我只是覺得這一波已經(jīng)接近尾聲——如果不是已經(jīng)過了尾聲——的精實(shí)新創(chuàng)浪潮下，太多投資人和創(chuàng)業(yè)家口中念念有詞的、關(guān)于軟件新創(chuàng)的論點(diǎn)不過是一堆狗屁。比這些關(guān)于軟件新創(chuàng)的狗屁更狗屁的，是毫無根據(jù)就把硬件投資視為過時(shí)的、難以產(chǎn)生回報(bào)的論點(diǎn)，即使面對(duì)了市場上公開資訊的反駁。

別誤會(huì)了，如果可以，我也想投資一個(gè)SaaS的商用軟件新創(chuàng)，看著他們用很少的資金做出MVP（Minimum Viable Product），然后用社群草根的方式取得眾多使用者，每周根據(jù)使用者的回饋以及搜集到的數(shù)據(jù)改善并更新軟件，然后針對(duì)進(jìn)階使用者每月收取費(fèi)用，量測并改善耗損率，然后達(dá)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復(fù)營收，然后以五億美元的價(jià)格出售給Salesforce這樣令人景仰的SaaS企業(yè)，并將創(chuàng)業(yè)家和Marc Benioff這樣令人景仰的創(chuàng)辦人簽約后握手的照片裱框，放在自己的桌子上朝外給所有進(jìn)到自己辦公室的年輕創(chuàng)業(yè)家看。

等等，去他的投資！我干脆自己創(chuàng)辦這樣的公司好了！

事實(shí)上，在動(dòng)態(tài)均衡的商業(yè)世界里，沒有任何一種商業(yè)模式或者產(chǎn)業(yè)具有永久的投資優(yōu)勢。興起于2004年的精實(shí)新創(chuàng)風(fēng)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(yīng)用軟件，也連帶讓MVP、iteration和pivot變成熱門單字，更催生了一整個(gè)時(shí)代非工程背景也未曾創(chuàng)過業(yè)的新型風(fēng)險(xiǎn)資本家，他們?cè)诟鞔笮⌒聞?chuàng)活動(dòng)中轉(zhuǎn)來轉(zhuǎn)去，以看似老練的口吻問著創(chuàng)業(yè)家：“你的每月活躍用戶量是多少？”

但在這樣低的創(chuàng)業(yè)和投資進(jìn)入障礙的世界里，伴隨而來的必然是激烈的全面競爭，不管是創(chuàng)業(yè)家彼此，或者風(fēng)險(xiǎn)資本家之間。這些競爭也許會(huì)反映在燒錢進(jìn)行同業(yè)競爭上，也許反映在平均估值的不斷推升上。最終來說，產(chǎn)業(yè)抵達(dá)了動(dòng)態(tài)均衡，人們也終于開始發(fā)現(xiàn)軟件精實(shí)新創(chuàng)并沒有比較容易創(chuàng)業(yè)，投資起來也沒有比較好賺。

似乎是歷史重演地，我們看到人工智能的投資趨勢最近也反映出這樣的潮流反轉(zhuǎn)。

和精實(shí)新創(chuàng)經(jīng)歷的一樣，我們不難想象過去兩年間滿手是錢的風(fēng)險(xiǎn)資本家們，乘著“人工智能”、“機(jī)器學(xué)習(xí)”和“深度學(xué)習(xí)”的關(guān)鍵字浪潮，追逐著各種宣稱使用人工智能、機(jī)器學(xué)習(xí)或深度學(xué)習(xí)來取代人類世界中某些由勞工負(fù)責(zé)的工作的新創(chuàng)。

而就跟精實(shí)新創(chuàng)投資一樣的，事實(shí)上任何有一點(diǎn)社會(huì)經(jīng)驗(yàn)的人都可以想象出任何一種“用AI取代人類”的新創(chuàng)應(yīng)用。唯一不一樣的地方在于，要開發(fā)這樣的應(yīng)用需要的不只是能夠?qū)戇壿嫵绦虼a的coder，還需要懂得機(jī)器學(xué)習(xí)算法的數(shù)學(xué)專家。

不夠格的投資者們，就像他們?cè)诰珜?shí)新創(chuàng)浪潮中追著浪尾投資已經(jīng)有數(shù)十家先行者的新創(chuàng)類型一樣，忙不迭地把錢灌進(jìn)“能夠描繪某種AI使用情境”的軟件新創(chuàng)。稍微謹(jǐn)慎一點(diǎn)的投資者們，找來了從事相關(guān)研究的教授或者博士班學(xué)生來幫忙作盡職調(diào)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”嘴炮的軟件新創(chuàng)仍然面臨兩個(gè)自己無法解決的挑戰(zhàn)。

其中一個(gè)就是我常常講的，就算是絕頂聰明的數(shù)學(xué)家或者資料科學(xué)家，如果無法取得訓(xùn)練模型用的資料，那也是白搭，這也是為什么在Hardware Club我們選擇投資提供從感測器到云端機(jī)器學(xué)習(xí)完整系統(tǒng)的Full-stack AI新創(chuàng)。

另一個(gè)純軟件AI新創(chuàng)面臨的挑戰(zhàn)，則是在創(chuàng)業(yè)或者投資初期常常被忽略的硬件計(jì)算能力的限制。

我在〈軟件吃掉世界，AI吃掉軟件〉一文中就曾經(jīng)提到過，精實(shí)新創(chuàng)誕生的背景是芯片運(yùn)算能力遠(yuǎn)大于終端應(yīng)用軟件所需，但機(jī)器學(xué)習(xí)的出現(xiàn)瞬間把這個(gè)落差給“闔上”了——突然間我們從毫不在乎硬件，又變得必須對(duì)硬件規(guī)格斤斤計(jì)較。

上面這個(gè)影片是史丹佛大學(xué)CS231n課程〈卷積神經(jīng)網(wǎng)路在影像辨識(shí)上的應(yīng)用〉第十五堂課的講座影片，主講者是最近剛?cè)〉秒姍C(jī)暨計(jì)算機(jī)科學(xué)博士學(xué)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(xué)習(xí)的高效率算法和硬件〉。我強(qiáng)烈建議對(duì)于機(jī)器學(xué)習(xí)有興趣的人——不管是創(chuàng)業(yè)家或投資者——把這個(gè)講座影片看完，因?yàn)榭赐曛笏麄兙湍芾斫鉃槭裁次艺fAI真正的主戰(zhàn)場在硬件。

舉例來說，這整個(gè)講座使用的術(shù)語大約有三四成是機(jī)器學(xué)習(xí)和深度學(xué)習(xí)相關(guān)的，剩下的術(shù)語卻都是所有半導(dǎo)體產(chǎn)業(yè)的“老人”們?cè)偈煜げ贿^的：CPU、GPU、FLOPS、DDR 3、DDR 4、記憶體頻寬??等。事實(shí)上如果直接去閱讀Song Han的博士論文，老半導(dǎo)體人會(huì)看到兩個(gè)很親切的名字：論文的主要指導(dǎo)教授Bill Dally以及協(xié)同指導(dǎo)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(jī)本科生人手一本，而Horowitz教授則是我當(dāng)年在半導(dǎo)體的研究領(lǐng)域‘高速數(shù)位串流接口’的權(quán)威，如果把我當(dāng)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(dǎo)體老將的指導(dǎo)下完成這個(gè)博士論文，而且還受邀在CS231n〈卷積神經(jīng)網(wǎng)路在影像辨識(shí)上的應(yīng)用〉課程給講座的原因非常簡單：我們現(xiàn)在的CPU或者GPU、甚至于谷歌的TPU，都遠(yuǎn)遠(yuǎn)無法應(yīng)付現(xiàn)有機(jī)器學(xué)習(xí)算法“可能”的運(yùn)算需求，因此軟硬件協(xié)同開發(fā)是必要的。

當(dāng)我們說CPU、GPU乃至于TPU無法應(yīng)付機(jī)器學(xué)習(xí)“可能”的運(yùn)算需求，有兩個(gè)事情是我們所在乎的：運(yùn)算速度以及耗能。

一般的創(chuàng)業(yè)家和投資者比較能夠理解運(yùn)算速度的重要性，畢竟整個(gè)深度學(xué)習(xí)的大躍進(jìn)就是在于過去得花上幾周甚至幾個(gè)月才能完成的神經(jīng)網(wǎng)路運(yùn)算，被降到幾天甚至幾小時(shí)，但較少創(chuàng)業(yè)家或投資者能夠理解耗能的重要性，因?yàn)樵谶^去十余年的精實(shí)新創(chuàng)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。

但是在機(jī)器學(xué)習(xí)中“耗能”是一個(gè)很大的挑戰(zhàn)，甚至?xí)蔀樾艿恼系K。機(jī)器學(xué)習(xí)的耗能主要來自兩個(gè)領(lǐng)域：

（一）矩陣乘法：所建置的神經(jīng)網(wǎng)路越多層，每一層的神經(jīng)元數(shù)越多，所需要運(yùn)算的矩陣乘法就愈多。而半導(dǎo)體邏輯芯片的乘法是由NAND閘組合出來的，每一個(gè)電晶體的節(jié)點(diǎn)都會(huì)在電壓上下擺動(dòng)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(shù)量驚人，而且隨著神經(jīng)元和系數(shù)的增加以指數(shù)成長，這部分運(yùn)算的耗能也就指數(shù)成長。

（二）記憶體存?。侯惿窠?jīng)網(wǎng)路的運(yùn)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芯片，因此存取發(fā)生在印刷電路板上，大量的能量會(huì)被耗損在對(duì)抗印刷電路板和芯片封裝的雜散容和電阻上。

耗能劇烈的第一個(gè)影響是電力成本。以去年擊敗李世乭的AlphaGo為例，該系統(tǒng)使用了1920個(gè)CPU和280個(gè)GPU，光下一場棋局的電費(fèi)就高達(dá)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(yùn)算就付多少電費(fèi)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(huì)轉(zhuǎn)換成廢熱，這些廢熱必須排出去，才能讓系統(tǒng)正常運(yùn)轉(zhuǎn)。但系統(tǒng)耗能產(chǎn)生廢熱的速度根據(jù)運(yùn)算量成指數(shù)成長，排除廢熱的速度卻受限于熱力學(xué)和流體力學(xué)有著線性的特質(zhì)，因此我們不難想象在邁向泛用型人工智能的路上，我們可能會(huì)先被“熵”這個(gè)躲也躲不掉的敵人給擋住，而不是算法。

機(jī)器學(xué)習(xí)算法與硬件的優(yōu)化方式（作者提供。擷取自Song Han博士論文第七章）

在Song Han的講座中，他介紹了各種軟件算法和硬件芯片結(jié)構(gòu)的協(xié)同優(yōu)化，以應(yīng)付機(jī)器學(xué)習(xí)中training和inference兩個(gè)部分的耗能效率挑戰(zhàn)。但是不管是哪一種方式，不管改善多少運(yùn)算效能和耗能效率，從工程的角度來看都是短期的、貼貼補(bǔ)補(bǔ)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(shí)下，這些方案并沒辦法提供一個(gè)康莊大道通往真正的人工智能經(jīng)濟(jì)學(xué)終局。

這也是作為風(fēng)險(xiǎn)資本投資者，我們致力于尋找著半導(dǎo)體邏輯運(yùn)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(yīng)付無限延伸的未來中機(jī)器學(xué)習(xí)運(yùn)算需求的一種。但量子電腦的問題在于，目前不管是新創(chuàng)或者谷歌、IBM乃至于Intel等大廠的系統(tǒng)，都必須把溫度降到絕對(duì)零度附近，才能進(jìn)行量子運(yùn)算，地球上的降溫系統(tǒng)本身就是一個(gè)極為耗能的裝置，要等到綜合能源效率和建置成本到達(dá)可以和半導(dǎo)體芯片相比擬，恐怕還要不少的時(shí)光。

那么有沒有其他的方式能夠比半導(dǎo)體有著高許多的耗能效率，但又沒有量子電腦那接近絕對(duì)零度的挑戰(zhàn)呢？答案也許存在自然界里，就像是量子電腦采用物理特性進(jìn)行運(yùn)算，自然界也有許多物理現(xiàn)象包含了矩陣乘法的特質(zhì)，也許我們可以找到一種運(yùn)算方式，是將資料轉(zhuǎn)換成自然界的物理現(xiàn)象，在那里完成運(yùn)算，然后再匯回電腦系統(tǒng)中。這種運(yùn)算統(tǒng)稱為“類比運(yùn)算”（analog compuTIng），其實(shí)是一門很古老的學(xué)問，遠(yuǎn)在數(shù)位芯片高速成長的年代之前，幾乎所有的運(yùn)算都是在類比世界中發(fā)生的。

作為投資者，我尋找著也等待著能夠善用類比運(yùn)算來大幅加速機(jī)器學(xué)習(xí)的創(chuàng)業(yè)家，如果能夠投資到這樣的新創(chuàng)，我不介意錯(cuò)過Blue Apron這樣的投資機(jī)會(huì)一百次！