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、關于軟件新創的論點不過是一堆狗屁。比這些關于軟件新創的狗屁更狗屁的，是毫無根據就把硬件投資視為過時的、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的商用軟件新創，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，每周根據使用者的回饋以及搜集到的數據改善并更新軟件，然后針對進階使用者每月收取費用，量測并改善耗損率，然后達成千萬使用戶、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復營收，然后以五億美元的價格出售給Salesforce這樣令人景仰的SaaS企業，并將創業家和Marc Benioff這樣令人景仰的創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到自己辦公室的年輕創業家看。

等等，去他的投資！我干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里，沒有任何一種商業模式或者產業具有永久的投資優勢。興起于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件，也連帶讓MVP、iteration和pivot變成熱門單字，更催生了一整個時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里，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，人們也終于開始發現軟件精實新創并沒有比較容易創業，投資起來也沒有比較好賺。

似乎是歷史重演地，我們看到人工智能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，我們不難想象過去兩年間滿手是錢的風險資本家們，乘著“人工智能”、“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能、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象出任何一種“用AI取代人類”的新創應用。唯一不一樣的地方在于，要開發這樣的應用需要的不只是能夠寫邏輯程序代碼的coder，還需要懂得機器學習算法的數學專家。

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”的軟件新創。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”嘴炮的軟件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，這也是為什么在Hardware Club我們選擇投資提供從感測器到云端機器學習完整系統的Full-stack AI新創。

另一個純軟件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件計算能力的限制。

我在〈軟件吃掉世界，AI吃掉軟件〉一文中就曾經提到過，精實新創誕生的背景是芯片運算能力遠大于終端應用軟件所需，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件，又變得必須對硬件規格斤斤計較。

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〈深度學習的高效率算法和硬件〉。我強烈建議對于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，因為看完之后他們就能理解為什么我說AI真正的主戰場在硬件。

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‘高速數位串流接口’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、甚至于谷歌的TPU，都遠遠無法應付現有機器學習算法“可能”的運算需求，因此軟硬件協同開發是必要的。

當我們說CPU、GPU乃至于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于過去得花上幾周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，因為在過去十余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。

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。而半導體邏輯芯片的乘法是由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，而且隨著神經元和系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芯片，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芯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于熱力學和流體力學有著線性的特質，因此我們不難想象在邁向泛用型人工智能的路上，我們可能會先被“熵”這個躲也躲不掉的敵人給擋住，而不是算法。

機器學習算法與硬件的優化方式（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構的協同優化，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，這些方案并沒辦法提供一個康莊大道通往真正的人工智能經濟學終局。

這也是作為風險資本投資者，我們致力于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于，目前不管是新創或者谷歌、IBM乃至于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芯片相比擬，恐怕還要不少的時光。

那么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里，就像是量子電腦采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，在那里完成運算，然后再匯回電腦系統中。這種運算統稱為“類比運算”（analog computing），其實是一門很古老的學問，遠在數位芯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！責任編輯：ct