機器智能標志著一個新的計算時代的開始，這個時代需要一種從根本上不同于以往的處理器和軟件工具。這個迅速增長的新市場為Graphcore創造了打造一家大型全球科技公司的機會。

基于AI算法的更大需求

眾所周知，使用AI算法的公司通常會選擇使用GPU，而機器學習算法需要快速處理海量數據，這使得企業對硬件的需求日益攀升。

與傳統處理器不同，Graphcore所設計的這款芯片是專為機器學習系統打造，這種芯片可以部署于各種機器學習的應用，例如聯網設備、自動駕駛、云計算以及機器人等領域，他們相信越來越多的企業將使用這些技術。

芯片產業鏈復雜，從技術研發、產品迭代及資金鏈需求角度而言，初創公司的成長挑戰都是巨大的。盡管如此，Graphcore還是迅速打開了行業知名度，原因之一離不開英國產業市場的特殊性。

在這樣的大環境下，Graphcore想要在AI硬件這個快速發展的行業中對標巨頭英特爾和英偉達，成長為一個英國本土大型上市企業，并且不會出售給競爭對手。

根據IDC數據預測，認知和人工智能系統在2017年全球收入將達到125億美元，并預計在2020年增長到460億美元。投資者之所以紛紛押注芯片制造商，也是因為這項技術是這一增長趨勢背后最為重要基礎支持。

Graphcore的誕生和目標

與一般的新銳公司不同，Graphcore在人工智能學習的反應速度以及低能耗方面，其開發的產品要比目前市場上所有的圖像處理解決方案好10到100倍。

Graphcore成立于2016年，其總部位于英國布里斯托，兩位聯合創始人Nigel Toon、Simons Knowles此前還共同創立過市值4.35億美金的3G蜂窩芯片公司Icera，后賣給英偉達。

Graphcore頻受資本和學界青睞，主要來自于其核心產品一款名為IPU的AI芯片，與常見的IPU（ImageProcessingUnit，圖像處理器）不同，其IPU主要應用于無人駕駛汽車和云計算，專門為強大的機器習得系統設計。

此外還開發了一套可以幫助用戶無縫使用TensorFlow和MXNet等機器學習框架的接口，并為此提供了一個包含工具、驅動和應用庫的開源軟件框架Poplar。

總的來說，Graphcore認為先做Training然后做Inference的機制，未來一定會被Learning取代，即未來理想的人工智能應該能夠在部署之后還能保持持續的學習和進化。

市場看好融資多輪順暢

自創立以來，Graphcore就吸收了不少戰略投資方，其中A輪包括三星和博世，以及該輪融資中的寶馬和微軟。

在2017年初，Graphcore完成的3000萬美元融資就備受關注，因為這次投資方里包括了三星集團、德國汽車巨頭Bosch以及Arm創始人HermannHauser，還吸引了DeepMind聯合創始人DemisHassabis、Uber首席科學家ZoubinGhahramani以及AtomicoandDellTechnologiesCapital的投資。

2017年10月，Graphcore接受了紅杉資本5千萬美元的投資，這是最近成為風險投資新寵的AI芯片公司之一。

2018年12月，英國AI芯片公司Graphcore宣布完成新一輪2億美元融資，寶馬旗下風投公司iVentures和微軟作為戰略投資方加入，公司估值達到17億美元。這樣一來，其融資總額超過3億美元。

本輪融資為Graphcore的D輪融資，在最近一個月里敲定，新晉投資人和早期投資人各占一半金額。由其早期投資人Skype創始人NiklasZennstrm'sAtomico以及歐洲大型投資公司Sofina領投。寶馬iVentures和微軟、美利安全球投資者均是該輪融資的新晉投資方。

合理的推測是，博世和寶馬將為Graphcore推進自動駕駛和車聯網市場提供便利，而三星則是手機和語音助手領域的窗口，戴爾還將為其提供云計算芯片市場的DOE和渠道資源。

此外，羅伯特博世風險投資公司、C4風險投資公司、戴爾科技資本、以色列最大風投Pitango、三星和紅杉資本等跟投。

IPU的核心特征及難點

根據公開資料顯示，GraphcoreIPU的一些關鍵特征包括：

①同時支持Training和Inference。

②采用同構多核（many-core）架構，超過1000個獨立的處理器。每個處理器核的處理能力和具體支持的操作還不清楚。支持all-to-all的核間通信，采用Bulk Synchronous Parallel的同步計算模型。

③采用大量片上memory，不直接連接DRAM，這可能是他們的架構中最激進的一個選擇。

Graphcore IPU的多功能性，即支持多種機器學習技術的高效表現適合各種應用，無論是智能語音助手還是自動駕駛車輛。因為GraphcoreIPU的靈活性，能夠在數據中心和車輛中使用相同的處理器，以減少用戶的開發時間和工作量。

此外，Graphcore IPU的規模很大，通常包括數千到數百萬個頂點，這也意味著巨大的并行性。同時IPU是稀疏的，大多數頂點只連接到其他一小部分頂點，即低精度。

對于新架構，幾乎Graphcore運行神經網絡模型的所有計算機系統，甚至包括Google的特殊硬件，都使用RAM存儲。從RAM中獲取神經網絡的權重需要耗費大量的計算資源，所以處理器可以幫忙解決。

在Graphcore的芯片上，權重存儲在處理器中的高速緩存中，而不是存儲在RAM中，也不需要移動，因此，事情就變得比較簡單了。可能我們會得到一個系統，比如一萬億個權重。

與微軟戴爾的緊密合作

11月18日至22日，Graphcore在美國丹佛舉辦的SC19上展示與微軟最新聯合發布的微軟Azure上GraphcoreIPU相關產品與介紹，并提供相關的注冊信息。

另外，使用了Graphcore第一個IPU技術的戴爾易安信DSS8440也將首次對外展示。

微軟和Graphcore的開發人員使用BERT語言模型實現了最先進的性能和準確性，僅用一個IPU服務器系統和8個C2IPU處理器PCIe卡就可以在56個小時內訓練BERTBase。通過BERT推理，吞吐量提高了3倍，延遲改善了20％以上，從而可以更快地交付結果。

微軟和Graphcore已經緊密合作了兩年多。就在11月14日，Graphcore宣布了與微軟的具體合作內容，并正式發布MicrosoftAzure上Graphcore智能處理單元（IPU）的預覽版。這是重大公有云供應商首次提供Grapchore IPU，這些IPU從構建之初便旨在支持下一代機器學習。

其強大的并行處理能力實現了快速訓練模型并進行超低延時運行，這也使的Graphcore能夠在自然語言處理以及在理解自動駕駛視頻方面取得重大進展。因此，IPU強大的并行處理能力是我們區別于其他處理器的一個重要因素。

Graphcore還將與戴爾公司一起展示第一個IPU技術，該技術旨在滿足企業客戶構建本地機器智能計算的需求。在戴爾公司的DellEMCDSS8440是一款采用Graphcore技術的機器學習服務器。

該系統使用8個GraphcoreC2IPU處理器PCIe卡提供1.6PetaFlops的機器智能計算，每個卡有2個IPU處理器，所有卡都在標準4U機箱中與高速IPU-Link技術連接。

這個全新的芯片速度會非常快，可以支撐很多不同的神經系統，擁有極高的擴展性。Arm聯合創始人甚至把Graphcore IPU成為芯片產業的第三次革命。

結尾：

隨著人工智能對芯片算力和帶寬的需求越來越高，現在大多數的ASIC AI芯片并不能滿足當下的需求。為此打造一個全新架構的AI芯片就成為迫切需求，這也正是Graphcore IPU正在做的事情。