头图来自视觉中国
本期导读：
百度 AI 芯片业务“昆仑”完成独立融资的消息持续放大百度回归港股的巨大价值，而另一家巨头字节跳动也被发现其 招聘 中增加了芯片相关职位，两家原本在互联网业务层面有诸多交集甚至恶意的公司，似乎又要在另一个赛道上继续厮杀。我对两家公司的 PR 策略与伎俩没有兴趣，本期将把关注点放在 AI 芯片层面，这里有太多需要厘清的市场话术。
《MIT 科技评论》最近的一篇长文“揭露”了 Facebook AI 发展的失败，这不是商业层面的失败，而是如何实现“AI for Good”的失败，这成为 AI 伦理探索的新案例，本期将做重点分析。
本期“AI Insider”还将关注：微软宣布 Azure 可用区扩张、S3 新特性、数据中心之争升温、特斯拉的技术与信任挑战、Digital Ocean 之于云计算创业领域的意义以及机器学习领域的低代码趋势等。
焦点：百度昆仑融资与字节入局，厘清 AI 芯片中的诸多话术
上周，百度 AI 芯片业务“昆仑”完成独立融资的消息持续放大百度回归港股的巨大价值，而另一家巨头字节跳动也被发现其 招聘 中增加了芯片相关职位，两家原本在互联网业务层面有诸多交集甚至恶意的公司，似乎又要在另一个赛道上继续厮杀。
我对两家公司的 PR 策略与伎俩没有兴趣，我会把关注点放在 AI 芯片层面，这里有太多需要厘清的市场话术。
首先，AI 芯片不是一种“通用型”芯片，它只能针对特定场景或任务提供优于传统 CPU 的计算性能，当下 AI 的几个典型场景包括语音、计算机视觉等，在这些场景里，利用 AI 芯片与相应的算法，可以获得更好的计算性能，也就是算得快。
其次，从 AI 芯片的部署方式来看，包括训练与推理。前者主要应用在服务器/云端，充分释放“不计成本”的硬件算力；而随着越来越多边缘计算设备具备了 AI 能力，推理芯片也不再局限在云端，逐步延伸到边缘设备，但受限于边缘设备的硬件性能，边缘设备的推理芯片更注重功耗，下图来自 EEtimes。
第三，AI 芯片带来的可能是一场对计算架构的升级，本质上说，AI 是一种计算行为，而如何提升计算效率，则需要存储、内存等硬件架构的持续优化，由此带来的是一个巨大的市场，这也是一个非常值得关注的方向。
第四，对于 AI 芯片公司或 AI 芯片业务，除了关注其硬件性能（诸如英伟达的 A100 是基于 7 纳米、拥有 540 亿个晶体管的芯片），还有关注能耗，能耗高低决定着经济成本，这不仅影响芯片制造者的成本，也会对企业客户的购买决策产生重要影响。
第五，所谓 AI 芯片公司的定义，本身存在一定的争议，比如 AWS 虽然自研 AI 芯片，但其推理芯片 Inferentia 是为其自身 AWS 的机器学习产品所服务，业界不会将其看作一家 AI 芯片公司，类似地，百度昆仑芯片目前的处境，也是为提升百度云与 AI 落地能力所做的布局。
另一方面，对于那些标榜“AI 芯片公司”的公司，要关注其和产业上下游，特别是云服务商的合作，像此前的依图科技，虽然一直将其包装为 AI 芯片公司，但其 AI 芯片几乎都被整合到自身的业务而不是卖给上下游的客户，很难将其认为是一家类似英伟达的芯片公司。
第六，AI 芯片归属于半导体领域，这也是目前中美两国争夺的重点领域，我在去年曾经推荐过两份分析报告，很多内容现在依然具有可读性，其中一份来自乔治城大学安全和新兴技术研究中心的 AI 芯片报告，这份 70 多页的报告从芯片的基础谈起，非常详细地展现了驱动 IT 行业发展的动能如何从芯片转型到 AI 芯片，可以作为认识 AI 芯片的起点，你可以在 这里 免费下载这份报告。
第二份报告来自智库 CIGI，报告从中美关系的视角分析了中国 AI 芯片所取得的成绩以及面临的困难，其中在中国部分对于华为海思的着墨很多，整体分析克制、中立，你可以在 这里 免费获取这份报告。
行业观察：AI 伦理探索的新案例
《MIT 科技评论》最近的一篇 长文 “揭露”了 Facebook AI 发展的失败，这不是商业层面的失败，而是如何实现“AI for Good”的失败。
文章的中心人物是 FB 人工智能总监 Joaquin Quiñonero Candela，他一手构建了 FB 产品的底层 AI 架构，通过算法驱动着社交巨人的各个产品与功能，这些 AI 算法让 FB 活跃用户、用户粘性不断上升。
但从 2016 年美国大选结果出炉开始，围绕 FB AI 算法的争议开始升温，特别是在 2018 年 3 月剑桥分析的丑闻之后，整个行业发现，FB 的 AI 算法已经失灵了。
这也是《MIT 科技评论》关注的焦点，一方面，FB 的 AI 算法与模型放大了虚假信息和仇恨言论；另一方面，当 Joaquin Quiñonero Candela 试图通过另一个 AI 模型解决之前的问题时，这个努力遭到 FB 管理层反对，因为新模型影响到用户粘性与活跃度。
这篇颇具爆炸性的长文发布后，引发了诸多反应，比如负责 FB AI 基础研究的 Yann LeCun 直言，文章充满了各种错误，包括对 FB 产品、AI 团队架构与运作方式等。
坦率来说，这篇报道切中了 AI 伦理的宏大语境，对于商业公司来说，AI 伦理不仅需要一整套内部的准则（参见 Google），更重要的一点是，当 AI 成为公司产品的核心功能时，需要在持续扩大营收并放大 AI 缺点与负责任地“抑制”AI 缺点并影响公司营收之间做出平衡与妥协，这显然比制定一系列 AI 伦理准则更复杂也更困难了。
行业·巨头
微软可用区与数据中心争夺战。上周，微软宣布 Azure 可用区扩张的 消息 ，其中的几个要点：
到 2021 年年末，任何拥有 Azure 数据中心的国家都将实现可用区覆盖；
未来新建设的数据中心都将提供 Azure 可用区；
2021 年，Azure 所有基础与主流的云服务都会实现可用区；
可用区是云服务商比拼的重要数据之一，AWS 这样定义可用区：
一个可用区 (AZ) 是指一个 AWS 区域中的一个或多个离散的数据中心，具有冗余电源、联网和连接。可用区让客户能够运行在可用性、容错能力和可扩展性方面比单个数据中心更强的生产应用程序和数据库。一个 AWS 区域中的所有可用区都通过高带宽、低延迟网络与完全冗余的专用城域光纤互连，为可用区之间提供高吞吐量和低延迟的联网。可用区之间的所有流量都进行了加密。网络性能足以确保可用区之间的同步复制。可用区使分区应用程序更容易获得高可用性。如果应用程序在可用区之间进行分区，则可以更好地隔离公司并防止断电、雷击、龙卷风、地震等问题的影响。可用区与任何其他可用区都间隔一定距离，不过彼此都在 100 公里（60 英里）以内。
简单来说，可用区为同一地域（region）里的客户提供了更灵活、弹性也更安全的产品选择，能够避免不久前法国云服务商 OVH 因一场大火导致四个数据中心被毁掉的悲剧。
目前市场上也大致遵循 AWS 对可用区的定义，微软虽然拥有丰富的云计算地域布局，但 Azure 可用区的发展相对缓慢，公开资料显示，微软直到 2018 年才推出可用区，这比 AWS 足足晚了 10 年。
与微软扩大可用区几乎同时，Google 在宣布将继续扩大数据中心建设，Google 表示 今年将投入 70 亿美元用于美国地区的数据中心和办公室建设。
根据 FT 的报道，疫情催生了巨大的在线服务需求，由此也让数据中心的需求显著上升，分享两组数据：
与 2019 年相比，在欧洲主要市场以外，马德里、华沙和米兰等城市的数据中心容量几乎翻了一番；
2020 年，全球数据中心并购总额接近 350 亿美元，是 2019 年交易额的 5 倍多；
微软 PowerPoint 的“AI 教练”已正式上线到多个客户端。这个功能早在 2019 年就出现在 Office 网页版，此次 该功能 已经延伸到 macOS、Windows、iOs、Android 的 Office 客户端。
这个功能此前是利用 AI 技术“聆听”用户演讲 PPT，通过声音识别或者读取 PPT 上的文字，以此为用户的 PPT 演讲提供相应建议，比如语速是否过快、是否有太多重复语言（类似“呃”、“um”之类）。
值得一提的是，此次还引入了前置相机捕捉演讲者的肢体语言（特别是脸部表情）。感兴趣的朋友可以 通过 这里体验一下。
AWS 推出 S3 Object Lambda 服务。根据其 官方博客 透露的信息，这个产品旨在帮助企业或开发者简化不同应用使用数据集的流程，避免之前针对不同应用而要复制更多数据集的工作，所有服务都是通过 S3 以及 Lambda 函数计算自动完成，这个产品拥有非常丰富的应用场景。
FB 启动一个旨在提升视频推荐的 AI 项目，该项目会应用在 Instagram 的视频推荐工作中。《财富》杂志称，这是一个颇具野心的项目，它需要通过分离视频里的图像与声音以实现对视频内容的“理解”，整个项目也将极大提升动作捕捉以及语音识别的基础能力。
未来驾驶·创业公司
未来驾驶。上周，来自北京的创业公司北京初速度（Momenta）完成 C 轮 5 亿美元的融资，这也是中国自动驾驶创业公司单笔最高融资，投资方包括上汽集团、丰田与博世。
公开资料显示，北京初速度成立于2016年，产品包括基于深度学习的环境感知、高精度地图、驾驶决策算法。在上汽集团的 新闻稿 里，上汽表示将与北京初速度共同打造自动驾驶“中国方案”。
针对当下全球汽车芯片短缺的行业问题，上汽集团上周在上海证券交易所互动平台上回复称，“目前来看，总体影响预计可控。人工智能芯片方面，上汽集团已有投资布局，从样品到批量应用再到升级，还需要一个过程。”
值得一提的是，上汽集团在 2 月份与创业公司地平线达成全面 合作 ，一方面缓解芯片短缺的产能困难，另一方面共同推进汽车 AI 芯片研发。
小鹏汽车上周启动了一个横跨 3675 公里的自动驾驶探险项目，项目从广州出发，途经汕头、泉州、温州、杭州、上海、南京、青岛、济南最终到达北京，该项目将全面展现小鹏 P7 的 NGP 自动驾驶导航系统，官方 表示 将有 3000 公里的路程上使用该系统。
也是在上周，CNBC 披露小鹏汽车获得有政府背景的投资机构 注资 ，金额达到 5 亿人民币。
在上周，特斯拉的“全自动驾驶系统（FullSelf-Driving，简称为 FSD）”测试版引发诸多讨论，一些车主的视频看起来更像是在冒险，比如这个 视频 。
不过，相对于技术难题，特斯拉在另一个大市场——中国——所面临的还有来自当局的信任难题， WSJ 独家披露的中国某些行业禁止使用特斯拉的消息目前还未 有进一步官方回应，只有《环球时报》做了一个外围 报道 。
创业公司。云计算创业公司 Digital Ocean 更新 IPO 相关进展，该公司每股定价 44 到 47 美元，IPO 的规模大概在 48 亿美元左右。
根据此前透露的数据，Digital Ocean 还未盈利，2020 年亏损 4.4 亿美元，而其增长速度也慢于 AWS，2020 年的增速为 25%，与之相比 AWS 的增速为 29.5%。
这些数字上的对比都使得 Digital Ocean 的未来颇为暗淡，不过需要提醒一点，整个云计算的“蛋糕”非常大，而且还在持续增长之中，相比于 AWS、Azure、阿里云这样的巨头，以 Digital Ocean 为代表的小公司，主打简洁的产品与简单的计费方式，这也使得他们可以在巨头阴影下获得一定的市场份额，也因此，Digital Ocean 接下来的发展会成为中小云计算公司关注的焦点。
机器学习低代码公司 Noogata 获得融资，与其他领域低代码企业类似，Noogata 也提供了一个预先设置的机器学习模块，客户直接将其与其他第三方工具（CRM、支付）连接在一起，从而快速构建起产品原型。Noogata 上周刚刚完成一笔 1200 万 A 轮美元的 融资 。
机器学习领域的低代码/无代码将成为一个重要的市场分支，与此前的 AutoML 聚焦算法/数据集不同，低代码/无代码的机器学习产品更多关注的应用与解决方案，换句话说，后者更强调如何以最简单的方式快速上线应用。
比如微软去年就发布了名为 Lobe 的机器学习低代码平台，支持 Windows 与 macOS 两大桌面平台，用户下载后无需联网，直接可以在本地运行。目前 Lobe 只支持图像分类，微软 表示 未来将提供更多模型，覆盖更多机器学习领域。
另外，这里还有一个非常有趣的 项目 ，利用 Firtz AI 的平台，即便没有多少开发背景，也可以快速部署一个基于机器学习的猫咪检测器，感兴趣的朋友可以尝试一下。
评论