La Carrera para Potenciar los Cerebros de Silicio de la IA

Las nuevas empresas de chip ven la IA como una oportunidad única en la vida para crear grandes empresas. Muchos no lo lograrán.
por Martin Giles

Nigel Toon, cofundador y CEO de Graphcore, una nueva empresa de semiconductores con sede en el Reino Unido, recuerda que hace sólo un par de años muchos inversores de capital riesgo consideraban la idea de invertir en chips de semiconductores como una broma. "Llevarías la idea a una reunión," dice, "y muchos de los socios se revolcarían en el suelo riendo." Ahora algunos empresarios de chips están teniendo una recepción muy diferente. En lugar de rodar en el suelo, los inversores están desplegando sus chequeras.


Los capitalistas de riesgo tienen buenas razones para desconfiar del silicio, a pesar de que éste le dio su nombre a Silicon Valley. El desarrollo de los chips semiconductores cuesta mucho más que el software, y hasta hace poco tiempo había poco espacio para innovaciones radicales que distinguieran las nuevas versiones. Incluso si sobreviven, las empresas jóvenes a menudo terminan con márgenes de beneficio más reducidos que los de las obleas de silicio de las que están hechas sus chips. Los grandes operadores tradicionales, como Intel y Nvidia, son competidores formidables con un profundo conocimiento de la industria y bolsillos aún más profundos.

Lo que ha cambiado es la creciente creencia entre algunos inversores de que la IA podría ser una oportunidad única para crear nuevas e importantes empresas de semiconductores. Los capitalistas de riesgo han invertido 113 millones de dólares en la puesta en marcha de chips centrados en IA este año, casi tres veces más que en todo el año 2015, según datos de PitchBook, un servicio que realiza un seguimiento de las transacciones de las empresas privadas.

Graphcore ha sido uno de los beneficiarios de este cambio, añadiendo recientemente 50 millones de dólares en fondos de Sequoia Capital, una empresa líder en el Valle del Silicio. Otras empresas de arranque de chips, como Mythic, Wave Computing y Cerebras en Estados Unidos, y DeePhi Tech y Cambricon en China, también están desarrollando nuevos chips a medida para aplicaciones de IA. Cambricon, una de las empresas chinas más prominentes en este campo, ha recaudado 100 millones de dólares en una financiación inicial dirigida por un fondo del gobierno chino.

Desde el advenimiento del mainframe, los avances en el hardware informático han desencadenado innovaciones en el software. Estos, a su vez, han inspirado mejoras posteriores en el hardware. La IA es el último giro en este ciclo digital. Empresas de muchos sectores han estado invirtiendo fuertemente en hardware para ejecutar sistemas de aprendizaje profundo. Pero a medida que se vuelven más sofisticados, están exponiendo las limitaciones de los chips existentes que se utilizan para el trabajo de la IA.

Muchos de estos procesadores provienen de Nvidia, cuyos chips gráficos se utilizan ampliamente para potenciar los juegos y la producción gráfica. Los procesadores tienen miles de pequeños ordenadores que operan en paralelo para renderizar píxeles. Con algunos ajustes, han sido adaptados para ejecutar algoritmos de aprendizaje profundo, que también involucran un gran número de cálculos paralelos.

Aunque han sido ampliamente adoptados, los chips de gráficos tienen algunas desventajas. Una de las más grandes es que cuando un gran número de ellos trabajan en paralelo, absorben mucha energía. La Universidad Carnegie Mellon, uno de los principales centros de investigación de la IA, incluso ha tenido que pedir a los investigadores que desaceleren temporalmente el uso de los chips porque estaban ejerciendo presión sobre el sistema de energía de la universidad. Franz Franchetti, profesor de la CMU, dice que la universidad está buscando fuentes de energía alternativas para aliviar el problema.


Los inicios del chip de IA están planeando producir procesadores más eficientes en el consumo de energía. Pero lo que realmente los está energizando es su creencia de que los procesadores hechos a medida para aplicaciones de IA pueden vencer a los chips menos especializados en una amplia gama de tareas de aprendizaje automático. La nueva generación de chips combina múltiples funciones de procesamiento en un solo paso, mientras que los procesadores gráficos realizan múltiples pasos para lograr el mismo resultado. Las funciones se agrupan normalmente para optimizar casos de uso específicos, como algoritmos de entrenamiento para ayudar a un coche autónomo a detectar posibles obstáculos.

Graphcore afirma que en pruebas preliminares su nueva "unidad de procesamiento de inteligencia", que se enviará a los primeros clientes en el primer trimestre del próximo año, es entre 10 y 100 veces más rápida que el hardware actual en estas tareas. El Cambricon de China ya está ganando elogios para sus procesadores. Huawei, un cliente de Cambricon, considera que para aplicaciones de aprendizaje profundo como los algoritmos de entrenamiento para identificar imágenes, los chips de inicio son seis veces más rápidos que si se ejecuta la misma función en un procesador gráfico.

Los investigadores están entusiasmados con la perspectiva de un salto significativo en la potencia de cálculo de la IA. "Todavía hay una gran brecha entre dónde estamos y lo que nos gustaría hacer", dice Andrew Davison, un profesor del Imperial College del Reino Unido que se centra en la robótica y la visión por ordenador. Davison cree que las innovaciones que traen al mercado las startups de chips acelerarán el progreso en campos como el suyo.

Estas reacciones son alentadoras, pero no garantizan la victoria. Las grandes compañías de chips ya están presentando sus propios chips hechos a medida para competir con las ofertas de las startups. Intel, por ejemplo, anunció recientemente sus planes de lanzar una nueva familia de procesadores diseñados con Nervana Systems, una puesta en marcha que adquirió el año pasado. Nvidia también se está moviendo rápidamente para actualizar las capacidades de sus propios chips.

Las startups se enfrentan a otro reto. Muchos de ellos están diseñando hardware para soportar aplicaciones de IA altamente especializadas. Pero puede llevar años conseguir que un chip salga al mercado. Dada la velocidad a la que evoluciona la IA, existe un riesgo real de que, cuando sus productos estén ampliamente disponibles, los usos para los que fueron diseñados ya no sean lo más importante.


Shahin Farshchi de Lux Capital, que invirtió en Nervana y tiene una participación en Mythic, traza un paralelo con los procesadores de construcción de startups para aplicaciones inalámbricas 4G a mediados de los años 2000. Muchos de ellos terminaron fallando porque se optimizaron para aplicaciones que no se convirtieron en la corriente principal. "Va a haber otra sacudida para las compañías de chips que están muy enfocadas", dice.

Pero si las empresas jóvenes construyen chips que abarcan un conjunto demasiado amplio de áreas de aplicación, es probable que sacrifiquen los niveles de rendimiento. Y eso podría dejarlos vulnerables a la competencia de Nvidia, Intel y otros. Algunos pueden ser comprados por los gigantes de los chip. Pero si muchos terminan fracasando, los capitalistas de riesgo comenzarán a enrollar sus chequeras de nuevo.



Comentarios

Entradas populares