AI芯片作為AI時代的基礎設施，也成為目前行業最熱門的領域

不久前，谷歌在I/O大會發布了其第三代TPU，并宣稱其性能比去年的TUP 2.0提升8倍之多，達到每秒1000萬億次浮點計算，同時谷歌展示了其一系列基于TPU的AI應用。

可以說，AI已經成為科技行業除了區塊鏈之外最熱門的話題。AI芯片作為AI時代的基礎設施，也成為目前行業最熱門的領域。

下面這個表是媒體統計的部分AI芯片企業融資情況：

可以看到，AI芯片已經成為資本追逐的最熱門領域，資本對半導體芯片的熱情被AI技術徹底點燃。在創業公司未真正打開市場的情況下，AI芯片初創企業已經誕生了不少的獨角獸，多筆融資已經超過億元。

AI技術的革新，其從計算構架到應用，都和傳統處理器與算法有巨大的差異，這給創業者和資本市場無限的遐想空間，這也是為什么資本和人才對其趨之若鶩的原因。

但是，產業發展還是要遵循一定的產業規律，「商業技術評論」認為，絕大多數AI芯片公司都將成為歷史的炮灰，最后，在云端和終端只剩下為數極少的幾個玩家。

目前對AI芯片的需求主要集中在哪些方面？

先來講講AI目前芯片大致的分類：從應用場景角度看，AI芯片主要有兩個方向，一個是在數據中心部署的云端，一個是在消費者終端部署的終端。從功能角度看，AI芯片主要做兩個事情，一是Training（訓練），二是Inference（推理）。

目前AI芯片的大規模應用主要還是在云端。云端的AI芯片同時做兩個事情：Training和Inference。

· Training即用大量標記過的數據來“訓練”相應的系統，使之可以適應特定的功能，比如給系統海量的“貓”的圖片，并告訴系統這個就是“貓”，之后系統就“知道”什么是貓了；

· Inference即用訓練好的系統來完成任務，接上面的例子，就是你將一張圖給之前訓練過的系統，讓他得出這張圖是不是貓這樣的結論。

Training和Inference在目前大多數的AI系統中，是相對獨立的過程，其對計算能力的要求也不盡相同。

Training需要極高的計算性能，需要較高的精度，需要能處理海量的數據，需要有一定的通用性，以便完成各種各樣的學習任務。

Inference相對來說對性能的要求并不高，對精度要求也要更低，在特定的場景下，對通用性要求也低，能完成特定任務即可，但因為Inference的結果直接提供給終端用戶，所以更關注用戶體驗的方面的優化。

Training將在很長一段時間里集中在云端，Inference的完成目前也主要集中在云端，但隨著越來越多廠商的努力，很多的應用將逐漸轉移到終端。

目前的市場情況

· 云端市場已被巨頭瓜分殆盡，創業公司生存空間幾乎消失

云端AI芯片無論是從硬件還是軟件，已經被傳統巨頭控制，給新公司預留的空間極小。

下面這張圖是Compass Intelligence公布了全球AI芯片榜單。因為AI芯片目前在終端應用極少，所以榜單頭部的排名可以近似的認為就是云端AI芯片的目前市場格局。

AI芯片作為AI時代的基礎設施，也成為目前行業最熱門的領域

我們可以看到，芯片巨頭Nvidia（英偉達）已經牢牢占據AI芯片榜首，由于CUDA開發平臺的普及，英偉達的GPU是目前應用最廣的通用AI硬件計算平臺。除了有實力自研芯片的企業（全世界也沒幾家），如果需要做AI相關的工作，必定需要用到Nvidia的芯片。

Nvidia的芯片應用普遍，現在所有的AI軟件庫都支持使用CUDA加速，包括谷歌的Tensorflow，Facebook的Caffe，亞馬遜的MXNet等。

除了一騎絕塵的英偉達，其他老牌的芯片巨頭都沒閑著，特別是Intel通過買、買、買奮力的將自己擠到了頭部玩家的位置。微軟在最新的Build大會上公布了基于英特爾 FPGA的AI方案，而英特爾的FPGA業務正是通過收購Altera獲得的。

除此之外，我們可以看到像Google這樣的互聯網廠商也亂入了前五。

這當然要歸功于上面提到的TPU，雖然谷歌不直接售賣芯片，但是谷歌通過云服務提供TPU的調用服務。谷歌很早就開源了Tensorflow軟件平臺，這使得Tensorflow成為最主流的機器學習軟件平臺，已經成了事實上行業的軟件平臺標準。而Tensorflow最佳的計算環境必定就是谷歌自己的云服務了，通過軟件、硬件（或者說云）環境的打通，谷歌妥妥的成為AI芯片領域的一方霸主。

現在業界爭論的焦點是AI芯片的處理器架構用哪種是最好的，有前面提及的有GPU、FPGA、DSP和ASIC，甚至還有更前沿的腦神經形態芯片。現在GPU可以認為是處于優勢地位，但其他幾種的處理器架構也各有優勢。

Intel則是多方下注，不錯過任何一種處理器架構。谷歌在TPU（其實就是一種ASIC）方面的巨大投入帶來了硬件效能的極大提高，目前看來對GPU的沖擊將是最大的，原因不單單是因為專用架構帶來的效率優勢，還有商業模式方面帶來的成本優勢。

在半導體行業內的普遍觀點是，一旦AI的算法相對穩定，ASIC肯定是最主流的芯片形態。看看挖礦芯片的進化歷程，這個觀點非常有說服力。

在云端，互聯網巨頭已經成為了事實上的生態主導者，因為云計算本來就是巨頭的戰場，現在所有開源AI框架也都是這些巨頭發布的。在這樣一個生態已經固化的環境中，留給創業公司的空間實際已經消失。所以地平線的余凱在前幾年就對「商業技術評論」表示，云端市場是巨頭的禁臠，創業公司沒有任何機會。

· 終端市場群雄割據，機會尚存

上面說到了Inference現在主要是在云端完成的，這主要是因為現在終端上基本沒有合適的處理單元可以完成相應功能。所以我們發現很多AI功能都需要聯網才可以使用，這大大限制了AI的使用場景。所以將Inference放到終端來，讓一些功能可以本地完成，成了很多芯片廠商關注的領域。

華為的麒麟970便是最早將AI處理單元引入到終端產品的芯片，其中該芯片中的AI核心，是由AI芯片創業公司寒武紀提供的IP（知識產權）。該芯片的引入，可以幫助華為手機在終端完成一些特定的AI應用，比如高效的人臉檢測，相片的色彩美化等。

此后，蘋果，三星都宣布了在其處理器中引入相應的AI處理單元，提升手機終端的AI應用能力。

在終端上，由于目前還沒有一統天下的事實標準，芯片廠商可以說是八仙過海各顯神通。

給手機處理器開發AI協處理器是目前看來比較靠譜的方式，寒武紀Cambricon-1A集成進入麒麟970就是一個很好的例子。由于華為手機的巨大銷量，寒武紀迅速成為AI芯片獨角獸。

而另外一家創業公司深鑒科技此前獲得了三星的投資，其AI芯片IP已經集成到三星最新的處理器Exynos 9810中。

然而能獲得手機大廠青睞的AI芯片廠商畢竟是少數，更多的AI芯片廠商還需要找到更多的應用場景來使自己的芯片發光發熱。

一些傳統AI服務廠商很容易想到將自己的服務進行垂直拓展，比如的自然語音處理廠商云知聲從自己的傳統語音業務出發，開發了自己的芯片UniOne語音AI芯片，用于物聯網 IOT設備。

相對于語音市場，安防更是一個AI芯片扎堆的大產業，如果可以將自己的芯片置入攝像頭，是一個不錯的場景，也是很好的生意。包括云天勵飛、海康威視、曠視科技等廠商都在大力開發安防領域的AI嵌入式芯片，而且已經完成了一定的商業化部署。

相對于云端，終端留給AI芯片創業公司更廣闊的市場。但是于此同時，由于應用環境千差萬別，沒有相應的行業標準，各個廠商各自為戰，無法形成一個統一的規模化市場，對于投入巨大的芯片行業來說，是好故事，但不一定是個好生意。

怎樣的AI芯片企業會有機會？

AI芯片的誕生，源于一種全新的計算需求，傳統的計算架構很難滿足AI計算的要求，所以新的芯片成為業界追逐的熱點，這和多年前的顯卡市場非常像。

曾經的PC并沒有3D處理能力，CPU幾乎包攬了所有的功能，但是由于人們對于3D處理需求的逐漸增加，帶有3D加速功能的圖形處理器越來越成為人們關注的重點。

于是一大批圖形處理器企業如雨后春筍搬冒了出來。

3D顯卡誕生初期市場上的玩家

然而最后，只有Nvidia（也是目前的AI芯片巨頭）作為獨立的3D圖形處理器供應商活了下來。

ATI被AMD收購，仍然耕耘3D圖形市場，和Nvidia正面作戰，但常年的虧損也一直困擾著這個千年老二。

Intel早早退場，放棄了獨立顯卡產品線，但由于其控制了中央處理器，其顯示核心一直以集成的方式變相的和Nvidia以及AMD曲線作戰。

Nvidia之所以獲得成功，有以下幾方面原因：

首先在性能上，始終保持在第一梯隊，在最開始幾代失敗的產品后，Nvidia一直是最先進圖形技術的代名詞。當然，光有性能是不夠的，當時世面上還有很多性能差不多的產品。Nvidia在當時做了一件現在看來很平常的事情，就是推出了專屬驅動程序——雷管，并定期的更新，使其不斷的兼容最新的游戲。這在當時顯卡標準混亂，游戲兼容一塌糊涂的情況下，一舉奠定了其領先位置。

于此同時，Nvidia擁抱了當時最大軟件平臺微軟推出的3D 圖形API 接口——Driect 3D，在此之前，每家顯卡都有自己的3D API接口，標準極度不統一，也讓開發者非常頭痛，Driect 3D出現結束了這個局面，所以誰對DirectX支持好，誰就更受市場歡迎。Nvidia和ATI一直和微軟合力推動DriectX 和顯卡的換代升級，也因此坐穩了了PC顯卡的領先位置。

芯片是一個贏者通吃的市場，由于高昂的研發費用，只有市場第一才能形成規模優勢從而轉化成成本優勢，最后將其他玩家趕凈殺絕，無論是傳統的GPU行業還是CPU行業，都存在相同的情況。

然后我們再過來看AI芯片市場，AI云端市場，其實更接近于顯卡市場的末期，主導的軟硬件生態已經形成，巨頭控制整個軟硬件和服務市場。如果AI技術在理論層面沒有新的突破，依然是以深度學習為基礎進行迭代升級的話，這個局面并不容易打破。

在終端市場，更接近于顯卡市場發展的初期，沒有統一的API接口，沒有統一的基準測試，沒有成熟的應用場景。

所以終端市場對于AI芯片創業公司來說，還是值得一搏的，但這也是一場硬仗，你必須在核心性能上擁有優勢，或是處理速度，或是功耗控制，總得有拿的出手的殺手锏。第二，必須賭對標準，站到勝利者一邊，并借此快速占領市場。誰都想成為標準的制定者，但很多時候，你必須擁護其他人的標準，甚至是競爭對手的標準，才能贏得市場。