美國杜克大學電子計算機工程系教授陳怡然、美國紐約州立大學教授陳逸中近日在《財經》撰文稱，寬松的數據管理制度會讓中國在人工智能芯片產業上占據非常有利的位置，從而達成“彎道超車”的目標。

過去數年之間，信息技術產業曾經接連興起過幾大熱門領域，包括大數據（Bigdata）、物聯網（IoT）、工業4.0以及增強和虛擬現實（AR/VR）等。但直到以深度學習神經網絡模型為基礎的人工智能技術出現后，這幾大熱門領域才第一次被整合進人工智能這一更大的發展框架內。

當前，人工智能技術仍舊需要海量數據來訓練神經網絡模型，從而使得計算機能夠代替人類從事各種數據處理與判斷。飛速發展的物聯網技術首先提供了大量的數據來源，經過設計和訓練好的人工智能系統則提供了工業4.0最需要的智能控制系統，也為增強和虛擬現實場景的落地提供了數據處理的技術手段。

芯片是人工智能系統最關鍵的技術，中國發展人工智能芯片產業的突破口到底在哪？這是人們普遍關心的問題。

芯片產業是一門具有高集成性和高成本特性的科技產業，進入門檻非常之高。隨著芯片制造技術進入“x納米”（個位數納米制程）時代，每個晶圓代工廠的造價動輒百億美元起，運營與折舊成本驚人。

單個芯片的設計所需要的工程師數目從幾十到數百不等，開發成本少則數千萬美元，多則上億美元，周期長達1年－2年。

但是，一個成功的芯片項目所帶來的不僅僅是銷售芯片本身的利潤，還有伴隨芯片設計、制造以及銷售整套流程中產生的支撐產業與生態系統，從而帶動軟硬件發展、行業標準制定、知識產權銷售、甚至相關的機械制造和化工等產業發展。

現代芯片設計，尤其是以“片上系統”（System-on-Chip，SoC）為主體的高端芯片，已經可以影響乃至引領某一產業走向及其戰略發展，甚至遏制該產業的正常運行。

由于人工智能應用的場景千變萬化，而所應用的算法更是有相當的差異，可以預期未來各項應用將有不同的定制化芯片，出現人工智能芯片百家爭鳴的盛況。

人工智能芯片的另一大特點在于它所面對的是一個全新的、還未被大公司充分定義的新的業務場景。

即使是NVIDIA，也只是在云計算這一領域有一定的壟斷地位。因此，人工智能芯片發展有著巨大的不確定性和機會。

人工智能芯片發展很像中國另一新興芯片產業——比特幣礦機上的發展歷程：比特幣礦機2010年初主要用的還是以CPU為主的芯片，但是從2012年起就逐漸過渡到以圖形處理器（GPU）為主，利用其強大的向量計算能力來采礦。兩年以后的 2014年，大家開始通過算法優化并導入現場可編程邏輯陣列（FPGA）提升效能功耗比來達到更高挖礦效益。

時至今日，絕大多數的高采礦效益的礦機均是以定制化芯片為主，如比特大陸的螞蟻礦機。

依照這一類似的發展趨勢，我們可以期待2018年將是應用導向人工智能芯片開始躍進的一年。

中國可能彎道超車

GPU和CPU芯片設計注重通用性，但其高功耗、相對較低的單位效能以及高昂的價格并不適合于類似物聯網或工業4.0這樣的普及化應用。

應用導向的人工智能芯片是將抽象的神經網絡算法以硬件方式加以固化來達到加速運算的效果。這樣的設計有助于提升單位芯片面積上算力的密度，降低功耗和成本，從而有助于將人工智能系統更普遍地運用到各個場景。

但芯片的開發一般需要高質量的人才基礎并有強大市場的需求來攤薄芯片開發的高昂成本：通常一款芯片的生命周期大約為三年，而真正產生利潤的時間僅為12個－18個月。芯片企業要在這短短的時間內完成利潤積累，進行下一代產品的成功開發與研制，進入新一輪的迭代周期。

經過近40年的高速發展，中國已經初步具備了一定規模的微電子人才儲備和巨大的市場，正符合發展人工智能芯片的兩項基本條件。

除此之外，中國還有一樣更為突出的優勢：大量使用數字化設備及人口數帶來的龐大數據。在以應用為主體的開發概念下，每一個應用都需有各自對應的數據集來訓練神經網絡，有效數據的采集速度會是影響開發周期長短的最關鍵的因素之一。海量高質量的訓練數據集可以幫助工程人員快速有效地訓練神經網絡，加速模型的定型，縮短人工智能芯片的設計周期。

在各國數據采集管理法規日趨收緊，尤其是歐盟最近出臺通用數據保護規范（GDPR）的大環境下，寬松的數據管理制度會讓中國在人工智能芯片產業上占據非常有利的位置，從而達成“彎道超車”的目標。

面臨多重挑戰

人工智能系統可以粗分為云端和終端兩大應用。其硬件系統按照功能則可相應分為訓練機和推理機兩種。在過去較長一段時間，人工智能應用主要在云端，包括訓練與推理兩部分。云端系統的人工智能芯片能依算法與數據形態的不同來處理各式應用。

考慮到海量數據的處理需求，數據中心高昂的建設和運營成本，以及應用的多樣性，云端人工智能芯片通常要求具有高集成性、高效能，以及高密度算力等特點，而且需要有一定的通用性。芯片對應各種應用場景所需的軟件支持也是一項設計重點。

云端通用型人工智能芯片主要的開發難點在于如何針對業務所需的神經網絡模型做相應的計算體系結構改良并同時考量通用性與應用導向設計之間的取舍。

這屬于芯片開發中門檻較高的項目，而且所設計的人工智能芯片的規模通常較大，技術難度也較高。除了對應用場景有深刻理解之外，設計者也需要有長期芯片設計與流片經驗的累積才能夠保證拿出成熟的產品。

國內公司在經驗上與國外其他領跑企業如英特爾、高通、NVIDIA等應該說還有一段差距。但國內頭部企業的迭代速度非常快，加上與代工廠（比如TSMC）和后端設計服務公司的緊密合作，對于先進工藝流片經驗掌握的速度非常之快。國內寒武紀和比特大陸兩家公司在未來的表現非常值得期待。預計再經過一兩代的開發即能迎頭趕上世界最前沿產品，并可望大量使用于數據中心。

以目前發展趨勢來看，終端應用將會在未來2年－3年伴隨著5G網絡的大量普及有爆炸性成長。終端產品的應用范圍非常廣，許多從云端延伸至終端的應用將會是首先被導入的產品。

終端人工智能芯片并不如云端芯片般對通用性有較高需求，而是綜合考慮功耗、計算能力、面積（PPA）在終端場景下的平衡。也因為如此，終端人工智能芯片并非一定需要采用最先進的制造工藝，成熟且低成本的工藝可能更適合普及化的應用。

終端應用中人工智能推理機芯片的應用可以粗略分成影像、聲音和判斷三大方向。由于應用與算法的碎片化與多樣性，人工智能芯片在未來一段時間將會是一個以細分市場為主的產業結構。這一特點將會在商業模式上給傳統芯片設計公司帶來新的挑戰和機會。

大量的應用需要更多種類，滿足不同具體需求的知識產權，或是將知識產權定制化以應付各類不同需求。其中一種可能是走類似ARM的道路，通過提供基本知識產權給客戶做針對具體應用場景的二次定制化開發。

人工智能的廣泛應用也帶來了龐大產業升級芯片需求，有可能扶植許多新創公司來提供各類應用專屬的知識產權。

終端應用中訓練機的需求也日漸增長，其主因是許多應用由于現場特殊性，需要本地訓練或是云端訓練不能反映時間的要求。無人駕駛系統、先進輔助駕駛系統和智能工廠等都有大量此類需求。

在終端系統中，訓練機既有可能和推理機使用同一組人工智能芯片，有能以單獨的芯片形式來達到更高效的訓練效率。

由于終端的訓練機將會對功耗和成本有更高的要求，因此終端訓練機在通用性和應用導向設計之間的取舍將會更為困難。除了傳統的芯片架構分析和設計技巧外，通過神經網絡算法的改良與簡化來降低設計復雜度也是近些年來研究的重點。

如前所述，芯片的生態系統是面對開發者最重要的一環，并直接影響工程人員對于芯片的接受度和所應用技術的普及度。

在軟件設計上，編程語言和主流編程框架的支持能提高開發者意愿并能與其他平臺接軌。同時，人工智能芯片的開發也是要與軟件或算法的進步而同步更新，提供諸如更高效更靈活的知識產權。

在硬件設計上，未來人工智能芯片將逐步整合其他系統，注重如感測器、通訊和協同處理器等其他相關硬件的系統整合。

對于終端應用而言，整合后的平臺將有可能達到系統各部分的高度協同，提高計算效率，增加產品的通用性。

此外，建立和維護使用者社群，提供類似于開源社區那樣的開放式開發平臺會使得整體開發速度提升，加快系統設計的迭代速度。最近有許多新創公司聚焦于降低硬件設計的門檻，以編程語言來取代硬件語言實現芯片設計，或是以軟硬件協同設計來降低芯片設計的門檻，也有助于這一目的。

最后則是知識產權 (IP)的重復使用，尤其是功能和需求驗證通過后的知識產權，將會是人工智能芯片在各種應用中快速布局的助力之一。

站在巨人和獨角獸的肩膀上

人工智能應用對于算力的高要求使得我們在具體實踐中必須將算法、數據與計算平臺緊密結合，從而設計出針對具體需求的高度優化的計算平臺。

因此，許多擁有數據和算法的傳統軟件及互聯網公司如微軟、谷歌、亞馬遜等最近都紛紛跨界到芯片設計。

芯片行業的沙場老將們如英特爾、高通等也都看準了商機，以自身已有的生態系統和知識產權為基礎快速布局于各種人工智能芯片應用中。

雨后春筍般出現的人工智能芯片獨角獸更是遍布于各個開發層級，利用創新的科研成果與傳統行業相競爭，形成了百家爭鳴的局面。

我們粗略統計整理了國內外著名的人工智能芯片公司的主要技術方案和其所針對的應用場景，絕大多數公司尤其是初創公司紛紛看好在終端應用（尤其是終端推理）上的發展機會，以期待人工智能技術引入傳統行業之后所帶來的巨大商機。

在未來數年，人工智能技術的應用場景將會更加明確。賽道上的主流公司及其所代表的各種技術也會隨之通過公司收購、兼并等手段逐漸融合至少數高度集成的技術平臺。初創公司的重點也將轉移至類似終端訓練這樣的新型應用場景。

在技術發展上，未來人工智能芯片則可能采用更為先進的制造工藝，甚至是諸如憶阻器或者神經形態計算這樣全新的納米器件和計算架構。這將成為AI芯片下一階段競爭的風向標。