AI真正的主戰場在硬體
AI真正的主戰場在硬體

別誤會了,我熱愛軟體。

我只是覺得這一波已經接近尾聲——如果不是已經過了尾聲——的精實新創浪潮下,太多投資人和創業家口中念念有詞的、關於軟體新創的論點不過是一堆狗屁。

比這些關於軟體新創的狗屁更狗屁的,是毫無根據就把硬體投資視為過時的、難以產生回報的論點,即使面對了市場上公開資訊的反駁。

別誤會了,如果可以,我也想投資一個SaaS的商用軟體新創,看著他們用很少的資金做出MVP(Minimum Viable Product),然後用社群草根的方式取得眾多使用者,每週根據使用者的回饋以及蒐集到的數據改善並更新軟體,然後針對進階使用者每月收取費用,量測並改善耗損率,然後達成千萬使用戶、超過百分之百的年成長率以及九成以上的用戶留存率,取得最少五千萬美元的每年重複營收,然後以五億美元的價格出售給Salesforce這樣令人景仰的SaaS企業,並將創業家和Marc Benioff這樣令人景仰的創辦人簽約後握手的照片裱框,放在自己的桌子上朝外給所有進到自己辦公室的年輕創業家看。

等等,去他的投資!我乾脆自己創辦這樣的公司好了!

事實上,在動態均衡的商業世界裡,沒有任何一種商業模式或者產業具有永久的投資優勢。

興起於2004年的精實新創風潮為我們的世界帶來了臉書、推特、Youtube、Dropbox、Uber和Airbnb等日常生活的應用軟體,也連帶讓MVP、iteration和pivot變成熱門單字,更催生了一整個世代非工程背景也未曾創過業的新型風險資本家,他們在各大小新創活動中轉來轉去,以看似老練的口吻問著創業家,「你的每月活躍用戶量是多少?」

但在這樣低的創業和投資進入障礙的世界裡,伴隨而來的必然是激烈的全面競爭,不管是創業家彼此,或者風險資本家之間。這些競爭也許會反映在燒錢進行同業競爭上,也許反映在平均估值的不斷推升上。最終來說,產業抵達了動態均衡,人們也終於開始發現軟體精實新創並沒有比較容易創業,投資起來也沒有比較好賺。

似乎是歷史重演地,我們看到人工智慧的投資趨勢最近也反映出這樣的潮流反轉。

和精實新創經歷的一樣,我們不難想像過去兩年間滿手是錢的風險資本家們,乘著「人工智慧」、「機器學習」和「深度學習」的關鍵字浪潮,追逐著各種宣稱使用人工智慧、機器學習或深度學習來取代人類世界中某些由勞工負責的工作的新創。

而就跟精實新創投資一樣的,事實上任何有一點社會經驗的人都可以想像出任何一種「用AI取代人類」的新創應用。唯一不一樣的地方在於,要開發這樣的應用需要的不只是能夠寫邏輯程式代碼的coder,還需要懂得機器學習演算法的數學專家。

如果無法取得訓練模型用的資料,也是白搭

不夠格的投資者們,就像他們在精實新創浪潮中追著浪尾投資已經有數十家先行者的新創類型一樣,忙不迭地把錢灌進「能夠描繪某種AI使用情境」的軟體新創。稍微謹慎一點的投資者們,找來了從事相關研究的教授或者博士班學生來幫忙作盡職調查,以求避開明顯的騙子。

但不管是哪一種,打著「用AI取代人類」嘴砲的軟體新創仍然面臨兩個自己無法解決的挑戰。

其中一個就是我常常講的,就算是絕頂聰明的數學家或者資料科學家,如果無法取得訓練模型用的資料,那也是白搭,這也是為什麼在Hardware Club我們選擇投資提供從感測器到雲端機器學習完整系統的Full-stack AI新創。

另ㄧ個純軟體AI新創面臨的挑戰,則是在創業或者投資初期常常被忽略的硬體計算能力的限制。

常被忽略的硬體計算能力的限制

我在〈軟體吃掉世界,AI吃掉軟體〉一文中就曾經提到過,精實新創誕生的背景是晶片運算能力遠大於終端應用軟體所需,但機器學習的出現瞬間把這個落差給「闔上」了,突然間我們從毫不在乎硬體,又變得必須對硬體規格斤斤計較。

上面這個影片是史丹佛大學CS231n課程〈卷積神經網路在影像辨識上的應用〉第十五堂課的講座影片,主講者是最近剛取得電機暨計算機科學博士學位、明年即將在麻省理工開始任教的Song Han,講座的題目就是他的博士論文〈深度學習的高效率演算法和硬體〉

我強烈建議對於機器學習有興趣的人,不管是創業家或投資者——把這個講座影片看完,因為看完之後他們就能理解為什麼我說AI真正的主戰場在硬體

舉例來說,這整個講座使用的術語大約有三四成是機器學習和深度學習相關的,剩下的術語卻都是所有半導體產業的「老人」們再熟悉不過的:CPU、GPU、FLOPS、DDR 3、DDR 4、記憶體頻寬等。

事實上如果直接去閱讀Song Han的博士論文,老半導體人會看到兩個很親切的名字:論文的主要指導教授Bill Dally以及協同指導教授Mark Horowitz。其中Dally教授所著作的教科書〈Digital Systems Engineering〉幾乎所有電機本科生人手一本,而Horowitz教授則是我當年在半導體的研究領域「高速數位串流介面」的權威,如果把我當年閱讀過的他的論文疊在一起,就算沒辦法到頂天花板,最少也夠站在上面換燈泡。

Song Han在這兩位半導體老將的指導下完成這個博士論文,而且還受邀在CS231n〈卷積神經網路在影像辨識上的應用〉課程給講座的原因非常簡單:我們現在的CPU或者GPU、甚至於谷歌的TPU,都遠遠無法應付現有機器學習演算法「可能」的運算需求,因此軟硬體協同開發是必要的。

當我們說CPU、GPU乃至於TPU無法應付機器學習「可能」的運算需求,有兩個事情是我們所在乎的:運算速度以及耗能

一般的創業家和投資者比較能夠理解運算速度的重要性,畢竟整個深度學習的大躍進就是在於過去得花上幾週甚至幾個月才能完成的神經網路運算,被降到幾天甚至幾小時,但較少創業家或投資者能夠理解耗能的重要性,因為在過去十餘年的精實新創浪潮中,耗能這種東西百分之百是高通、鴻海、蘋果和三星這些人的問題。

機器學習中「耗能」是個大挑戰

但是在機器學習中「耗能」是一個很大的挑戰,甚至會成為效能的障礙。

機器學習的耗能主要來自兩個領域。

(一)矩陣乘法:所建置的神經網路越多層,每一層的神經元數越多,所需要運算的矩陣乘法就愈多。而半導體邏輯晶片的乘法是由NAND閘組合出來的,每一個電晶體的節點都會在電壓上下擺動的過程中消耗掉能量。考慮到矩陣乘法所需要用到的邏輯閘數量驚人,而且隨著神經元和係數的增加以指數成長,這部分運算的耗能也就指數成長。

(二)記憶體存取:類神經網路的運算需要大量而且高速的記憶體存取,主處理器(不論是CPU或者GPU)和記憶體模組通常是不同的晶片,因此存取發生在印刷電路板上,大量的能量會被耗損在對抗印刷電路板和晶片封裝的雜散容和電阻上。

耗能劇烈的第一個影響是電力成本。以去年擊敗李世乭的AlphaGo為例,該系統使用了1920個CPU和280個GPU,光下一場棋局的電費就高達三千美元,相較之下李世乭本人下這場局可能只需要一兩碗飯的熱量,「電」腦和「人」腦在耗能效率上仍然有天壤之別。

但是如果做多少運算就付多少電費就能解決的話,那還好說。但耗能的最大問題是:不管是哪一種耗能方式,都會轉換成廢熱,這些廢熱必須排出去,才能讓系統正常運轉。但系統耗能產生廢熱的速度根據運算量成指數成長,排除廢熱的速度卻受限於熱力學和流體力學有著線性的特質,因此我們不難想像在邁向泛用型人工智慧的路上,我們可能會先被「熵」這個躲也躲不掉的敵人給擋住,而不是演算法。

AI真正的主戰場在硬體-圖表.jpg
機器學習演算法與硬體的最佳化方式

在Song Han的講座中,他介紹了各種軟體演算法和硬體晶片結構的協同最佳化,以應付機器學習中training和inference兩個部分的耗能效率挑戰。但是不管是哪一種方式,不管改善多少運算效能和耗能效率,從工程的角度來看都是短期的、貼貼補補之類的解決方案,在摩爾定律多年前早已停止改善耗能的事實下,這些方案並沒辦法提供一個康莊大道通往真正的人工智慧經濟學終局

這也是作為風險資本投資者,我們致力於尋找著半導體邏輯運算以外的解決方案的原因。在之前專欄〈量子電腦春暖花開〉中我所介紹過的量子電腦是一種,而且理論上是最能夠應付無限延伸的未來中機器學習運算需求的一種。

但量子電腦的問題在於,目前不管是新創或者谷歌、IBM乃至於Intel等大廠的系統,都必須把溫度降到絕對零度附近,才能進行量子運算,地球上的降溫系統本身就是一個極為耗能的裝置,要等到綜合能源效率和建置成本到達可以和半導體晶片相比擬,恐怕還要不少的時光。

那麼有沒有其他的方式能夠比半導體有著高許多的耗能效率,但又沒有量子電腦那接近絕對零度的挑戰呢?答案也許存在自然界裡,就像是量子電腦採用物理特性進行運算,自然界也有許多物理現象包含了矩陣乘法的特質,也許我們可以找到一種運算方式,是將資料轉換成自然界的物理現象,在那裡完成運算,然後再匯回電腦系統中。這種運算統稱為「類比運算」(analog computing),其實是一門很古老的學問,遠在數位晶片高速成長的年代之前,幾乎所有的運算都是在類比世界中發生的。

作為投資者,我尋找著也等待著能夠善用類比運算來大幅加速機器學習的創業家,如果能夠投資到這樣的新創,我不介意錯過Blue Apron這樣的投資機會一百次!

本文由楊建銘授權轉載自其風傳媒專欄。

《數位時代》長期徵稿,針對時事科技議題,需要您的獨特觀點,歡迎各類專業人士來稿一起交流。投稿請寄edit@bnext.com.tw,文長至少800字,請附上個人100字內簡介,文章若採用將經編輯潤飾,如需改標會與您討論。

(觀點文章呈現多元意見,不代表《數位時代》的立場。)

往下滑看下一篇文章
鉅亨買基金App開箱:一站快搜強基金、「大師榜」讓新手跟著投資練功
鉅亨買基金App開箱:一站快搜強基金、「大師榜」讓新手跟著投資練功

在資訊爆炸的投資時代,面對琳瑯滿目的投資選項,你是不是也不知道該如何做選擇?其實「選對工具」比「努力研究」更有效率。長期深耕金融科技的鉅亨買基金,早已洞察基金投資領域中資訊分散、選擇障礙、操作繁瑣的痛點,透過科技與使用者中心的系統設計,致力打造更方便、效率的智能投資體驗。

除了有全站基金終身 0 手續費的吸睛誘因,更重要的是鉅亨買基金解決了投資人的實際困擾;透過動態篩選熱門基金、自動化投資工具等創新功能,將過去需要專業知識和複雜操作的投資流程,簡化為直覺易懂的數位體驗,逐步改變了傳統的基金交易模式,讓理財不再是少數人的專利,而是人人可及的日常選擇。

這次鉅亨買基金全新改版 App 正式上線,更進一步強化平台體驗。以看得懂、找得到、學得快的設計精神,整合多項創新功能,讓基金投資輕鬆上手、事半功倍。無論是理財新手、基金老手,或有多個家庭帳戶需要管理的財務大臣,透過鉅亨買基金全新 App,即可一站掌握市場情報、熱門標的、專業策略與帳戶總覽。

其中,全新推出的「大師榜」功能,更力助投資人掌握高手秘笈,有機會跟著前輩練功,一步步練出屬於自己的投資眼光。

功能全開箱!一站搞定找基金、看標的、管帳戶

打開鉅亨買基金 App,最直覺的感受就是:乾淨、精準、快速。設計邏輯不複雜,透過快搜、熱門標的、帳戶整合與自選捷徑設計,將過去繁瑣的基金投資流程化繁為簡,打造一個隨時可啟動、易於操作的投資入口,讓資訊不再分散,動作更精準。為降低基金學習與決策門檻,即使尚未開戶,仍可下載App使用以下亮點功能:

一、基金搜尋:輸入關鍵字如「高股息」、「ESG」、「科技」等,即可快速列出相關標的。配合風險等級、配息頻率、基金品牌、幣別、投資區域等條件篩選,搭配報酬率或績效排序,為投資人有效縮短挑選時間。

鉅亨買基金
在鉅亨買基金快速輸入關鍵字,一鍵篩選條件,精準找到符合需求的基金。
圖/ 鉅亨買基金

二、夯股基金:針對市場熱門題材,使用者可點選最多五檔熱門持股,如輝達、蘋果等,快速查詢各基金的持股比例,並依喜好排序篩選。對於想掌握趨勢卻擔心判斷失誤的投資人而言,「夯股基金」提供了更安全、有效的參與方式,透過專業基金經理人篩選與靈活操作,幫助新手建立題材導向的選基邏輯,同時分散個股波動風險,不漏接每一波趨勢財。

鉅亨買基金
在鉅亨買基金APP下方「找基金」中選擇「夯股基金」,再進行持股篩選,即可點選熱門持股,掌握基金布局,輕鬆跟上市場趨勢不怕踩雷。
圖/ 鉅亨買基金

三、首頁自訂:App 首頁支援「快捷功能」自訂,用戶可釘選「投資儀表板」、「定期定額查詢」、「追蹤清單」、「歷史交易」等常用模組,打造專屬操作首頁,一目了然。

獨家「大師榜」看懂行家怎麼買,用策略練投資

想知道高手怎麼配置資產、為何績效穩定領先?鉅亨買基金全新推出的「大師榜」功能為市場上少見的「社群式基金學習機制」,主打以「透明數據」與「解鎖追蹤」的方式,讓用戶可以實際參考高手的操作邏輯。

只要是已開戶會員,就能在首頁下方開啟「大師榜」功能,從每日更新的績效中,篩選出表現突出的高手帳戶,並依報酬率、AUM規模、投資方式(單筆投資或定期定額)與年齡層等條件進行排序比較。

鉅亨買基金
大師榜揭露高手投資組合,可依績效、規模等多條件篩選,輕鬆找出適合參考的對象。
圖/ 鉅亨買基金

看見感興趣的大師後,即可選擇追蹤,最多可追蹤 50 位;若想查看其前五大持有標的與近期申購紀錄,則可使用即享券解鎖。而即享券則可透過任務或活動獲得。

除了即時榜單,App 另設有「名人堂」,聚焦季度與年度績效穩定的代表性帳戶,適合進行中長期追蹤。所有已追蹤與解鎖紀錄,也整合在「我的專頁」中,便於隨時復盤與管理。此外,平台還支援多帳戶綁定與一鍵切換,讓家庭理財配置更直覺、清楚,亦能搭配大師榜策略靈活操作。

對投資新手而言,這項功能不只讓投資更有依據,也是一套練習市場判斷、進階布局的工具。善用大師榜,從觀察、到解鎖、再到內化策略,循序建立自己的判斷力與投資思維。

鉅亨買基金
點擊會員專區,在「會員權益/獎勵領取」中每週即可領取即享券,解鎖大師榜投資組合。
圖/ 鉅亨買基金

三分鐘開戶,鉅亨買基金終身0元手續費

鉅亨買基金全新 App,不只是投資資訊平台,更整合了策略學習、操作效率與資產管理功能,從搜尋、觀摩到實際執行,每一步都為投資人設計。

想掌握市場、練出判斷、做對決策,就從下載App開始,為自己打開一個更有效率的投資未來。目前 App 用戶只要完成開戶,即可享「全站基金終身0手續費」,從此投資每一步都更划算。

App 下載:https://anuefund.tw/bk7Yi
立即開戶,搶先加入行家行列:https://anuefund.tw/jbp5b

登入數位時代會員

開啟專屬自己的主題內容,

每日推播重點文章

閱讀會員專屬文章

請先登入數位時代會員

看更多獨享內容

請先登入數位時代會員

開啟收藏文章功能,

請先登入數位時代會員

開啟訂閱文章分類功能,

請先登入數位時代會員

我還不是會員, 註冊去!
追蹤我們
電商終局戰
© 2025 Business Next Media Corp. All Rights Reserved. 本網站內容未經允許,不得轉載。
106 台北市大安區光復南路102號9樓