人工智能是計算機科學的一個分支，它企圖了解智能的實質，并生產出一種新的能以人類智能相似的方式做出反應的智能機器，該領域的研究包括機器人、語言識別、圖像識別、自然語言處理和專家系統(tǒng)等。

人工智能從誕生以來，理論和技術日益成熟，應用領域也不斷擴大，可以設想，未來人工智能帶來的科技產品，將會是人類智慧的“容器”。人工智能可以對人的意識、思維的信息過程的模擬。人工智能不是人的智能，但能像人那樣思考、也可能超過人的智能。

本文從人工智能的產業(yè)鏈上游芯片探索整個產業(yè)鏈發(fā)展趨勢。

(AI行業(yè)生態(tài)鏈圖)

人工智能芯片分類
一項深度學習工程的搭建，可分為訓練（training）和推斷（inference）兩個環(huán)節(jié)：訓練環(huán)境通常需要通過大量的數據輸入，或采取增強學習等非監(jiān)督學習方法，訓練出一個復雜的深度神經網絡模型。訓練過程由于涉及海量的訓練數據（大數據）和復雜的深度神經網絡結構，需要的計算規(guī)模非常龐大，通常需要GPU集群訓練幾天甚至數周的時間，在訓練環(huán)節(jié)GPU目前暫時扮演著難以輕易替代的角色。
推斷（inference）環(huán)節(jié)指利用訓練好的模型，使用新的數據去“推斷”出各種結論，如視頻監(jiān)控設備通過后臺的深度神經網絡模型，判斷一張抓拍到的人臉是否屬于黑名單。雖然推斷環(huán)節(jié)的計算量相比訓練環(huán)節(jié)少，但仍然涉及大量的矩陣運算。在推斷環(huán)節(jié)，除了使用CPU或GPU進行運算外，FPGA以及ASIC均能發(fā)揮重大作用。

FPGA（可編程門陣列，Field Programmable Gate Array）是一種集成大量基本門電路及存儲器的芯片，可通過燒入FPGA配置文件來來定義這些門電路及存儲器間的連線，從而實現特定的功能。而且燒入的內容是可配置的，通過配置特定的文件可將FPGA轉變?yōu)椴煌?a target="_blank">處理器，就如一塊可重復刷寫的白板一樣。因此FPGA可靈活支持各類深度學習的計算任務，性能上根據百度的一項研究顯示，對于大量的矩陣運算GPU遠好于FPGA，但是當處理小計算量大批次的實際計算時FPGA性能優(yōu)于GPU，另外FPGA有低延遲的特點，非常適合在推斷環(huán)節(jié)支撐海量的用戶實時計算請求（如語音云識別）。

ASIC（專用集成電路，Application Specific Integrated Circuit）則是不可配置的高度定制專用芯片。特點是需要大量的研發(fā)投入，如果不能保證出貨量其單顆成本難以下降，而且芯片的功能一旦流片后則無更改余地，若市場深度學習方向一旦改變，ASIC前期投入將無法回收，意味著ASIC具有較大的市場風險。但ASIC作為專用芯片性能高于FPGA，如能實現高出貨量，其單顆成本可做到遠低于FPGA。

從市場角度而言，目前人工智能芯片的需求可歸納為三個類別：首先是面向于各大人工智能企業(yè)及實驗室研發(fā)階段的訓練環(huán)節(jié)市場；其次是數據中心推斷（inference on cloud），無論是亞馬遜Alexa還是出門問問等主流人工智能應用，均需要通過云端提供服務，即推斷環(huán)節(jié)放在云端而非用戶設備上；第三種是面向智能手機、智能安防攝像頭、機器人/無人機、自動駕駛、VR等設備的設備端推斷（inference on device）市場，設備端推斷市場需要高度定制化、低功耗的人工智能芯片產品。如傳聞華為即將在Mate 10的麒麟970中搭載寒武紀IP，旨在為手機端實現較強的深度學習本地端計算能力，從而支撐以往需要云端計算的人工智能應用。

我們圍繞上述的分類標準，從市場及芯片特性兩個角度出發(fā)，可勾畫出一個人工智能芯片的生態(tài)體系，整個生態(tài)體系分為訓練層、云端推斷層和設備端推斷層：

毫無疑問在深度學習的Training階段，GPU成為了目前一項事實的工具標準。由于AMD今年來在通用計算以及生態(tài)圈構建方面都長期缺位，導致了在深度學習GPU加速市場NVIDIA一家獨大的局面。根據NVIDIA今年Q2年報顯示，NVIDIA的Q2收入為達到22.3億美元，毛利率更是達到了驚人的58.4％，其中數據中心（主要為面向深度學習的Tesla加速服務器）Q2收入4.16億美元，同比上升達175.5％。
面對深度學習Training這塊目前被NVIDIA賺得盆滿缽滿的市場，眾多巨頭紛紛對此發(fā)起了挑戰(zhàn)。Google今年5月份發(fā)布了TPU 2.0，TPU是Google研發(fā)的一款針對深度學習加速的ASIC芯片，第一代TPU僅能用于推斷（即不可用于訓練模型），并在AlphaGo人機大戰(zhàn)中提供了巨大的算力支撐。而目前Google發(fā)布的TPU 2.0除了推斷以外，還能高效支持訓練環(huán)節(jié)的深度網絡加速。根據Google披露，Google在自身的深度學習翻譯模型的實踐中，如果在32塊頂級GPU上并行訓練，需要一整天的訓練時間，而在TPU2.0上，八分之一個TPU Pod（TPU集群，每64個TPU組成一個Pod）就能在6個小時內完成同樣的訓練任務。

目前Google并沒急于推進TPU芯片的商業(yè)化。Google在TPU芯片的整體規(guī)劃是，基于自家開源、目前在深度學習框架領域排名第一的TensorFlow，結合Google云服務推出TensorFlow Cloud，通過TensorFlow加TPU云加速的模式為AI開發(fā)者提供服務，Google或許并不會考慮直接出售TPU芯片。如果一旦Google將來能為AI開發(fā)者提供相比購買GPU更低成本的TPU云加速服務，借助TensorFlow生態(tài)毫無疑問會對NVIDIA構成重大威脅。

當然TPU作為一種ASIC芯片方案，意味著其巨大的研發(fā)投入和市場風險，而其背后的潛在市場也是巨大的：一個橫跨訓練和云端推斷的龐大云服務，但目前恐怕只有Google才有如此巨大的決心和資源稟賦，使用ASIC芯片去構筑這一布局——如果將來TPU云服務無法獲得巨大的市場份額從而降低單顆TPU的成本，Google將難以在這一市場盈利。但市場的培育除了芯片本身顯然是不足夠的，還包括讓眾多熟悉GPU加速的研究/開發(fā)者轉到TPU云計算平臺的轉換成本，這意味著Google要做大量的生態(tài)系統(tǒng)培育工作。

除了Google外，昔日的GPU王者AMD目前也奮起直追，發(fā)布了三款基于Radeon Instinct的深度學習加速器方案，希望在GPU深度學習加速市場分回一點份額，當然AMD是否能針對NVIDIA的同類產品獲得相對優(yōu)勢尚為未知之數。
對于現任老大NVIDIA而言，目前當務之急無疑是建立護城河保衛(wèi)其市場份額，總結起來是三方面的核心舉措。一方面在產品研發(fā)上，NVIDIA耗費了高達30億美元的研發(fā)投入，推出了基于Volta、首款速度超越100TFlops的處理器Tesla，主打工業(yè)級超大規(guī)模深度網絡加速；另外一方面是加強人工智能軟件堆棧體系的生態(tài)培育，即提供易用、完善的GPU深度學習平臺，不斷完善CUDA、 cuDNN等套件以及深度學習框架、深度學習類庫來保持NVIDIA體系GPU加速方案的粘性。第三是推出NVIDIA GPU Cloud云計算平臺，除了提供GPU云加速服務外，NVIDIA以NVDocker方式提供全面集成和優(yōu)化的深度學習框架容器庫，以其便利性進一步吸引中小AI開發(fā)者使用其平臺。

核心驅動能力：對于深度學習訓練這個人工智能生態(tài)最為關鍵的一環(huán)，我們可以看到競爭的核心已經不是單純的芯片本身，而是基于芯片加速背后的整個生態(tài)圈，提供足夠友好、易用的工具環(huán)境讓開發(fā)者迅速獲取到深度學習加速算力，從而降低深度學習模型研發(fā)+訓練加速的整體TCO和研發(fā)周期。一言蔽之，這個領域是巨頭玩家的戰(zhàn)場，普通的初創(chuàng)公司進入這個領域幾乎沒有任何的機會，接下來的核心看點，是Google究竟是否能憑借TensorFlow+Google Cloud+TPU 2.0生態(tài)取得對NVIDIA的相對優(yōu)勢，以市場份額的量變引起質變。畢竟相比主打通用計算的NVIDIA GPU，TPU的ASIC方案當出貨量突破一定閾值后，其單顆價格和功耗比均能構成無法忽視的競爭優(yōu)勢。當然，這取決于兩個前提條件：一是深度學習主流框架在今后幾年不發(fā)生重大變化，比如深度學習變得不再高度依賴矩陣運算，否則一顆寫死的ASIC將失去幾乎一切價值。二是Google能構筑出足夠好用的生態(tài)，讓眾多AI研究/開發(fā)者從CUDA+GPU轉向Google，打破業(yè)界對NVIDIA的路徑依賴，而這點才是真正艱難的道路。

Inference On Cloud層芯片生態(tài)
當一項深度學習應用，如基于深度神經網絡的機器翻譯服務，經過數周甚至長達數月的GPU集群并行訓練后獲得了足夠性能，接下來將投入面向終端用戶的消費級服務應用中。由于一般而言訓練出來的深度神經網絡模型往往非常復雜，其Inference（推斷）仍然是計算密集型和存儲密集型的，這使得它難以被部署到資源有限的終端用戶設備（如智能手機）上。正如Google不期望用戶會安裝一個大小超過300M的機器翻譯APP應用到手機上，并且每次翻譯推斷（應用訓練好的神經網絡模型計算出翻譯的結果）的手機本地計算時間長達數分鐘甚至耗盡手機電量仍然未完成計算。這時候，云端推斷（Inference On Cloud）在人工智能應用部署架構上變得非常必要。

雖然單次推斷的計算量遠遠無法和訓練相比，但如果假設有1000萬人同時使用這項機器翻譯服務，其推斷的計算量總和足以對云服務器帶來巨大壓力，而隨著人工智能應用的普及，這點無疑會變成常態(tài)以及業(yè)界的另一個痛點。由于海量的推斷請求仍然是計算密集型任務，CPU在推斷環(huán)節(jié)再次成為瓶頸。但在云端推斷環(huán)節(jié)，GPU不再是最優(yōu)的選擇，取而代之的是，目前3A（阿里云、Amazon、微軟Azure）都紛紛探索云服務器+FPGA芯片模式替代傳統(tǒng)CPU以支撐推斷環(huán)節(jié)在云端的技術密集型任務。

亞馬遜 AWS 在去年推出了基于 FPGA 的云服務器 EC2 F1；微軟早在2015年就通過Catapult 項目在數據中心實驗CPU+FPGA方案；而百度則選擇與FPGA巨頭Xilinx（賽思靈）合作，在百度云服務器中部署KintexFPGA，用于深度學習推斷，而阿里云、騰訊云均有類似圍繞FPGA的布局，具體如下表所示。當然值得一提的是，FPGA芯片廠商也出現了一家中國企業(yè)的身影——清華系背景、定位于深度學習FPGA方案的深鑒科技，目前深鑒已經獲得了Xilinx的戰(zhàn)略性投資。

云計算巨頭紛紛布局云計算+FPGA芯片，首先因為FPGA作為一種可編程芯片，非常適合部署于提供虛擬化服務的云計算平臺之中。FPGA的靈活性，可賦予云服務商根據市場需求調整FPGA加速服務供給的能力。比如一批深度學習加速的FPGA實例，可根據市場需求導向，通過改變芯片內容變更為如加解密實例等其他應用，以確保數據中心中FPGA的巨大投資不會因為市場風向變化而陷入風險之中。另外，由于FPGA的體系結構特點，非常適合用于低延遲的流式計算密集型任務處理，意味著FPGA芯片做面向與海量用戶高并發(fā)的云端推斷，相比GPU具備更低計算延遲的優(yōu)勢，能夠提供更佳的消費者體驗。

在云端推斷的芯片生態(tài)中，不得不提的最重要力量是PC時代的王者英特爾。面對摩爾定律失效的CPU產品線，英特爾痛定思痛，將PC時代積累的現金流，通過多樁大手筆的并購迅速補充人工智能時代的核心資源能力。首先以 167 億美元的代價收購 FPGA界排名第二的Altera，整合Altera多年FPGA技術以及英特爾自身的生產線，推出CPU + FPGA 異構計算產品主攻深度學習的云端推斷市場。另外，去年通過收購擁有為深度學習優(yōu)化的硬件和軟件堆棧的Nervana，補全了深度學習領域的軟件服務能力。當然，不得不提的是英特爾還收購了領先的ADAS服務商Mobileye以及計算機視覺處理芯片廠商Movidius，將人工智能芯片的觸角延伸到了設備端市場，這點將在本文余下部分講述。

相比Training市場中NVIDIA一家獨大，云端推斷芯片領域目前可謂風起云涌，一方面英特爾希望通過深耕CPU+FPGA解決方案，成為云端推斷領域的NVIDIA，打一次漂亮的翻身仗。另外由于云端推斷市場當前的需求并未進入真正的高速爆發(fā)期，多數人工智能應用當前仍處于試驗性階段，尚未在消費級市場形成巨大需求，各云計算服務商似乎有意憑借自身云服務優(yōu)勢，在這個爆發(fā)點來臨之前布局自己的云端FPGA應用生態(tài)，做到肥水不流外人（英特爾）田，另外一個不可忽視的因素，是Google的TPU生態(tài)對云端推斷的市場份額同樣有巨大的野心，也許這將會是一場徹頭徹尾的大混戰(zhàn)。

Inference On Device層芯片生態(tài)
隨著人工智能應用生態(tài)的爆發(fā)，將會出現越來越多不能單純依賴云端推斷的設備。例如，自動駕駛汽車的推斷，不能交由云端完成，否則如果出現網絡延時則是災難性后果；或者大型城市動輒百萬級數量的高清攝像頭，其人臉識別推斷如果全交由云端完成，高清錄像的網絡傳輸帶寬將讓整個城市的移動網絡不堪重負。未來在相當一部分人工智能應用場景中，要求終端設備本身需要具備足夠的推斷計算能力，而顯然當前ARM等架構芯片的計算能力，并不能滿足這些終端設備的本地深度神經網絡推斷，業(yè)界需要全新的低功耗異構芯片，賦予設備足夠的算力去應對未來越發(fā)增多的人工智能應用場景。
有哪些設備需要具備Inference On Device能力？主流場景包括智能手機、ADAS、CV設備、VR設備、語音交互設備以及機器人。

智能手機——智能手機中嵌入深度神經網絡加速芯片，或許將成為業(yè)界的一個新趨勢，當然這個趨勢要等到有足夠基于深度學習的殺手級APP出現才能得以確認。傳聞中華為即將在Mate 10的麒麟970中搭載寒武紀IP，為Mate 10帶來較強的深度學習本地端推斷能力，讓各類基于深度神經網絡的攝影/圖像處理應用能夠為用戶提供更加的體驗。另外，高通同樣有意在日后的芯片中加入驍龍神經處理引擎，用于本地端推斷，同時ARM也推出了針對深度學習優(yōu)化的DynamIQ技術。對于高通等SoC廠商，在其成熟的芯片方案中加入深度學習加速器IP并不是什么難事，智能手機未來人工智能芯片的生態(tài)基本可以斷定仍會掌握在傳統(tǒng)SoC商手中。

ADAS（高級輔助駕駛系統(tǒng)）——ADAS作為最吸引大眾眼球的人工智能應用之一，需要處理海量由激光雷達、毫米波雷達、攝像頭等傳感器采集的海量實時數據。作為ADAS的中樞大腦，ADAS芯片市場的主要玩家包括今年被英特爾收購的Mobileye、去年被高通以470億美元驚人價格收購的NXP，以及汽車電子的領軍企業(yè)英飛凌。隨著NVIDIA推出自家基于 GPU的ADAS解決方案Drive PX2，NVIDIA也加入到戰(zhàn)團之中。

CV（計算機視覺，Computer Vision）設備——計算機視覺領域全球領先的芯片提供商是Movidius，目前已被英特爾收購，大疆無人機、?？低?/u>和大華股份的智能監(jiān)控攝像頭均使用了Movidius的Myriad系列芯片。需要深度使用計算機視覺技術的設備，如上述提及的智能攝像頭、無人機，以及行車記錄儀、人臉識別迎賓機器人、智能手寫板等設備，往往都具有本地端推斷的剛需，如剛才提及的這些設備如果僅能在聯(lián)網下工作，無疑將帶來糟糕的體驗。。而計算機視覺技術目前看來將會成為人工智能應用的沃土之一，計算機視覺芯片將擁有廣闊的市場前景。目前國內做計算機視覺技術的公司以初創(chuàng)公司為主，如商湯科技、阿里系曠視、騰訊優(yōu)圖，以及云從、依圖等公司。在這些公司中，未來有可能隨著其自身計算機視覺技術的積累漸深，部分公司將會自然而然轉入CV芯片的研發(fā)中，正如Movidius也正是從計算機視覺技術到芯片商一路走來的路徑。