8月中旬，人工智能芯片初創(chuàng)公司寒武紀獲得1億美元的A輪融資，至此成為該領域的第一個“獨角獸”，緊接著，9月初，華為在IFA2017上正式發(fā)布了全球首款面向手機的人工智能芯片“麒麟970”。

就在這前后不到一個月的時間里，“人工智能芯片”成為了人人爭相熱議的一個產(chǎn)品、一個產(chǎn)業(yè)。

人工智能芯片熱度漸多家公司早已著手布局

前段時間，因為被看做是當前智能家居的入口之一，“智能音箱”一下子受到了人們的極大關注，而隨著小愛同學、天貓精靈等產(chǎn)品的相繼推出，更是將這股熱潮推上了頂端。

就在這股浪潮漸漸平穩(wěn)的時候，“人工智能芯片”緊跟而上，引起了人工智能領域的又一波新的浪潮。事實上，在這第三次的人工智能浪潮中，作為讓人工智能技術更快、更好運行的基礎硬件設施，人工智能芯片必然是未來智能化時代的一種趨勢。也因此，雖然人工智能芯片相比于其他人工智能技術和應用顯得低調(diào)得多，但它的布局依舊是眾多廠商眼中不能錯過的“機遇”：

買買買的英特爾——至今，為了不再錯過人工智能芯片，英特爾陸陸續(xù)續(xù)收購了Altera、Yogitech、Nervana、Movidius、Mobileye等多家公司，拿下了他們的FPGA等多種技術。

GPU在手，誰與爭鋒的英偉達——憑借著GPU在人工智能應用中的先天性優(yōu)勢，英偉達已經(jīng)走在了人工智能芯片的前列。不過，就在最近，黃仁勛也發(fā)布了一款針對深度學習而打造的芯片TeslaV100。

緊盯FPGA的微軟——微軟把重心放在FPGA人工智能芯片上，已經(jīng)被用在Bing搜索的支持上。另外，其也推出了基于FPGA的視覺芯片A-eye，讓攝像頭具有視覺理解能力，可應用在機器人、汽車和無人機等多種智能產(chǎn)品。

與此同時，國內(nèi)的廠商也是蠢蠢欲動。

首個獨角獸“寒武紀”——因為高達1億美元的A輪融資，寒武紀成為了人工智能芯片領域的首個獨角獸，通過的IP授權的形式，其技術已經(jīng)在華為人工智能芯片麒麟970上面得到了商業(yè)化；

主打“嵌入式”的地平線機器人——地平線機器人致力于打造基于深度神經(jīng)網(wǎng)絡的人工智能“大腦”平臺，包括軟硬件。在硬件上，其此前曾表示旗下的人工智能芯片“盤古”已經(jīng)成功流片商用；

從上面多家企業(yè)的布局和產(chǎn)品來看，我們能夠清晰地認知到，雖然“人工智能芯片”相比于語音識別等技術并沒有得到大眾更多的關注，但是作為人工智能的基礎硬件設施，其已經(jīng)成為諸多公司搶奪市場、占據(jù)風口的一大戰(zhàn)略制勝點。

人工智能加速人工智能專用芯片是未來趨勢

深度學習算法是實現(xiàn)人工智能技術和應用的核心，其在運行過程中需要對海量的數(shù)據(jù)進行運算處理——用已有的樣本數(shù)據(jù)去訓練人工神經(jīng)網(wǎng)絡、用訓練好的人工神經(jīng)網(wǎng)絡去運算其他數(shù)據(jù)。對于傳統(tǒng)計算架構而言，這將是一個極大的挑戰(zhàn)。

面對深度學習算法這一計算新需求，GPU（圖形處理器）、FPGA（可編程門陣列）、ASIC（專用集成電路）等成為了人工智能芯片領域的“被追捧者”。比如GPU，相比于CPU，其具有高并行結構，擁有更多的ALU（ArithmeticLogicUnit，邏輯運算單元）用于數(shù)據(jù)處理，適合對密集型數(shù)據(jù)進行并行處理。

值得我們注意的事，不管是讓英偉達一舉聞名的GPU，抑或是當前與GPU不分伯仲的FPGA，在屬性上，它們都只能算是人工智能通用芯片。相比于一開始就是“私人訂制”的ASIC，在深度學習算法的運行上，GPU和FPGA或多或少都有著一些局限：

GPU局限：GPU能夠游刃有余的訓練人工神經(jīng)網(wǎng)絡，但在輸出應用時，它一次只能處理一張圖像；相比于FPGA的靈活，GPU硬件結構固定，不具備可調(diào)整性；在實現(xiàn)相同性能的功耗上，GPU遠大于FPGA以及ASIC。

FPGA局限：為了實現(xiàn)可重構特性，F(xiàn)PGA內(nèi)部有大量極細粒度的基本單元，但是每個單元的計算能力都遠遠低于GPU中的ALU模塊；在深度學習算法的運行速度和功耗上，F(xiàn)PGA表現(xiàn)的都不如ASIC；FPGA價格較為昂貴，在某些情況下甚至會高于ASIC。

不可否認，對于當前人工智能的發(fā)展，GPU和FPGA都做出了不小的貢獻，但是從未來發(fā)展趨勢來看，人工智能專用芯片才是未來的核心。

從上面的一些比較我們可以看出，在功耗和速度上，GPU、FPGA與ASIC之間還是有著一定差距的。

針對人工智能芯片的通用與專用的區(qū)別，地平線機器人芯片專家馬鳳翔稱，相比于通用芯片，專用芯片是為特定場景而定制的，具備低功耗、低成本、高性能的優(yōu)勢。再通俗一點講，就如寒武紀創(chuàng)始人之一的陳云霽所舉出的例子，普通的處理器就好比“瑞士軍刀”，雖然通用，但不專業(yè)，造成浪費，但是做菜的時候，還是菜刀得心應手，而專業(yè)的深度學習處理器就是這把更高效、更快捷的“菜刀”。

與此同時，不僅僅是性能的要求，隨著人工智能技術的發(fā)展，其應用范圍也將進一步擴大。未來，自動駕駛、機器人、智能家居等等終將充斥我們的生活，這其中所隱藏的將是一個無可估量的市場需求。屆時，不管是所需要處理的數(shù)據(jù)，抑或是運算速度，與現(xiàn)在相比都將不是一個量級，若想做的更好，就只能向人工智能專用芯片靠攏。

人工智能專用芯片商業(yè)化IP授權是當前的最佳出路

隨著寒武紀成為AI芯片領域首個“獨角獸”、華為麒麟970的推出，以及后面蘋果、三星等多家重量級廠商相繼宣布AI芯片的規(guī)劃，“如何實現(xiàn)技術、產(chǎn)品的商業(yè)化落地”就成為了接下來需要廠商們亟待解決的問題。

目前，運用ASIC架構的人工智能專用芯片中，最典型、最具代表性的當屬寒武紀旗下的產(chǎn)品和谷歌的TPU了，不同的是，前者服務的對象是廣大客戶，而后者則是服務于自己的人工智能系統(tǒng)Tensor-flow。

談及商業(yè)化，雖然中星微、寒武紀的產(chǎn)品此前都有所流片，但是從當前的整體來看的話，相比于流片，IP授權或許更適合人工智能專用芯片，尤其是對于創(chuàng)企而言。至于原因，可以總結為兩點：

第一，與其急著流片實現(xiàn)商業(yè)化，不如緩下腳步達到芯片生態(tài)圈

的確，對于企業(yè)來說，流片是一種能夠快速實現(xiàn)商業(yè)化的方法，并且收獲的利潤也是可觀的。但是，這樣一來難免顯得有些激進，一不小心或許就會造成失誤。相比之下，通過IP授權來慢慢拉攏客戶構建生態(tài)圈、“蠶食”人工智能芯片市場顯得更為從容有序。

說到IP授權，我們第一個想到的就是ARM，作為后起之秀的它通過IP授權的策略打敗了當時的業(yè)內(nèi)老大Intel。ARM大中華區(qū)總裁吳雄昂曾一句話總結成功——建立了一個有強大活性和創(chuàng)新力的生態(tài)圈，為生態(tài)圈的合作伙伴提供了一種共贏模式，參與其中的企業(yè)有很高的成功率和利潤空間。另外，ARM生態(tài)圈的成員并不受限于ARM平臺，在此基礎上可以有無限的創(chuàng)新空間。

當前，深度學習算法可能還沒有那么的成熟，而人工智能的極大需求又對芯片的性能和功耗提出了新要求。與此同時，ASIC還有一個bug——架構固定不具備靈活性，這是其略遜于FPGA的一處。不過，通過IP授權，這將允許客戶在指令集基礎上根據(jù)需求創(chuàng)建出自己的內(nèi)核架構，并可添加各種片內(nèi)外設比如通信接口等等，從而生產(chǎn)出自己的“處理器芯片”，就像此次的華為麒麟970。

目前來講，人工智能還處在一個初級階段，相比于“思維定式”，更為靈活的架構或許將會更受歡迎。如此一來，圍繞人工智能專用芯片將會逐步形成一個生態(tài)圈，這對于芯片企業(yè)以后的規(guī)劃而言將是重要的一步棋。

第二，人工智能專用芯片流片具備風險

前面也提過，相比于人工智能通用芯片，人工智能專用芯片具備低成本低功耗的優(yōu)勢，但是有一個前提，那就是實現(xiàn)高出貨量。

比如ASIC和FPGA，比起一次性成本，前者的成本是遠遠高于后者的，不過，在同樣實現(xiàn)高量產(chǎn)的前提下，后者的成本將轉變?yōu)榍罢叩?0倍，甚至是100倍。因此，如果不能實現(xiàn)量產(chǎn)的話，這對于人工智能專用芯片將是一件極為不利的事。

當然，在性能和功耗上，人工智能專用芯片遙遙領先，但也不能忽視其一旦流片，功能就不能更改的事實，這也是造成人工智能專用芯片上市慢的一個原因所在。

結語

在多起事件的聯(lián)動下，人工智能專用芯片已經(jīng)成為了一個“大藍?！?，引得國內(nèi)外科技巨頭、AI創(chuàng)企紛紛跳入其中，意圖攀上中間那座小島的制高點。

最后，攀上那座小島的只會是人工智能專用芯片，至于最后是誰，又是怎么攀上的，我們目前只能持以觀望的態(tài)度。