這是一篇guest post。本文所表達的觀點僅僅是作者的觀點，并不代表IEEE Spectrum或IEEE。

當談到人工智能的計算密集型領域時，硬件供應商正在恢復我們在摩爾定律最高峰時所享受的性能提升。這些成果來自新一代專門針對深度學習等人工智能應用的芯片。但是，正在出現的零散的微芯片市場將給開發者帶來一些艱難的選擇。

人工智能芯片專業化的新時代開始于最初為游戲開發的圖形處理單元（GPU），被部署用于深度學習等應用程序。同樣的體系結構使得GPU呈現真實的圖像，也使得它們能夠比中央處理器（CPU）更有效地處理數據。2007年，Nvidia發布了CUDA，這是一個使GPU以通用方式可編程的工具包，這是向前邁出的一大步。

人工智能研究人員需要在處理深度學習前所未有的計算需求時所能獲得的所有優勢。GPU處理能力發展迅速，最初設計用來渲染圖像的芯片已經成為推動改變世界的人工智能研究和開發的主力軍。許多使Fortnite以每秒120幀的速度運行所必需的線性代數例程現在正在為神經網絡提供動力，這些神經網絡是計算機視覺、自動語音識別和自然語言處理等尖端應用的核心。

現在，微芯片專業化的趨勢正在變成軍備競賽。Gartner預計，人工智能專用芯片的銷售額將在2019年翻一番，達到80億美元左右，到2023年將達到340億美元以上。Nvidia的內部預測顯示，在同一時間段內，數據中心GPU（幾乎只用于推動深度學習）的市場價值為500億美元。在接下來的五年里，我們將看到亞馬遜、ARM、蘋果、IBM、英特爾、谷歌、微軟、英偉達、高通等公司在定制硅領域的大規模投資取得了成果。在這一組合中也有許多初創公司。Crunchbase估計，包括Minebras、Graphcore、Groq、Mythic ai、Sambanova Systems和Wave Computing在內的人工智能芯片公司共籌集了超過10億美元的資金。

顯然，專業化的人工智能芯片既重要又受歡迎，因為它們是將尖端人工智能研究轉化為現實應用的催化劑。然而，新的人工智能芯片的洪流，似乎也將像是企業軟件崛起的倒退。我們可以期待殘酷的銷售協議和軟件專業化，旨在鎖定開發人員只與一個供應商合作。

想象一下，15年前，云服務AWS、Azure、Box、Dropbox和GCP都在12到18個月內上市。他們的任務是盡可能多地鎖定業務，因為一旦你在一個平臺上，就很難切換到另一個平臺上。這種類型的最終用戶淘金熱將在人工智能中發生，數百億美元和無價的研究處于危險之中。

芯片制造商不會缺乏承諾，而且收益將是實實在在的。但是，對于人工智能開發者來說，重要的是要理解。在大多數情況下，人工智能模型不會在不同的芯片制造商之間移動。開發人員很清楚采用更高級別的云API所帶來的供應商鎖定風險，但在過去，實際的計算底層已經被標準化和同構化。在人工智能發展的世界里，這種情況將發生巨大的變化。

很有可能，超過一半的芯片行業收入很快將由人工智能和深度學習應用程序驅動。正如軟件產生更多的軟件，人工智能產生更多的人工智能。我們見過很多次：公司最初只關注一個問題，但最終解決了很多問題。例如，主要的汽車制造商正在努力將自主汽車帶到道路上，他們在深度學習和計算機視覺方面的前沿工作已經產生了級聯效應；這項研究正導致福特的送貨機器人等分支項目。

隨著專業的人工智能芯片上市，目前的芯片巨頭和主要云計算公司可能會達成獨家協議或收購表現最佳的初創公司。這一趨勢將打破人工智能市場，而不是統一它。人工智能開發人員現在所能做的就是了解將要發生的事情，并計劃如何權衡更快芯片的好處和構建新架構的成本。

Evan Sparks是Detered AI的首席執行官。他擁有加州大學伯克利分校的計算機科學博士學位，他的研究集中在數據分析和機器學習的分布式系統上。