AI芯片領(lǐng)域玩家眾多，作品也在不斷更新迭代。然而，到目前為止，完全符合描述和基準測試的AI芯片寥寥無幾。即便是谷歌的TPU，也不足以支撐起AI更為長遠的發(fā)展。

人工智能的崛起有三個基本要素：算法、數(shù)據(jù)和算力。當云計算廣泛應(yīng)用，深度學(xué)習(xí)成為當下AI研究和運用的主流方式時，AI對算力的要求正快速提升。對AI芯片的持續(xù)深耕，就是對算力的不懈追求。

1.AI芯片方向眾多企業(yè)集中于“初級”賽道

目前，在摩爾定律的驅(qū)動下，CPU可以在合理的算力、價格、功耗和時間內(nèi)為人工智能提供所需的計算性能。但AI的許多數(shù)據(jù)處理涉及矩陣乘法和加法，而CPU的設(shè)計與優(yōu)化是針對成百上千種工作任務(wù)進行的，所以用CPU來執(zhí)行AI算法，其內(nèi)部大量的其他邏輯對目前的AI算法來說是完全浪費的，無法讓CPU達到最佳的性價比。而面對爆發(fā)式的計算需求，通用芯片將更加無以為繼。

因此，具有海量并行計算能力、能夠加速AI計算的AI芯片應(yīng)運而生。面對不斷增多的B端應(yīng)用場景，越來越多的AI芯片公司加入角逐。

實際上，AI芯片的研發(fā)有兩個不同的方向：第一，在現(xiàn)有的計算架構(gòu)上添加專用加速器，即“AI加速芯片”，它是確定性地加速某類特定的算法或任務(wù)，從而達到目標應(yīng)用領(lǐng)域?qū)λ俣?、功耗、?nèi)存占用和部署成本等方面的要求。

第二，完全重新開發(fā)，創(chuàng)造模擬人腦神經(jīng)網(wǎng)絡(luò)的全新架構(gòu)，即“智能芯片”。它讓芯片像人一樣能使用不同的AI算法進行學(xué)習(xí)和推導(dǎo)，處理包含感知、理解、分析、決策和行動的一系列任務(wù)，并且具有適應(yīng)場景變化的能力。目前，這類芯片的設(shè)計方法有兩種：一種是基于類腦計算的“神經(jīng)擬態(tài)芯片”；另一種是基于可重構(gòu)計算的“軟件定義芯片”。

“智能芯片”仍處于初期開發(fā)階段，不適合商業(yè)應(yīng)用。因此，企業(yè)們目前主要采用的方法是在現(xiàn)有的計算架構(gòu)上添加人工智能加速器。AI加速芯片的研發(fā)也分為兩種主要的方式：一種是利用已有的GPU、眾核處理器、DSP、FPGA芯片來做軟硬件優(yōu)化；另一種則是設(shè)計專用的芯片，也就是ASIC。

GPU、FPGA以及ASIC已成為當前AI芯片行業(yè)的主流。其中GPU算是目前市場上AI計算最成熟、應(yīng)用最廣泛的通用型芯片了，這是一種由大量核心組成的大規(guī)模并行計算架構(gòu)，專為同時處理多重任務(wù)而設(shè)計的芯片。GPU桌面和服務(wù)器市場主要由英偉達、AMD瓜分，移動市場以高通、蘋果、聯(lián)發(fā)科等眾多公司為主。

ASIC是一種為特定目的、面向特定用戶需求設(shè)計的定制芯片，性能強、體積小、功耗低、可靠性高。在大規(guī)模量產(chǎn)的情況下，還具備成本低的特點。近年來，越來越多的公司開始采用ASIC芯片進行深度學(xué)習(xí)算法加速，其中表現(xiàn)最為突出的就是TPU。這是谷歌為提升AI計算能力同時大幅降低功耗，專為機器學(xué)習(xí)全定制的人工智能加速器專用芯片，性能非常出眾。

此外，國內(nèi)企業(yè)寒武紀開發(fā)的Cambricon系列處理器也廣泛受到了關(guān)注。ASIC的全球市場規(guī)模從2012年的163億美元增長到2017年257億美元，預(yù)計未來5年將保持18.4%年復(fù)合增長，到2022年達到597億美元。目前，市場格局還比較碎片化。

FPGA集成了大量的基本門電路以及存儲器，其靈活性介于CPU、GPU等通用處理器和專用集成電路ASIC之間。我國在這方面剛剛起步，與FPGA四大巨頭賽靈思、英特爾、萊迪思、美高森美存在著巨大的差距。從市場份額來看，賽靈思和英特爾合計占到市場的90%左右，其中賽靈思超過50%。2017年，F(xiàn)PGA的全球市場規(guī)模為59.6億美元，預(yù)計到2023年將達到98.0億美元。

2.AI芯片市場空間巨大未必能容納得下大量玩家

根據(jù)Gartner的預(yù)測數(shù)據(jù)，全球人工智能芯片市場規(guī)模將在未來五年內(nèi)呈現(xiàn)飆升， 從2018年的42.7億美元成長至343億美元，增長超過7倍，可以說，未來AI芯片市場將有一個很大的增長空間。

不過，對于很多初創(chuàng)企業(yè)而言，研發(fā)芯片將要面臨時間和資金上的巨大挑戰(zhàn)。在時間上，芯片研發(fā)從立項到上市通常需要兩年左右的時間。相較之下，更重要的一點是芯片成本很高。

在人工智能應(yīng)用領(lǐng)域，依據(jù)芯片的部署位置和任務(wù)需求，會采用不同的制程。在一般情況下，終端設(shè)備的芯片經(jīng)常會采用65nm和28nm制程；邊緣端和部分移動端設(shè)備的芯片，制程基本為16nm或10nm；而云端芯片通常是7nm。

芯片制程決定開發(fā)成本。根據(jù)IBS的估算數(shù)據(jù)，按照不同制程，65nm芯片開發(fā)費用為2850萬美元，5nm芯片開發(fā)費用則達到了54220萬美元。因此，在芯片的研發(fā)上，對錯誤的容忍度幾乎是零。目前，較為成熟的是40nm和55nm工藝，而對于當下先進的7nm工藝，很多企業(yè)的技術(shù)還不夠成熟。

高昂的開發(fā)費用，加上以年計算的開發(fā)周期，AI芯片企業(yè)在融資的早期階段就需要大量資金浥注，這樣才能撐過沒有產(chǎn)品銷售的階段。而政府的補助和投資者的資金，往往會傾向于那些銷售業(yè)績好的公司。且資本市場希望能有一個較短的投資周期。因此，融資也成為一道門檻。

此外，由于芯片開發(fā)周期通常需要1-3年的時間，在正常的時間里軟件會有一個非?？焖俚陌l(fā)展，但算法在這個期間內(nèi)也將會快速更新，芯片如何支持這些更新也是難點。

而從長遠來看，AI芯片本身的技術(shù)發(fā)展還要面臨如下的困境。

目前主流的AI芯片采用的是馮諾依曼架構(gòu)。在馮·諾伊曼體系結(jié)構(gòu)中，芯片在計算上是采取1進1出的方式，數(shù)據(jù)從處理單元外的存儲器提取，處理完之后再寫回存儲器，如此依序讀取完成任務(wù)。由于運算部件和存儲部件存在速度差異，當運算能力達到一定程度，訪問存儲器的速度無法跟上運算部件消耗數(shù)據(jù)的速度，再增加運算部件也無法得到充分利用，這不僅是AI芯片在實現(xiàn)中的瓶頸，也是長期困擾計算機體系結(jié)構(gòu)的難題。?

另外，要滿足人工智能發(fā)展所需的運算能力，就需要在CMOS工藝上縮小集成尺寸，不斷提高芯片的系統(tǒng)性能。如今，7nm已經(jīng)開始量產(chǎn)，5nm節(jié)點的技術(shù)定義已經(jīng)完成。但由此也產(chǎn)生了CMOS 工藝和器件方面的瓶頸。首先，由于納米級晶體管所消耗的能量非常高，這使得芯片密集封裝的實現(xiàn)難度很大。其次，一個幾納米的CMOS器件，其層厚度只有幾個原子層，這樣的厚度極易導(dǎo)致電流泄漏，而工藝尺寸縮小所帶來的效果也會因此受到影響。

盡管AI芯片市場的增長空間很大，但未必能夠容得下足夠多的企業(yè)。行業(yè)本身的特性以及當下AI所處的發(fā)展階段，都決定了AI芯片企業(yè)會有一個相對較長的挫折期，而在此過程中，被資本炒出的泡沫也會隨之壓縮。