芯片行业跟不上人工智能革命

但所有这些乐观情绪不应分散我们对芯片行业关键问题之一的注意力： 筹码 已经停止提供计算能力的真正跳跃，就在我们看到像生成人工智能这样的耗电应用程序爆炸式增长的时候

从历史上看，芯片的计算能力每两年翻一番，这就是后来众所周知的“摩尔定律”。 但是我们已经有一段时间没有看到性能的飞跃了。 现在，微处理器的性能每年仅增长约 10-15%——而给定软件应用程序的实际速度增长通常要大得多 更小. 为这些芯片重新设计软件的过程可能成本高昂且漏洞百出。

这种放缓来得正是时候。 芯片根本无法跟上一些计算最密集的应用程序。 用于计算机视觉、自然语言处理和语音处理等任务的模型规模在短短两年内增长了 15 倍，比同期芯片计算能力的增长高出一个数量级。 最先进的机器学习模型，例如为 GPT-4 和 ChatGPT 提供动力的模型，已经增加了 75 倍，同样远远超过了它们背后的图形处理单元 (GPU) 的能力。

需要的和提供的之间的差距只能用更多的筹码来填补。 这使得每个人的计算成本都很高。 现在构建高级机器学习模型的成本如此之高，以至于它们现在已成为有钱有势的公司的专属领域。

为什么芯片落后这么多？

存在技术挑战。 很难将芯片制造得比现在更小——晶体管在其最薄的尺寸下只有几个原子厚。

但这充其量只是部分解释。 芯片已经有一段时间跟不上当代应用的需求了——即使在最好的日子里，芯片速度的提高也已经 滞后的 软件算法的改进。

一个更好的理由是芯片行业并没有那么创新，尤其是最近。 80 年来，微处理器或多或少以相同的方式工作，即使设备变得越来越小。 几十年来，我们没有改变使用计算机内存的方式。 在过去 10 年中，为高级机器学习提供动力的 GPU 也没有太大变化。

微型化进程的放缓暴露出该行业缺乏颠覆性创意。 没有芯片公司出现 近期创新企业名单. 行业顶端的不变排名表明寡头垄断。

创新需要一个生态系统，公司（通常是初创公司）希望在其中进行试验以期取得突破性成功。

芯片行业没有很多这样的实验。

首先，实验成本极高。 通常仅仅获得第一个产品就需要 10-30 百万美元，而扩大规模则需要另外 70-1 亿美元。 这些异常庞大的资金阻碍了冒险、创业和融资。 结果，没有多少芯片创业公司成立，获得资金的少数来自经验丰富的芯片老手团队。 这个秘诀导致渐进主义，而不是破坏。

二是新思想的孕育期过长。 创建第一个产品样本通常需要几年时间，而且可能需要同样长的时间才能看到收入。 这段漫长的时期再次让通常喜欢“快速失败”的创新者和投资者望而却步。

三、芯片行业过于整合， 掉落 从 2010 年的 160 家公司增加到 2020 年的 97 家。缺乏买家限制了退出的规模，进一步打击了投资者。

筹码吸引不到 1% 共计 美国风险投资，尽管出现了人工智能、物联网、电动汽车和5G。

最后，芯片行业可能无法吸引人才。 今天的 STEM 毕业生在增长更快的行业（包括，也许具有讽刺意味的是，人工智能）看到了更好的前景。 这个芯片行业也有品牌问题——即使是芯片行业的高管 同意 该行业的品牌薄弱。 年轻员工和未来的创新者更想修补软件，而不是为新硬件苦苦挣扎。

美国政府必须利用其 CHIPS 法案资金作为杠杆，让芯片行业更欢迎创新。

为了降低新想法所需的成本和时间，政府应该要求政府资金的接受者将资金分配给更灵活的硬件方法、开源工具和开放标准。 它应该要求接受者以低成本提供广泛使用的硬件组件，以便其他公司可以将它们与创新组件结合起来，以更便宜、更快捷的方式创建新的硬件平台。

应要求学术 CHIPS 法案的受益者对芯片设计课程进行现代化改造，以强调可访问性和影响。

政府应该分配一些国家科学技术委员会的资金，以开发一个共享的、有补贴的基础设施，用于使用成熟的、落后的技术进行设计和制造，以降低生产概念验证硬件的成本。

最后，它可以鼓励维修权立法的通过，以帮助激发修补硬件的文化。

一段时间以来，芯片行业一直设法掩饰其与颠覆性创新的斗争。 随着小型化接近尾声，或者至少失去其有效性，是时候直面创新了。 技术进步——从字面上看——取决于它。

Rakesh Kumar 是伊利诺伊大学电气与计算机工程系教授，着有《不情愿的技术爱好者：印度与技术的复杂关系》一书。

《财富》评论文章中表达的观点仅代表其作者的观点，并不反映《财富》的观点和信念。