的预培训、微调和推断。与德国合作后，欧盟还特地强调，欧洲供应商需要这样一条供应链，而不是依赖英伟达(Nvidia)等美国公司的人工智能[13]。
一个自主可控的“欧洲英伟达”，这个梦想无比性感。那些当年想做“欧洲Google”、“欧洲苹果”、“欧洲亚马逊”的人也曾经这样幻想过。
3、触礁：Graphcore面临的问题
Simon说[9]：“如果你打算开发一种新型处理器，真的需要有一个20年的长远视角。”不过，就算在技术层面规划了未来20年。但在商业层面，却未必过得好眼下这两年。
2022年10月，英国《泰晤士报》突然爆出，Graphcore和微软的合作已经泡汤了[14]。此前，IPU被内置于微软Azure平台上， 而现在可以
2023年4月18日，著名科技媒体The Information爆料：微软正在秘密研发自己的AI芯片，代号雅典娜（Athena）[18]。
雅典娜芯片由台积电代工，采用5nm先进制程。据悉，微软从2019年就开始研发这款芯片，目前已在测试阶段。雅典娜的*目标是为Open AI提供算力引擎，以替代昂贵的英伟达A100/H100，节省成本。而下一步，可能就将剑指Azure云服务，瓜分英伟达的蛋糕。
缺少大客户的采购，Graphcore的业绩一路低迷，外媒报道，2021年，Graphcore销售额仅为500万美元，税前亏损1.835亿美元。账目显示，截至2021年底，现金、现金等价物和短期投资为3.27亿美元。[15]
这导致英美的*风投都抛售了Graphcore的股份，Baillie Gifford减记对其1660万美元的投资，减记幅度达58%，红杉资本也有类似的减持操作[16]。这给Graphcore带来的直接影响是估值暴跌10亿美元，与*时期的28亿美元相比，减少了35%。
Graphcore的困境揭示了一个残酷的事实：初创公司挑战英伟达帝国，是一件如登天一样难的事情。
一方面，英伟达通过CUDA平台、TensorCore、NVLink等技术来不断巩固GPU的护城河，尤其是CUDA生态，连Intel和AMD这种大厂都难以逾越，中小客户几乎没有放弃英伟达、押注新玩家的可能。
而对于想降低成本、增加对英伟达谈判能力的大厂，他们基本上都有能力组织资源自研AI芯片，Google、微软、亚马逊、特斯拉都已经入局，国内华为、阿里、百度也都在开发自己的AI芯片，华为昇腾910已经被用来组建超算平台。
尽管IPU的诞生源于处理器设计空间具有新的“可能性”，但在眼下混沌又激烈的AI军备竞赛中，芯片客户更需要“确定性”。
有投资人曾对外媒UK Tech News表示，“人们对英伟达的关注度很高——人们希望使用他们的技术，因为这是安全的赌注。要把人们的注意力从这上面转移开，是一个非常非常艰巨的挑战。”[16]
投资者也在用脚投票。截至2022年12月5日，2022 年全球半导体初创企业的风险投资达到 78 亿美元，这与2021年创纪录的 145 亿美元的投资额相比下降了 46%，即便是与2020年103亿美元相比也下降了24%。
Graphcore的融资神话止步在2020年末。但见GPU笑，哪闻IPU哭。
今年，ChatGPT火爆，英伟达狂飙。而Graphcore的CEO Nigel Toon却心灰意冷地向英国政府发出一封公开信，希望政府“抵制外国大型科技公司的诱惑，它们正试图排挤我们的英国公司。”
更具体一些，他直接点名道姓了英伟达。Toon说：“除非预算的很大一部分明确指定给英国供应商，否则这笔资金承诺将很快被美国芯片制造商英伟达(Nvidia)等数字巨头消耗掉。”
Toon认为，英伟达等公司凭借其主导市场份额的优势，一直在以低成本提供gpu，以激励英国研究人员使用这些gpu，这种方式塑造了人工智能从业者和研究人员的习惯，并排斥了其他硬件供应商。因此，他呼吁英国政府，将耗资9亿英镑的新超级计算机项目使用Graphcore芯片。
一家诞生于老牌资本主义国家的公司，竟然主动呼吁贸易保护、封禁对手，说明事情已经到了绝望的地步。
4、尾声
除了Graphcore之外，这些还涌现出不少中小AI芯片公司，比如Cerebras、Habana Labs、Mythic等。其中Habana Labs的结局可能算得上*——被Intel以20亿美金收购。
中小AI芯片公司所面临的问题跟Graphcore类似：英伟达帝国坚不可摧，大客户自研暗流涌动，人工智能行业一日千里，技术路线像六月的天气一样变化多端，能从英伟达碗里夺食的可能只有像Google和微软这样的大厂。
半导体行业的金科玉律是：规模效应，芯片产量越大，芯片价格越低。英伟达和Graphcore等设计公司虽然没有重资产的Foundry产线，巨额的研发费用同样也是一种“重资产”，出货1万片和出货100万片的企业成本相差悬殊。
中国的寒武纪本纪相比英国的“寒武纪”，一个优势就是英伟达的*进芯片如A100和H100根本卖不进来，只能卖阉割过后的A800。Nigel Toon梦寐以求的“贸易保护”，这中国厂商这里反而能轻松获得。
但抛开这点优势，国内AI芯片公司所面临的问题和Graphcore并无二致。即使是残血的A800，在今年春节后也被国内大厂疯狂抢购。OV小米可以无障碍地购买高通最新款消费级芯片，国内AI大厂却不行，因此他们自研AI芯片的决心会比Google和微软更大。
因此，无论是国内还是国外，各种“xPU”们想来分英伟达的羹，都没那么容易。
