一、芯片行業(yè)的演進路線

芯片行業(yè)的整體發(fā)展始自上世紀60年代，一開始是指數(shù)型發(fā)展，所以有了每18個月集成度翻一番的摩爾定律，可以說當(dāng)時的發(fā)展是非常快的。摩爾定律背后的邏輯是說，隨著工藝制程的進化，同一款芯片的制造成本會更低，單位面積晶體管數(shù)量提升導(dǎo)致相同的芯片所需要的面積縮小;而如果工藝制程發(fā)展速度過慢，則意味著芯片制作成本居高不下，導(dǎo)致利潤無法擴大。但是，如果孤注一擲把所有的資本都用來發(fā)展新制程，則風(fēng)險太大，一旦研發(fā)失敗公司就完蛋了。

摩爾發(fā)現(xiàn)當(dāng)時市場上成功的半導(dǎo)體廠商的制程進化速度大約是每年半導(dǎo)體芯片上集成的晶體管數(shù)量翻倍，于是寫了著名的論文告訴大家這個發(fā)展速度是成本與風(fēng)險之間一個良好的折中，半導(dǎo)體業(yè)以后發(fā)展可以按照這個速度來。

可以說，摩爾定律背后的終極推動力其實是經(jīng)濟因素，它給市場帶來的積極影響是，隨著半導(dǎo)體工藝制程的進化，芯片的性能以指數(shù)級增長，從而帶動了電子產(chǎn)品性能大躍進式發(fā)展，電子市場一片生機勃勃。在摩爾定律提出的前三十年，新工藝制程的研發(fā)并不困難，但隨著晶體管越來越小，越來越接近宏觀物理和量子物理的邊界，高級工藝制程的研發(fā)越來越困難，研發(fā)成本也越來越高。如果工藝制程繼續(xù)按照摩爾定律所說的以指數(shù)級的速度縮小特征尺寸，會遇到兩個阻礙，一個是經(jīng)濟學(xué)阻礙，另一個是物理學(xué)阻礙。

經(jīng)濟學(xué)阻礙是，隨著特征尺寸的縮小，芯片的成本上升很快。這個成本包括NRE成本(Non-RecurringEngineering，指芯片設(shè)計和掩膜制作成本，對于一塊芯片而言這些成本是一次性的)和制造成本(即每塊芯片制造的成本)。有人計算過，以現(xiàn)在的最新工藝，一塊芯片的NRE要到1000萬美元以上。如此高昂的NRE意味著需要非常非常高的芯片生產(chǎn)量才能去攤薄這個成本。換句話說，如果芯片的產(chǎn)量不到，那么你就沒有能力去使用最新的工藝，只能沿用較舊的工藝。這就部分打破了摩爾定律“投資發(fā)展制程-芯片生產(chǎn)成本降低-用部分利潤繼續(xù)投資發(fā)展制程”的邏輯。

而物理學(xué)的障礙主要來源于量子效應(yīng)和光刻精度。晶體管太小就會碰到各種各樣的問題，比如當(dāng)特征尺寸縮小到10nm的時候，柵氧化層的厚度僅僅只有十個原子那么厚，這時便會產(chǎn)生諸多量子效應(yīng)，導(dǎo)致晶體管的特性難以控制。

我認為，現(xiàn)在芯片行業(yè)的發(fā)展已經(jīng)到了瓶頸期，接下來的發(fā)展策略有三種，分別是MoreMoore，MorethanMoore和BeyondMoore。第一種MoreMoore，意思是繼續(xù)按照摩爾定律的老路走下去，繼續(xù)縮小晶體管尺寸;第二種MorethanMoore，意思是首先芯片系統(tǒng)性能的提升不再單純地靠晶體管的縮小，而是更多地靠電路設(shè)計以及系統(tǒng)算法優(yōu)化。其次集成度的提高不一定要靠把更多模塊放到同一塊芯片上，而是可以靠封裝技術(shù)來實現(xiàn)，例如Intel的EMIB，TSMC的InFO等等(蘋果的處理器就用了InFO技術(shù));第三種BeyondMoore，意思是干脆不用CMOS器件而是去研發(fā)一些新的器件，不過這個目前看起來還比較遙遠。未來估計是會MoreMoore結(jié)合MorethanMoore，隨著時間推移MorethanMoore比重越來越大。

其實我對未來還是蠻悲觀的，這個瓶頸期如果沒有新器件誕生的話，應(yīng)該會持續(xù)5年10年甚至更長一段時間。就像鋼鐵行業(yè)，它早已進入平緩期，也沒什么特別新的技術(shù)，如果這個行業(yè)想要有比較大的發(fā)展，那除非是發(fā)現(xiàn)新的材料可以替代鋼。半導(dǎo)體行業(yè)也一樣，什么時候出來新器件結(jié)束這個瓶頸期我也不知道，有的時候科學(xué)上的事情就是很偶然，可能突然就發(fā)現(xiàn)某種材料可以用了，但如果你找不到新材料，就是沒辦法有很大突破。

二、NV/Google/Intel/AMD在AI芯片的不同戰(zhàn)略

其實人工智能計算還是分很多領(lǐng)域，芯片應(yīng)用大概有兩個極端：一個是用于云端服務(wù)器的高功耗高計算能力的芯片，走的是高性能超級計算機(HPC)的路子;另一個是用于終端(比如手機)的人工智能芯片，這個就特別注重低功耗，對計算能力的要求不是特別高。

在云端服務(wù)器這個領(lǐng)域，因為要處理海量的數(shù)據(jù)，Nvidia的GPU已經(jīng)成為服務(wù)器不可或缺的一部分，但Nvidia自己目前還沒有打算大規(guī)模自己做服務(wù)器，因此在人工智能的云端市場，Nvidia提供的是硬件而非平臺。而在終端這個領(lǐng)域，Nvidia基于GPU的人工智能平臺一方面功耗太大，另一方面過高的計算能力反而導(dǎo)致成本過高，因此無法與定制芯片抗衡。其實，Nvidia的人工智能平臺最具優(yōu)勢的應(yīng)用場景是上面兩種情況的中間，即數(shù)據(jù)量中等、對計算能力要求還比較高、對功耗有一定要求但是并不苛刻的地方，比如ADAS市場。Nvidia人工智能平臺無論計算能力(10-100TOPS)還是功耗(10-100W)都能完美地符合要求，因此它主打自動駕駛市場并不奇怪，它在2017年1月份舉辦的CES上也主要發(fā)布了自動駕駛相關(guān)的產(chǎn)品。

Intel的話，從三個方面來說吧。第一，在云端市場，它是最大的玩家，并且正在積極準(zhǔn)備與Nvidia抗衡，因為Intel在HPC方面的業(yè)務(wù)本來就是駕輕就熟，而Nvidia進入HPC還沒有幾年，只能算這個市場的newplayer。大概是在2013年的時候，人們才發(fā)現(xiàn)原來GPU可以用于深度學(xué)習(xí)，之前根本不知道這個事情。說回Intel，它在收購Altera之后推出了基于FPGA的專用深度學(xué)習(xí)加速卡，可以在云端使用。另外Intel收購Nervana后正在積極推廣結(jié)合其技術(shù)為AI優(yōu)化的KnightMill至強處理器，目標(biāo)也是在云端。第二，在車載端，Intel與Mobileye和BMW結(jié)成了自動駕駛聯(lián)盟，Mobileye提供傳感器芯片和算法，Intel提供云端計算平臺，BMW提供汽車。第三，在移動端，Intel收購了Movidius，但是尚未看到大的動作。所以我預(yù)期，移動端的人工智能芯片，如果有的話還是高通之類的廠商會比較有優(yōu)勢。

再說Google，它推出來的芯片TPU主要是自用的。這個有點像IBM，IBM最早出的PowerPC系列芯片也是為了給自己的server用。所以Google也是類似的思路，它的芯片就沒有打算給別人用，換句話說它沒有真的打算進入芯片這個市場，和別人競爭。

最后說AMD，它在GPU和CPU的技術(shù)都處于追趕者的位置，在AI方面比較低調(diào)，在CES上公布新產(chǎn)品的時候也都沒有主動去提人工智能的事情。最近的新聞大概是和阿里巴巴合作云端服務(wù)作為試水。AMD的總體思路還是求穩(wěn)，不刻意去跟Nvidia爭誰先誰后，它就等你們把這些東西先做出來再說，自己就很踏實地把顯卡技術(shù)做好。其實GPU天生就符合深度學(xué)習(xí)的要求，只要AMD把自己芯片的運算能力做上去，它很快就可以殺入人工智能這個領(lǐng)域中來。

三、Nvidia面臨的機遇和挑戰(zhàn)

2016年是人工智能爆發(fā)的一年，借著這股東風(fēng)，Nvidia的股價在去年飛升三倍有余，令人驚嘆。目前看來，Nvidia的技術(shù)成長空間還有很多，因為Nvidia正在轉(zhuǎn)型成為平臺公司而不是硬件公司，GPU會是它的核心但是不是全部，它要做的是圍繞GPU的一個平臺、一個生態(tài)。與GPU配套的各種設(shè)施，例如開發(fā)平臺、開發(fā)者社區(qū)和包絡(luò)編程語言在內(nèi)的開發(fā)工具也非常重要。舉例來說，在筆記本PC市場，其實ARM的處理器性能完全可以和Intel相抗衡，但是為什么基本沒有筆記本電腦用ARM的處理器?就是因為ARM在筆記本PC上沒有任何生態(tài)。一旦平臺和生態(tài)做起來，即使它的技術(shù)發(fā)展不像原來那么生猛，我相信Nvidia的商業(yè)價值仍然可以得到保證。假如明天AMD做出來一個和Nvidia性能一模一樣的GPU，它一時半會兒也還是無法取代Nvidia，因為Nvidia有自己的CUDA、CUDNN等配套的開發(fā)工具。

而Nvidia可能會面臨的最大風(fēng)險在于，它現(xiàn)在的股價完全由人工智能來支撐，但人工智能的應(yīng)用會不會像投資者想象中發(fā)展的那么快是存疑的。其實非常明顯現(xiàn)在人工智能的應(yīng)用有很大的泡沫，大家預(yù)期它在一兩年之內(nèi)會起來。但是如果它在一兩年之內(nèi)沒有起來或者說某些應(yīng)用沒有能真的落地，那時候投資者可能會有些反沖。現(xiàn)在是一個overshoot，發(fā)現(xiàn)沒有達到預(yù)期之后就會有一個undershoot，幾次震蕩之后慢慢回到理性估值。

四、FPGA的玩家和留給創(chuàng)業(yè)公司的機會

FPGA全稱“可編輯門陣列”(FieldProgrammableGateArray)，其基本原理是在FPGA芯片內(nèi)集成大量的數(shù)字電路基本門電路以及存儲器，而用戶可以通過燒入FPGA配置文件來來定義這些門電路以及存儲器之間的連線。這種燒入不是一次性的，即用戶今天可以把FPGA配置成一個微控制器MCU，明天可以編輯配置文件把同一個FPGA配置成一個音頻編解碼器?，F(xiàn)在FPGA和人工智能相關(guān)的主要機會是云端服務(wù)器的可配置運算，目前這個領(lǐng)域的玩家主要是兩個，Xilinx和Altera，后者已經(jīng)被Intel收購。

當(dāng)下FPGA遇到的一個最關(guān)鍵的問題就是開發(fā)者生態(tài)。傳統(tǒng)CPU也好GPU也好，編程是比較容易的，使用的是語言是C++、Java，大家都很熟悉，而且已經(jīng)形成了成熟的體系，開發(fā)環(huán)境、生態(tài)系統(tǒng)還有開發(fā)者的社區(qū)這些都很好。但是FPGA開發(fā)通常需要使用硬件描述語言，如Verilog、VHDL等等，這些對于程序員來說需要大量的時間才能掌握。這樣的話FPGA的生態(tài)就無法發(fā)展，因為門檻高意味著做的人少，做的人少意味著知名度低，相關(guān)項目數(shù)量少，這又導(dǎo)致了無法吸引到開發(fā)者參與項目，如此便形成了惡性循環(huán)。

針對這種情況，Xilinx就發(fā)布了一個比較能改善生態(tài)的東西，叫做可重配置加速棧，這些用于云端的FPGA將會使用部分重配置方案。什么意思呢?通常FPGA配置過程包括硬件描述語言的綜合、布局布線、最后產(chǎn)生比特流文件并寫入以完成配置。在這個過程中，綜合以及布局布線花費的時間非常長，可達數(shù)小時，而最后比特流文件寫入以及配置可以在一秒內(nèi)完成。用于云端的FPGA方案為了實現(xiàn)快速應(yīng)用切換，預(yù)計將會使用硬IP(即針對某應(yīng)用硬件加速的比特流)，并在需要使用該應(yīng)用時快速寫入該比特流。在未來，云端FPGA的生態(tài)預(yù)計將不止包括Xilinx，還會包括許多第三方IP提供商，最后形成類似AppStore的形式讓使用者方便地選購對應(yīng)的硬件加速方案并實時加載/切換。

目前國內(nèi)FPGA水平較弱，而且FPGA需要一整套從軟件到硬件的流程，需要深刻的積累，對于創(chuàng)業(yè)公司并不是一個最好的方向，更適合國家科研項目。但是創(chuàng)業(yè)公司使用FPGA，做FPGA的解決方案，基于FPGA開發(fā)或者做FPGA上的IP，是個不錯的機會。換句話說就是你不去手機，而是做APP。其實這個方向國內(nèi)也已經(jīng)有不少公司在做了，我知道的比較出名的有深鑒科技。

五、玩人工智能軟件的正確姿勢

目前人工智能軟件最大問題是如何把技術(shù)真正落實到解決消費者的需求，一些算法非常有技術(shù)含量，但是落地并不容易，例如圖像分類等等。我覺得現(xiàn)在做的比較好的軟件是語音識別/交互類，比較典型的是訊飛輸入法，前陣子在錘子手機的發(fā)布會上被秀了一把。

圖像類的人工智能算法目前是最火的方向，比語音類要火很多，但是目前看來圖像算法大多數(shù)只能作為一個大系統(tǒng)的一部分。比如一個安防系統(tǒng)，圖像算法可以用來檢測一個人是否帶刀，但是把這個軟件單獨拉出來賣就不一定能成立了。當(dāng)然也有單獨做軟件的，例如Prisma，這個之前在Instagram很火的軟件就是利用深度學(xué)習(xí)來做圖像風(fēng)格變換?？偨Y(jié)一句話就是，人工智能相關(guān)的軟件當(dāng)然是一個非常好的創(chuàng)業(yè)方向，只是要找準(zhǔn)這個創(chuàng)新的賣點，光有好的技術(shù)其實是沒什么大用的。

在人工智能領(lǐng)域，國內(nèi)也出現(xiàn)了一批還不錯的公司，我有在關(guān)注。在圖像檢測/人臉識別領(lǐng)域，有依圖科技、Face++、商湯科技三只領(lǐng)頭羊，它們主要為銀行和一些安防系統(tǒng)提供人臉識別的解決方案。在醫(yī)療領(lǐng)域，就是用人工智能幫忙人類判定疾病也有很多公司在做，一圖正在進軍這個領(lǐng)域。在自動駕駛領(lǐng)域，軟件方面做的比較有名的是圖森、地平線。其實地平線攤子鋪得比較大，硬件軟件都做，除了輔助駕駛外，還跟美的合作在做智能家居。還有一些比較小眾的領(lǐng)域，比如鑒黃，就是圖譜在做。硬件的話，比較有名的是寒武紀。

六、芯片行業(yè)的未來除了人工智能，還有……

最后再說回到整個芯片行業(yè)的發(fā)展上來。有人問，芯片行業(yè)是不是有一個強者恒強的規(guī)律，出現(xiàn)黑馬的幾率有多大。我認為是這樣的：在芯片這個地方，它是每隔一段就會換一個應(yīng)用方向，90年代時候最火的是多媒體電腦，也就是PC端，后來就變到了移動端，最近則是人工智能。眾所周知，Intel是PC時代永遠的老大，在那25年的時間里基本碾壓所有競爭對手，但移動設(shè)備這個方向它就完全錯過了。所以說，在同一個領(lǐng)域里基本上是強者恒強，很難有超越，但是在這個領(lǐng)域強，不代表在下一個領(lǐng)域也會強，在“時代”交替的時候是最容易出黑馬的。我們在評判企業(yè)價值的時候，要對芯片的技術(shù)應(yīng)用有一個判斷，要非常清楚下一個所謂的風(fēng)口在哪里。

現(xiàn)在芯片應(yīng)用最火的方向毫無疑問是人工智能了，我還同時看好另外一個方向，就是醫(yī)療。我相信在醫(yī)療電子領(lǐng)域還有很多可以做的事情，當(dāng)然這個方向的發(fā)展還要倚賴一些基礎(chǔ)設(shè)施的建設(shè)，比如在線的云平臺和大數(shù)據(jù)庫等等，這個部分在這里就不詳細展開了。

討論區(qū)：以下為參與live的人提問，作者回答

問：萊迪思半導(dǎo)體(LSCC)，大疆無人機供應(yīng)商FPGA未來有潛力，期待分析。

答：目前中國FPGA進口第一是華為，第二就是大疆。大疆使用FPGA量很大，然而未來從成本考慮很大可能會用ASIC代替。

問：目前國內(nèi)的人工智能相關(guān)芯片的發(fā)展情況如何，主要有哪些公司在做?離國際先進水平有多大的差距?

答：國內(nèi)人工智能芯片有寒武紀，深鑒等初創(chuàng)公司，也有華為等大公司在布局，與國外差距不大，尤其是寒武紀已經(jīng)走在世界前列。

問：AI芯片目前主要的幾種商業(yè)模式有哪些?

答：一般有兩種，一種是直接賣芯片，還有是賣IP，IP的話是芯片里的一部分，可以集成在其他公司的芯片里。

問：圖像分類可否用在發(fā)票圖像處理?比如發(fā)票、車票這些，拍照后，經(jīng)過處理，變成會計分錄。這個市場無限大。

答：圖像分類當(dāng)然可以用在發(fā)票分類上，實現(xiàn)手寫和數(shù)字識別。關(guān)于票據(jù)問題，是的，市場是很大，目前美國支票存取已經(jīng)是自動識別了，用手機app拍照就行。

問：Nvidia一半以上的收入還在傳統(tǒng)游戲顯卡市場吧，云計算和人工智能短期增速如果不盡如人意的話，股價回調(diào)就不可避免了。

答：關(guān)于NV的股價，我認為這位朋友的分析很有道理。

問：想請教一下，F(xiàn)PGA在用電量是不是一般ASIC的3X，晶片大小是不是為ASIC的2X?

答：FPGA的用電量在ASIC的十倍以上，造價也在十倍以上。

問：您知道做鑒黃的除了圖譜科技，還沒有其他的團隊?

答：鑒黃的技術(shù)壁壘不高，關(guān)鍵是渠道要搞定。

問：我這收集了2個觀點，能不能幫我評價一下呢?第一個：Nvidia在人工智能芯片市場的真實統(tǒng)治力，可能比股票市場上的亮眼成績更為顯著。盡管市場上也存在其他深度學(xué)習(xí)訓(xùn)練(training)和預(yù)測(Inference)的解決方案，但試問各家AI企業(yè)，無論其內(nèi)部的模型訓(xùn)練，還是銷售給最終客戶的智能產(chǎn)品，絕大多數(shù)還是采用了Nvidia的GPU方案。第二，值得關(guān)注的是，就異構(gòu)計算的主要應(yīng)用機器學(xué)習(xí)來看，分為訓(xùn)練和推斷兩個部分。其中，訓(xùn)練市場占整個機器學(xué)習(xí)市場的5%，其余95%都是推斷市場。SteveGlaser認為，GPU僅僅是關(guān)注機器學(xué)習(xí)的訓(xùn)練市場，而推斷市場才是FPGA關(guān)注的領(lǐng)域，這恰恰是機器學(xué)習(xí)未來發(fā)展的重要組成部分。

答：第一個判斷是對的，第二個判斷的話，F(xiàn)PGA在云端會用得比較多，inference在終端還是要靠ASIC。

問：李博士，AI芯片對人工智能應(yīng)用的影響是什么?AI芯片離大規(guī)模商用還有多遠?

答：AI芯片技術(shù)上離大規(guī)模商用不遠了，但是使用專用AI的ASIC市場還沒完全起來，很多公司在觀望，Intel等公司在慢慢布局，新推出的XeonPhi服務(wù)器CPU里面加入了部分的AI加速。

問：能否比較一下寒武紀和Nvidia的ai芯片的差別?

答：寒武紀是專用ai加速芯片，nvidia的gpu是通用計算單元只是比較適合計算深度學(xué)習(xí)。

問：IBM的沃森在醫(yī)療上的運用效果如何?

答：IBMWatson在醫(yī)療上的應(yīng)用已經(jīng)有不少報道，大數(shù)據(jù)和AI在醫(yī)療上得到應(yīng)用一定會成為現(xiàn)實。目前醫(yī)學(xué)的研究都是基于數(shù)據(jù)的研究，之前的研究樣本量都不大，使用了大數(shù)據(jù)加人工智能后醫(yī)學(xué)的發(fā)展一定會大大加速。

問：再問一個：如果谷歌最終選擇了使用TPU，會不會對英特爾和英偉達這些芯片制造商構(gòu)成巨大的威脅?因為他們的在線業(yè)務(wù)是如此巨大。他們比地球上任何其它公司購買或運營的計算機硬件都要多，而且隨著云計算的重要性持續(xù)增加，這個差距也只會越來越大。

答：會有一些，但不會是最大的影響，因為google的服務(wù)器在整個服務(wù)器市場占比例不大。

問：高通在CES展上推出驍龍835，適合深度學(xué)習(xí)，這款芯片和高通在人工智能方面能不能解讀一下?

答：snapdragon835對于ai的支持主要在于dsp對于深度學(xué)習(xí)算法支持的designkit。

問：感謝分享，我的問題是目前人工智能變?yōu)閷嶋H應(yīng)用，變成類似移動互聯(lián)網(wǎng)這樣的產(chǎn)業(yè)最大的難點是什么?目前看到的一些應(yīng)用主要在智能客服等，還有c端的應(yīng)用主要是類似echo等的家庭智能音箱，未來可以預(yù)見的最大應(yīng)用是自動駕駛和醫(yī)療領(lǐng)域的應(yīng)用，其他呢，其他通過人工智能更深度的改變會在哪里?

答：人工智能變?yōu)楝F(xiàn)實的難度在于如何落地。人工駕駛和醫(yī)療是兩個重要的點，然而人工駕駛必須能通過各種極端情況下的驗證才能上馬。輔助駕駛離現(xiàn)實比較接近。醫(yī)學(xué)使用目前看起來比較接近實用，因為AI比人做得好不難，主要障礙在于基礎(chǔ)設(shè)施不好大數(shù)據(jù)很難獲得，例如病歷如何聯(lián)網(wǎng)。AI離使用最接近的是金融領(lǐng)域，目前高頻交易，詐騙檢測等已經(jīng)用上了AI。

更多資訊請關(guān)注電力電子頻道