上周，百度宣布了自家首款云端AI芯片的進展。一石激起千層浪，芯片熱潮再次走進了人們的視線。從國內的情況來看，中國目前已經涌現(xiàn)出了地平線、寒武紀、深鑒科技、中芯微等一批明星初創(chuàng)企業(yè)。而在國外，隨著PC芯片需求量下滑，連續(xù)幾年走下坡路的芯片巨頭英特爾也開始了向AI芯片的轉型。此外，互聯(lián)網巨頭谷歌、車企巨頭特斯拉、社交巨頭Facebook也紛紛加入了芯片戰(zhàn)場。在人工智能革命的影響下，一場新的芯片軍備競賽即將展開。
多年來，半導體世界似乎已經有了一種穩(wěn)定的平衡狀態(tài)：英特爾擊敗了服務器領域幾乎所有RISC處理器，讓其x86系列成為了主導者。而GPU領域起步較晚的英偉達，在上世紀90年代就已淘汰了大部分的競爭對手，如今只剩下ATI、AMD在該市場上仍占據(jù)一小部分份額。
在較新的移動領域，似乎也是一個這樣的壟斷故事：ARM領導著這個市場。英特爾曾嘗試用Atom處理器與之競爭，但最后還是在2015年選擇了放棄。
即使這樣，似乎一切又都有所改變。如今，AMD重新成為了x86的競爭對手；現(xiàn)場可編程門陣列（FPGA）引領了一個新的利基市場；而人工智能和機器學習的出現(xiàn)也讓芯片市場發(fā)生了動蕩?？梢哉f，隨著這些新興技術的出現(xiàn)，大量的新處理器已經到來。
小智君整理如下：
1、2016年，英特爾收購創(chuàng)業(yè)公司Nervana Systems進入AI芯片市場，隨后又收購了Movidius開發(fā)圖像處理AI；
2、微軟正在為其HoloLens VR ／ AR耳機開發(fā)AI芯片，并有可能在其他設備中使用；
3、谷歌自研了一款用于神經網絡的AI芯片——張量處理單元（TPU），用于谷歌云平臺上的AI應用程序；
4、有報道稱，亞馬遜正在為其Alexa開發(fā)AI芯片；
5、蘋果正在開發(fā)一款名為神經引擎（Neural Engine）的AI處理器，為Siri和FaceID提供動力；
6、ARM最近推出了兩款新處理器，專注于圖像識別的ARM機器學習處理器和ARM物體檢測（Object Detection）處理器；
7、IBM正在開發(fā)專門的人工智能處理器，還從英偉達獲得NVLink許可，用于人工智能和機器學習的高速數(shù)據(jù)傳輸；
8、即使像特斯拉這樣的非傳統(tǒng)科技公司也希望進入這一領域，去年該公司首席執(zhí)行官埃隆·馬斯克承認前AMD和蘋果芯片工程師Jim Keller （現(xiàn)已離職）將負責硬件制造。
這還是沒有將初創(chuàng)企業(yè)計入在內的情況。紐約時報稱曾報道稱，按照不完全統(tǒng)計，目前專注于芯片領域的初創(chuàng)公司已經達到了45家。那為什么在芯片制造停滯多年之后，又突然爆發(fā)了呢？畢竟，在多數(shù)人看來，英偉達的GPU對AI而言是夠用的。
答案有點復雜，就如人工智能本身。
原因一：投資、功耗和能效
雖然x86目前仍然是計算機的主要芯片架構，但它對于要執(zhí)行高度專業(yè)化任務的AI來說，還是太普通了。研究員們對AI的終極目標是構建一個通用的服務器平臺，因此，AI需要擅長一切。事實上，處理AI的實際任務與標準計算或GPU處理是完全不同的，因此研究人員認為定制AI芯片是必要的。
通常情況下，科學計算是以確定的方式進行的。比如，你想知道2加3等于5，并計算到所有的小數(shù)部分——x86和GPU做得很好。但人工智能的本質是，在不經過實際計算的情況下，可以學會2．5加3．5等于6。換句話說，人工智能的重要之處在于數(shù)據(jù)中的發(fā)現(xiàn)模式，而非確定性計算。
人工智能和機器學習的定義是從過去的經驗中汲取教訓并改進。一旦通過AI展開學習，便不會再需要進行重新學習了，這是機器學習的標志（人工智能更高定義的一個子集）。機器學習的核心是用算法解析數(shù)據(jù)，從中學習后根據(jù)數(shù)據(jù)進行判斷或預測。
比如AlphaGo通過大量的圍棋比賽來進行自我提升；Facebook的面部識別技術經過多年訓練學會了標簽照片；自動駕駛汽車的AI不是通過確定的事物來判斷周圍物體的活動路徑，而是通過以往的經驗表示曾有另一輛車以這種方式行駛。
這種預測性問題解決的結果是AI計算可以通過單精度計算完成。因此，雖然CPU和GPU都能很好地完成，但它們對于任務來說是多余的。單精度芯片可以承擔這項任務，并在更小，更低功耗的情況下完成。
毫無疑問，功耗和范圍對于芯片來說是一個大問題，特別是對人工智能，因為一個尺寸并不能適用于該領域的所有情況。人工智能包含了機器學習，而機器學習包括了深度學習，所有技術都可以通過不同的設置部署到不同的任務中。
“不是每個AI芯片都一樣，”英特爾旗下Movidius的營銷總監(jiān)Gary Brown表示?！懊總€芯片可以在不同時間處理不同的智能問題。我們的芯片是視覺智能，算法通過相機輸入來從所看到的內容學習。這是我們的重點。”
同時，如果要在人手必備的智能手機或者AR耳機上嵌入AI，電源就成了最大的挑戰(zhàn)。英偉達的Volta處理器可以說是人工智能領域的“霸主”，但功耗高達300瓦，所以，用于手機不現(xiàn)實。
當然，對專業(yè)化和高能效的追求也不是AI芯片存在的全部原因。IBM研究員兼IBM Power Systems的開發(fā)副總裁Brad McCredie提出了一個更為明顯的原因：“幾十年來，IT行業(yè)首次出現(xiàn)增長，而且是指數(shù)變化。同時，預計會有更多資金會進入這個行業(yè)，且都是圍繞AI的。這種情況會導致大量的VC涌入該領域。毫無疑問，人們看到了淘金熱?！?/p>
原因二：一個全新的生態(tài)系統(tǒng)
專注于人工智能的芯片不是憑空設計的，伴隨它們的是處理人工智能和機器學習并行性的新方法。如果用標準PC的過時技術來構建AI協(xié)處理器，那就像將法拉利引擎放入了大眾甲殼蟲一樣。
英特爾首席技術官兼Nervana聯(lián)合創(chuàng)始人Amir Khosrowshahi說：“當人們談論人工智能和AI芯片時，構建人工智能解決方案會涉及很多非AI技術，比如CPU，內存，SSD和互連等。讓所有這些發(fā)揮作用很關鍵?！迸e個例子，當IBM為關鍵任務系統(tǒng)設計Power9處理器時，使用了英偉達的高速NVLink進行核心互連。
不過硬件本身不能在機器學習中的學習，軟件起著重要作用。事實上，現(xiàn)在硬件和軟件正在并行的軌道上發(fā)展，目的是支持新型AI芯片及其使用浪潮。開發(fā)了CUDA編程語言（CUDA允許開發(fā)人員編寫應用程序并使用英偉達GPU進行并行處理）的前斯坦福大學教授Ian Buck指出在英偉達，軟件和硬件團隊的規(guī)模大致相同。
對Buck來說，人工智能代表一種新型計算的原因之一，是因為它構成了硬件和軟件之間的一種新型關系?！拔覀儾恍枰紤]向后兼容，我們正在重新設計處理這些任務的處理器并與軟件一起運行?！?/p>
一場各懷“芯”思的軍備競賽
如今，在AI芯片領域有很多潛在的開發(fā)商，面臨的最大問題是有多少可以進入市場，有多少會保留給供應商，還有多少會被淘汰。畢竟，現(xiàn)在多數(shù)AI芯片仍是空頭支票。
很多設計AI芯片的非CPU制造商，如谷歌，F(xiàn)acebook和微軟等，似乎都在正在針對自己的產品研發(fā)定制芯片，而且很可能不會將之推向市場。對擁有數(shù)十億美元收入的他們來說，有資本投入到定制芯片的研發(fā)中，也無需立即得到回報。因此，用戶可能會依賴谷歌的TPU作為其谷歌云服務的一部分，但卻不會直接銷售。這也是Facebook和微軟想要的。
至于其他芯片，肯定會上市。英偉達最近宣布推出三款面向智能機器人的芯片Jetson Xavier，全球首款專為機器人設計的計算機。與此同時，英特爾承諾其代號為Spring Crest的首款商用神經網絡專用人工智能芯片將在2019年發(fā)布。
但所有參與者都能存活下來嗎？“未來，我們會看到人工智能的進化過程，”Gary Brown說?！叭绻朐跀?shù)據(jù)中心使用AI，就需要一個芯片。我們可能會看到不同的芯片有不同的優(yōu)勢被集成到CPU中?；蛟S，我們還有可能看到具有多種功能的芯片。”
是不是覺得這種發(fā)展有點似曾相識？其實，AI芯片的發(fā)展在某些方面可以與過去芯片的演變相匹配——從高度專業(yè)化和眾多的競爭對手開始，到一些產品贏得關注，最后一些市場的領導者兼?zhèn)涠囗椆δ?。三十年前?0386是首屈一指的桌面芯片，之后是80486，最后CUP逐漸獲得了安全擴展功能，發(fā)展成了GPU。
因此，與其他所有技術一樣，新興的AI芯片行業(yè)當前眾多競爭對手的局面不會維持太久。OTAS的Doris指出，許多不上市的內部使用芯片將成為高級技術人員的關注項目。 Intersect360的Snell表示，AI芯片初創(chuàng)公司的數(shù)量也會減少，“現(xiàn)在有太多的AI芯片創(chuàng)企了，需要被整治?！笔聦嵣?，大部分創(chuàng)業(yè)公司都只是希望開辟一個可以吸引大公司對其進行收購的利基市場而已。IBM的McCredie也表達了同樣的觀點，“我同意，這將是一個艱難的選擇，但必須要縮小范圍?！?/p>
或許，有一天，這個新芯片領域看起來與舊芯片領域別無兩樣——x86，英偉達GPU，ARM等。但就目前而言，這場AI芯片競賽已經脫離了起跑線，并且其眾多參賽者都打算繼續(xù)堅持下去。
文 ｜ 人工智能觀察