如果說2016年3月份AlphaGo與李世石的那場人機大戰只在科技界和圍棋界產生較大影響的話，那么2017年5月其與排名第一的世界圍棋冠軍柯潔的對戰則將人工智能技術推向了公眾視野。阿爾法狗（AlphaGo）是第一個擊敗人類職業圍棋選手、第一個戰勝圍棋世界冠軍的人工智能程序，由谷歌（Google）旗下DeepMind公司戴密斯·哈薩比斯領銜的團隊開發，其主要工作原理是“深度學習”。

其實早在2012年，深度學習技術就已經在學術界引起了廣泛地討論。在這一年的ImageNet大規模視覺識別挑戰賽ILSVRC中，采用5個卷積層和3個全連接層的神經網絡結構AlexNet，取得了top-5（15.3%）的歷史最佳錯誤率，而第二名的成績僅為26.2%。從此以后，就出現了層數更多、結構更為復雜的神經網絡結構，如ResNet、GoogleNet、VGGNet和MaskRCNN等，還有去年比較火的生成式對抗網絡GAN。

不論是贏得視覺識別挑戰賽的AlexNet，還是擊敗圍棋冠軍柯潔的AlphaGo，它們的實現都離不開現代信息技術的核心——處理器，不論這個處理器是傳統的CPU，還是GPU，還是新興的專用加速部件NNPU（NNPU是Neural Network Processing Unit的簡稱）。

在計算機體系結構國際頂級會議ISCA2016上有個關于體系結構2030的小型研討會，名人堂成員UCSB的謝源教授就對1991年以來在ISCA收錄的論文進行了總結，專用加速部件相關的論文收錄是在2008年開始，而在2016年達到了頂峰，超過了處理器、存儲器以及互聯結構等三大傳統領域。而在這一年，來自中國科學院計算技術研究所的陳云霽、陳天石研究員課題組提交的《一種神經網絡指令集》論文，更是ISCA2016最高得分論文。

在具體介紹AI芯片國內外之前，看到這里有部分讀者或許會產生這樣的疑惑：這不都是在說神經網絡和深度學習嗎？那么我覺得有必要對人工智能和神經網絡的概念進行闡述，特別是2017年工信部發布的《促進新一代人工智能產業發展三年行動計劃（2018-2020年）》中，對發展目標的描述很容易讓人覺得人工智能就是神經網絡，AI芯片就是神經網絡芯片。

人工智能整體核心基礎能力顯著增強，智能傳感器技術產品實現突破，設計、代工、封測技術達到國際水平，神經網絡芯片實現量產并在重點領域實現規模化應用，開源開發平臺初步具備支撐產業快速發展的能力。

其實則不然。人工智能是一個很老很老的概念，而神經網絡只不過是人工智能范疇的一個子集。早在1956年，被譽為“人工智能之父”的圖靈獎得主約翰·麥卡錫就這樣定義人工智能：創造智能機器的科學與工程。而在1959年，Arthur Samuel給出了人工智能的一個子領域機器學習的定義，即“計算機有能力去學習，而不是通過預先準確實現的代碼”，這也是目前公認的對機器學習最早最準確的定義。而我們日常所熟知的神經網絡、深度學習等都屬于機器學習的范疇，都是受大腦機理啟發而發展得來的。另外一個比較重要的研究領域就是脈沖神經網絡，國內具有代表的單位和企業是清華大學類腦計算研究中心和上海西井科技等。

好了，現在終于可以介紹AI芯片國內外的發展現狀了，當然這些都是我個人的一點觀察和愚見，管窺之見權當拋磚引玉。

國外技術寡頭，優勢明顯

由于具有得天獨厚的技術和應用優勢，英偉達和谷歌幾乎占據了人工智能處理領域80%的市場份額，而且在谷歌宣布其Cloud TPU開放服務和英偉達推出自動駕駛處理器Xavier之后，這一份額占比在2018年有望進一步擴大。其他廠商，如英特爾、特斯拉、ARM、IBM以及Cadence等，也在人工智能處理器領域占有一席之地。

當然，上述這些公司的專注領域卻不盡相同。比如英偉達主要專注于GPU和無人駕駛領域，而谷歌則主要針對云端市場，英特爾則主要面向計算機視覺，Cadence則以提供加速神經網絡計算相關IP為主。如果說前述這些公司還主要偏向處理器設計等硬件領域，那么ARM公司則主要偏向軟件，致力于針對機器學習和人工智能提供高效算法庫。

注：上述表格中所給為截止到2017年各研制單位公開可查的最新數據。