人工智能AI┆运算与任务分配软件

我们认为，Nvidia、Mellanox和Titan IC的套娃式收购将大大提升云端人工智能芯片产品的门槛。该收购案完成后，或将对云端AI芯片市场产生很大的长远影响。

首先，我们看到，Nvidia对Mellanox的收购有些类似上下游式整合——Nvidia代表了云端人工智能的生态，而Mellanox则代表了云端人工智能的核心技术，收购后意味着该核心技术与Nvidia的生态牢牢地绑定了在一起。

众所周知，Nvidia的GPU在目前是云端人工智能加速的主流解决方案。虽然也有一些其它AI芯片公司提供云端人工智能训练的加速，但是谈到与Nvidia的比较都显得缺乏竞争力，最多只能算是Nvidia之外的一个候补供货方案。为什么？究其根本，并不是这些AI芯片公司的峰值算力不够，而是在生态上难以与Nvidia的CUDA生态做竞争，在软件方案上缺乏Nvidia CUDA这样的完整编程和工具链，而这些完整的工具链需要很长的时间积累，目前也正是Nvidia最高的壁垒。

如果说以上只是Nvidia生态在单机训练上的竞争门槛的话，那么在目前广为应用的分布式训练上，Nvidia则构筑了更高的门槛。分布式训练中，需要将数据分布到多台服务器上去做单步训练，同时在完成单步训练之后，需要将分布在多台服务器上的权重和梯度信息做一次同步，才能继续训练，而该同步过程对于多台服务器之间的数据交换则形成了很大的考验。一方面，在硬件上会需要高速的数据交换互联，另一方面，在底层软件方面，也需要高效的接口，防止数据交换的软件层成为性能的瓶颈。也正是因为分布式训练对于数据交互的高需求，在2016年之前都没有特别好的解决方案，直到Mellanox的InfiniBand出现成为了高性能互联解决方案。后来随着技术的迭代，目前以太网+RDMA的方案（同样是Mellanox的强项）成为了常规的解决方案，而Nvidia的NCCL则成为了底层软件接口的标准。换句话说，在Nvidia收购Mellanox之前，Mellanox的数据互联方案+Nvidia的GPU底层接口经过多年迭代已经形成了一个非常完善的工程解决方案，而其它AI芯片公司想要复制Nvidia GPU的分布式训练则势必要重复一遍这样的迭代过程。

一旦Nvidia GPU+Mellanox网络技术的上下游生态绑定，那么在整合完之后就会诞生一个巨头，并大大提升竞争门槛。在收购完成之后，Nvidia GPU和Mellanox的以太网+RDMA就成为了一家人，其它AI芯片公司要加入竞争，则必然会在分布式计算方面遇到来自Nvidia更大的压力，这也意味着竞争门槛大大提高——例如，为了能真正进入分布式训练是一个必选项的云端AI芯片市场，则必须能自主掌握RDMA等分布式训练需要的数据交换技术，而能做到这一点的公司寥寥无几——一个例子就是Habana，其一大亮点就是其AI训练芯片中包含RDMA，这或许也是Intel之前高价收购Habana的重要考虑因素。

而在Mellanox收购了Titan IC之后，这三者的结合则更是提供了包含人工智能+高速数据互联解决方案+网络安全加速的横跨多个领域的完整方案，也让其产品在数据中心竞争中占据了极为有利的位置。

更重要的是，Nvidia的野心并不仅仅在人工智能，而是想要扩展到更广的数据中心高性能计算领域。例如，在未来十年内，我们认为除了人工智能之外，还有许多有很大潜力的计算会需要在云端完成。举例来说，与健康相关的基因计算就是一个重要方向，而Nvidia也在之前收购了从事基因计算并行化领域的初创公司ParaBricks，显示了它在该方向的布局。而对于云端分布式计算来说，事实上Nvidia GPU+Mellanox RDMA+Nvidia CUDA都将形成难以撼动的整体解决方案，这样的黄金组合或许将统治云端高性能计算加速市场很久。

Nvidia是今天全球公认的GPU技术和市场双冠王。除此之外，Nvidia也在积极布局云端服务器市场，其中的一项重要举措就是收购Mellanox。

Mellanox是一家以色列高性能网络芯片和解决方案提供商，其产品包括Smart NIC，网络交换机芯片和高速数据互联等。Mellanox是一家以色列公司，它在人工智能兴起的时候推出了其独特的超高性能InfiniBand数据互联产品，大大提升了数据中心人工智能训练的速度和效率，此后就牢牢占据了人工智能相关云端服务器数据互联产品的高地。在Nvidia收购Mellanox之前，Mellanox的RDMA等重要技术已经和Nvidia GPU一起出现在了许多云端高性能服务器中。

Nvidia从去年开始收购Mellanox的流程，各国政府审批的时间接近一年。由于之前高通收购NXP的交易没有及时通过中国的审批而最终失败，因此Nvidia收购Mellanox是否能过中国的审批也成了之前各方关注的一个不确定因素。随着上周中国的审批终于获得批准，Nvidia收购Mellanox的政府审批流程已经完成，预计将于4月底完成交易。

全球100家最有前景的AI初创公司中，有11家“独角兽”公司，其中5家为中国公司。由此可见中国AI科技公司获得了广泛的认可和支持，未来这一趋势将继续扩大。

一方面，我们需要肯定中国在人工智能算法研究上取得的优异成绩。2019年，中国人工智能论文数量、专利申请量都已经高居全球第一。以中科院、清华大学、中国科技大学和西安交通大学等为代表的科研院所，在机器学习和深度学习算法研究上贡献了大量高质量论文。以百度、阿里巴巴和腾讯为代表的科技巨头和以商汤、科大讯飞和深兰为代表的独角兽企业，在语音识别、自然语言处理、计算机视觉和智能驾驶等AI算法开发中取得了不俗成绩。毫无疑问，中国在人工智能算法上的进步速度十分显著，投入和产出效率非常高。但另一方面，我们也需要审视中国在核心算法、底层技术上的不足。2019年“徐匡迪之问”引发了业界的广泛共鸣，中国人工智能领域真正搞算法的科学家凤毛麟角，基础核心算法的缺失未来或将成为中国人工智能发展的“瓶颈”所在。比较来看，美、欧、日的数学基础更加扎实，在人工智能算法研究时更能从基础理论上实现“突破”。举个不太恰当的例子，谷歌公司软件有TensorFlow，硬件有TPU，算法有AlphaGo、AlphaZero，其对人工智能技术的理解、对人工智能基础算法的投入，是当前任意一家中国企业所不能比拟的。总体而言，中国人工智能强在数据规模、产业应用，而弱在核心算法、基础算力。

当前人工智能的爆发，离不开大数据处理和机器学习技术的快速发展，而这两者的根基正是概率论和统计学，因此很多人认为人工智能就是统计学+概率论。

人们对于人工智能改变生活的预期与AI现实能力不匹配。以自动驾驶为例，汽车生产商对全自动驾驶（Level 4）的实现时间盲目乐观。Delphi和MobileEye承诺于2019年实现Level 4自动驾驶系统，Nutonomy公司计划于2019年在新加坡街头部署无人驾驶出租车，特斯拉CEO马斯克在2020年1月声称，特斯拉车型的“完全自动驾驶”功能即将到来。但加里·马库斯等专家认为，实现完全自动驾驶可能需要数年甚至数十年，届时才能实现可以避免事故的自动驾驶系统。

2020年4月，埃森哲正式发布《技术展望2020》报告中文版，本年度报告着重阐述了新数字时代中，企业如何让用户、员工、合作伙伴以及社会大众一起参与进来构建新的技术协作模式。通过对用户掌握个性化主权、人机协作重塑业务模式、交付长期体验、机器人突破行业壁垒以及培育创新基因等五大趋势的解读，报告指出，企业应当对业务和技术模式进行再思考和再设计，开辟未来发展之路。

根据Omdia的数据，2025年全球智能城市人工智能软件市场的规模将从2019年的6.738亿美元增长到49亿美元。无线数据通信标准使智能城市应用能够进入在线领域，在那里它们可以利用最新的人工智能创新。人工智能可以监控和分析通过物联网收集的数据和洞察，并采取行动。