AI芯片遭疯炒，价值根基如何？

在未来AI发展的蓝图中，基础层是决定AI产业发展深度的前提，也将是AI产业爆发中首先获得利益的板块，就像PC时代的英特尔，和移动互联网时代的ARM，人工智能计算和万物互联时代的到来，谁在基础层的芯片捷足先登，谁将就以近乎垄断的优势，独自开发这片规模几何级于PC和移动智能终端的大蓝海。

其实关于AI芯片产业分层，现在业界已经有一个公认的体系。按照定制程度划分，有通用芯片（以GPU为代表）、半定制芯片（基于可编程门阵列FPGA）、全定制芯片（ASIC）及类脑计算芯片四个类型；而按照使用的场景来划分，则分为数据训练（Training）、云端推理（Inference on Cloud）和终端推理（Inference on Device）三大类（图1）。

图一：目前的AI芯片产业基础分层（来源：网络公开资料）

通用类芯片方面目前是英伟达GPU一家独大，没错，就是PC时代做显卡的那个英伟达（NVIDIA）。由于其性能优越和强大的并行计算能力，使得深度学习方面的通用计算尤其是数据集训练上，除了CPU，几乎非他家莫属，而且以上三个提到的使用场景中，GPU都有自己可以胜任担当的一面。但是当然，从未来的视角看，AI芯片是必然要向定制化的方向不断纵深发展的，原因就是GPU这类通用芯片的效用并不是为某些特殊的需求而设计的，因此就有了半定制的FPGA（Field Programmable Gate Array）以及全定制化的ASIC（Application Specific Integrated Circut）。

可以想见的是，越是细分的需求或使用场景，使用定制化越高的芯片就会越能发挥更好的效能。对于某些应用前景和市场潜力巨大的细分领域，如我们所熟知的自动辅助驾驶系统ADAS，以及计算机视觉，设计全定制化的ASIC芯片就是一个很有价值的业务。但是由于前期研发投入巨大且周期长，一般的小型创业公司也难以承受这种量级的资源投入，因此设计ASIC芯片的使用场景必须要有确定性很高的市场潜力。

而在细分定制化的ASIC和通用化的GPU之间，还有半定制的FPGA。FPGA的出现大大满足了多种深度学习计算对数据量少、频次高情形下的计算需求。另外由于有低延迟的优势，基于FPGA的芯片比GPU还更适合于推理环节的海量实时计算请求（如语音、人脸的云识别）。

类脑计算芯片则属于一个比较新兴的尖端领域，整个设计参照了人脑的神经元结构和感知-认知的模式，区别于目前深度学习主流的卷积神经网络（CNN），目前仍在探索阶段。企业方面两个代表性项目就是高通公司的Zeroth和IBM的TrueNorth两个项目，国内部分知名高校也有相关的初步研究，但是远未进入产业化阶段。

IBM TrueNorth芯片（来源：怪诞笔记**）

聊完AI芯片产业的基础知识，我们来看看现在的国际巨头都怎么玩。同时在产业视角上解析他们在AI芯片产业中各自的布局和商业化应用成果，其中图一以使用场景的划分对各种AI芯片分类中的主要玩家做了一个归纳，下面我们来看看下图：

图1：2016年人工智能芯片类型的分布

数据显示，2016年的芯片市场份额中，GPU占据着最大的一块，拥有独特优势的半定制芯片FPGA份额也超过30%，而全定制的ASIC芯片仅占18.3%的比例。但是随着未来智能计算任务的具体化和任务的精细化，芯片效能的要求也会几何级提高，因此ASIC芯片的发展一定是AI芯片产业未来最重要的方向。这一点在Google推出的两代TPU芯片的成功上得到了最好的验证。

视线回到当下，看看另外三个类型。首先传统PC的CPU芯片已经是Intel的天下，移动时代则以黑马ARM为代表，但是在人工智能时代它们只能扮演小配角；再看看GPU，如今依然是无可撼动的王者，它的制造商英伟达成为这一领域近乎垄断的玩家，这跟它在PC时代做显卡厂商的出身有密切关系，因此到了人工智能时代大放异彩也并非偶然；然后就是半定制芯片FPGA，这一块的芯片目前的两个主打厂商是赛灵思Xilinx和Altera（已被英特尔收购），而这个平台的开源也造就了一个庞大的芯片业态，中国国内目前主流的芯片厂商如寒武纪、紫光国芯和深鉴科技主打的DPU，都是基于FPGA平台。

图2：英伟达（NVIDIA）目前的AI芯片产品分类

由于未来的趋势是社会将会进入万物互联和大规模智能化时代，用人话说就是你身边一切可以智能化的东西，例如你家电冰箱、电饭煲，你办公室的花瓶和幻灯片播放器，甚至已经进入生活中的扫地或者擦窗机器人，都有可能因为加入了5G通信模组和定制化的专用智能芯片而具备独立完成任务的能力，不再需要人类一直盯着确保不出差错。

在这一类高度特定化的应用场景中，单个终端的芯片算力必须在足以支撑终端在网络通信条件有限的情况下自行完成机器学习和推理，同时也因为商业盈利及知识产权利益的因素，商家在推出芯片之外，很可能集成其自身的核心算法，不仅利用现有的最佳芯片选择平台作为硬件，也会将完成海量数据集训练后研发出来的算法作为软件部分集成上去。这样的商业模式有点是节省设备与云端通信带来的延时，系统可以实时接收、处理和反馈数据，这将会为多种场景下设备的智能化应用打下可持续的基础。

从现实案例来看，最接近我们生活的实体成果有自动辅助驾驶系统、智能机器人、智能语音翻译器等，这些产品都拥有可以体现其整体商业价值的实体产品。图3是目前国内市场上的主流AI芯片产品及其应用场景。