編者按：從嚴格的定義上來說，摩爾定律已死似乎是板上釘釘的事情了。其確定性幾乎到了沒有對此表示關心的地步。但是，這是不是意味著我們的發展就要停滯了呢。不是。而且恰恰相反，這即將為新的指數式增長拉開序幕。DAVE VELLANTE與DAVID FLOYER對此進行了分析，原文發表在siliconangle網站上，標題是：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，但這無關緊要，因為處理能力正在爆發式增長

    網絡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

    數據正在成為新的開發工具包

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 + 數據 + 人工智能空前的大規模改進，將完全改變我們對設計硬件、軟件編程以及把技術應用到企業去的思考方式。

所有行業都會被顛覆。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。

在這篇剖析當中，我們會揭示一些數據，通過這些數據，你將看到我們正在步入創新的新時代，廉價的處理能力會推動機器智能應用的爆發式增長。此外，我們還將告訴你在接下來的十年里會出現哪些新的瓶頸，以及這對系統架構和行業轉型意味著什么。
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聽到了成百上千次。EE Times寫過這方面的文章，《麻省理工學院技術評論》、CNET、SiliconANGLE，甚至行業協會都在宣告摩爾定律正走向終結。但是我們的朋友兼同事Patrick Moorhead說得對：

    按照最嚴格的定義，也就是芯片密度每兩年增加一倍這個標準來看的話，摩爾定律已經不成立了。

沒錯。這個說法絕對是正確的。但是，他的說法里面有“按最嚴格的定義”是有原因的……因為他很聰明，知道芯片行業是找出變通方案的大師。
歷史性的性能曲線已經被打破

按照最嚴格的定義，摩爾定律已死，但這并不重要，下圖就是證明。

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

縱軸顯示的是每秒操作數，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）；以及神經處理單元或NPU，以每秒萬億次操作為單位（爆發的灰色區域）。

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。摩爾定律帶來的結果是，性能每24個月將會翻一番，也就是每年約40％的增長率?，F在，CPU性能改善的速度已經下降到大約30％，所以從技術上來說，摩爾定律已死。
蘋果SoC的性能打破了常規

自2015年以來，蘋果SoC平均每年以超過了118％的速度在提升。實際數字還要更高，因為118%只是上述三種處理器的實際數字。在圖形領域，我們甚至都還沒有把數字信號處理器和系統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位的體系結構，多內核和替代處理器類型相當出色。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應用的類型在不斷發展，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，最終甚至會讓增強現實技術降臨到你手上。

太不可思議了。
處理邊緣化——網絡和存儲成為瓶頸

微軟CEO 薩蒂亞·納德拉（Satya Nadella）最近說了一句要載入歷史的話，他說我們已經達到中心化峰值（peak centralization）。下圖說明了這一點。我們在前面已經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，這些芯片可以優化能源的使用，每年可節省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？網絡和存儲。那這是什么意思？

這意味著處理能力會被放置到邊緣位置——數據在哪里就在哪里處理。存儲和網絡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，并嵌入了AI，可優化工作負載，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，大多數數據（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的數據永遠都不會回到云端上。那些數據甚至都不是持久存在的。特斯拉大概會保留五分鐘的數據。不過部分數據偶爾會回傳到云端，用來訓練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線，也就是處理能力的爆發式增長。我們認為，戴爾、惠普、Pure Storage、NetApp等公司即要將開始設計定制芯片，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體業務了。”

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據的應用，而且要利用這種龐大的處理能力來開發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、機器學習和深度學習浪潮。

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，但是非常準確。我們聽到過很多有關機器學習和深度學習的東西，并把它們看作是AI的子集。機器學習把算法和代碼應用到數據上，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。隨著它們獲取的數據越來越多，并隨著時間不斷迭代，這些模型也會不斷改進。

深度學習是運用了更加復雜的數學的，更高級的機器學習類型。

上圖右側這張表展示了AI的兩大類要素。在這里我們想指出的是，當今AI的大部分活動都集中在構建和訓練模型上面。這主要發生在云端。但是我們認為，人工智能推理會在未來幾年帶來最激動人心的創新。
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據，在本地處理數據，應用已在云端開發好的訓練并實時進行微調整的一種人工智能。

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性，而且是個很好的榜樣。不妨考慮有一種算法能夠優化汽車的轉彎性能和安全性。這個模型的輸入有摩擦、路況、輪胎角度、輪胎磨損、輪胎壓力等數據。模型的開發者會不斷測試，增加數據并對模型進行迭代，直到為部署做好準備。

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，并從傳感器獲取數據，然后實時對轉向和制動等做出微調。就像我們之前所說那樣，特斯拉只會保留數據一小段的時間，因為數據太多了。但是，如果需要把數據發送回云端用來進一步訓練模型的話，它可以有選擇地存儲部分數據。比方說，如果在滑溜狀態下路上突然出現了一只動物的話，也許特斯拉會保留這部分數據的快照，把它發送回云端，再跟其他的數據結合起來，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中還會進一步發展。
AI價值將從建模轉向推理

下面這張概念圖展現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用，還會看到隨著推理日益變得主流，這些應用也在慢慢走向成熟。在邊緣層和“物聯網”進行AI推理的機會非常龐大。

建模的重要性依舊。今天廣泛應用于欺詐、廣告技術、天氣、定價、推薦引擎等領域的建模負載會變得越來越好。但是我們認為，將來發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。

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彼此之間至今仍然是煙囪式的相互獨立的狀態。它們各自有自己由生產、供應、物流、銷售、市場營銷、服務、履約中心等堆成的“棧”。而且，專業知識往往只會駐留在本行業及相關公司里面，而且大多數情況下都會堅守各自的泳道。

但是在今天，我們已經看到了許多科技巨頭進軍其他行業的例子。亞馬遜進入食雜百貨、媒體和醫療保健行業，蘋果進入金融和電動汽車市場，特斯拉開始關注保險業：很多科技巨頭都跨越了傳統行業的界限，而其中的推動力就是數據。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據。利用區塊鏈的DeFi（去中心化金融）或者平臺將通過AI不斷改進，并不斷顛覆傳統的支付系統。

因此，我們相信，已經被說濫了的那句話是真的：覆巢之下，焉有完卵，沒有一個行業無被顛覆之憂。
AI企業應用快照

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數據集的普遍性。40％處紅線是我們主觀認定的基準；在我們看來，只要過了40％就算不錯。

在支出速度方面，機器學習和AI排名榜首，而且這一勢頭已經延續了一段時間了，所以我們給四顆星。機器人流程自動化（RPA）已經慢慢接近AI，而云端可以說是目前所有機器學習的發生地，所以云計算也出現的附近，不過我們認為AI會逐步從云端轉移走，原因我們在前面已經說過了。
企業AI專家排定座次

下圖顯示出這一領域當中受到關注的部分供應商。這些是企業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方面占據的份額最大。因為這些公司手上既有工具也有數據。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端擁有的AI推理引擎，這些引擎集合到一起將擁有大規模的處理能力。中心化巔峰與我們正漸行漸遠，這會為創造價值并把AI應用到行業上提供巨大的機會。

Databricks被看作是AI的領導者，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習應用于海量的數據集。DataRobot則是做自動化AI的—它們位于Y軸很高的位置。Dataiku是可幫開發建基于機器學習的app。C3.ai是由Tom Siebel創立和運營的企業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。具備自主數據庫功能的Oracle，以及Adobe也處在類似位置。

關鍵是這些軟件公司都已經把AI嵌入到自己的產品當中。那些不想被顛覆的既有公司用不著自己開發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：跟著數據走。
關鍵摘要

本來要講的還有很多，但暫時先讓我們在這里總結一下。

我們一直在激烈討論若干事情，包括后x86時代，體量對于降低半導體生產成本的重要性，而今天我們已經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—這已經無關緊要。在這十年的時間里，原先的假設已經被SoC和即將推出的封裝設計系統打破。誰又能知道，當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應用的根本驅動力，而且在大多數情況下，創新來自消費者的用例。蘋果會繼續引領潮流。蘋果軟硬件一體化的做法會日益改變企業的觀念。顯然，云供應商正在朝這個方向發展。你也可以在Oracle那里看到這種趨勢。軟硬件一起優化會形成勢頭是說得過去的，因為就像最近我們就Arm發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行官Pat Gelsinger也要往這個方向發力。

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

如果你是一家企業，那就不應該去強調發明人工智能。相反，你的重點應該放在去了解有哪些數據可以為你帶來競爭優勢，以及如何應用機器智能和AI來在競爭中獲勝上。你應該去購買AI，而不是開發AI。

就像John Furrier曾經多次說過的那樣，數據正在成為新的開發工具包。他在10年前就這么說了，但現在這句話比以往任何時候都要更加真切：

    數據是新的開發工具包。

如果你是企業硬件廠商，那你將會設計自己的芯片，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據上。大部分數據會保留在它被創建出來的地方。系統、存儲和網絡棧，這些正在統統被顛覆。

如果你是開發者，那么現在你將擁有不可思議的處理能力，而且你會編寫新的應用來利用這一點，利用AI去改變世界。你得弄清楚怎么獲取到最相關的數據，如何去保護平臺，并進行創新。

最后，如果你是提供服務的公司，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。你具備深厚的行業知識，以及水平化的技術能力，這些可以幫助客戶生存和發展。

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

譯者：boxi。