AI芯片領域玩家眾多，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。當云計算廣泛應用，深度學習成為當下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。

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的設計與優(yōu)化是針對成百上千種工作任務進行的，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芯片應運而生。面對不斷增多的B端應用場景，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，從而達到目標應用領域?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算法進行學習和推導，處理包含感知、理解、分析、決策和行動的一系列任務，并且具有適應場景變化的能力。目前，這類芯片的設計方法有兩種：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而設計的芯片。GPU桌面和服務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芯片進行深度學習算法加速，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，專為機器學習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，預計未來5年將保持18．4％年復合增長，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，預計到2023年將達到98．0億美元。

AI的發(fā)展還處于起步階段，AI芯片也主要是朝“AI加速芯片”這個方向前行。人工智能計算發(fā)展大致需要經(jīng)歷三個階段：傳統(tǒng)智能計算、基于深度學習的智能計算、基于神經(jīng)擬態(tài)的智能計算。而對于針對第三個階段的神經(jīng)擬態(tài)芯片，目前鮮少有企業(yè)涉及，要在未來成為主流還有相當長的一段路要走。不過，英特爾已在2018年國際消費電子展上展示出了Loihi，這是一種基于14nm的新型神經(jīng)擬態(tài)計算芯片，采用異構(gòu)設計，由128個Neuromorphic Core（神經(jīng)形態(tài)的核心）＋3個低功耗的英特爾X86核心組成，號稱擁有13萬個神經(jīng)元和1．3億個觸突。