在剛剛過去的2019年，國內(nèi)外產(chǎn)業(yè)玩家們共同推動著AI芯片的車輪向前滾動。7nm芯片還未全面鋪開，5nm沖鋒的號角已經(jīng)吹響，在AI強勢侵入并顛覆各個傳統(tǒng)領(lǐng)域的同時，AI芯片的架構(gòu)創(chuàng)新持續(xù)發(fā)酵。“AI芯片”這個新鮮的概念在過去一年間逐漸走過了普及的階段，越來越被大眾所熟知。在行業(yè)走過野蠻生長，開始加速落地、加速整合的過程中，也有更多的AI芯片公司也開始走出屬于自己的差異化路線。

如今，AI芯片正在云計算、手機、安防監(jiān)控、智能家居、自動駕駛五大場景上演新的群雄爭霸賽，包括華為、阿里、百度等巨頭企業(yè)，均拿出自己的“殺手锏”。這些“殺手锏”在不同程度上提振了自己在行業(yè)的影響力，也給產(chǎn)業(yè)帶來巨大變革，更讓業(yè)界看到了中國半導(dǎo)體行業(yè)的希望。但是，在經(jīng)歷了一次次瘋狂打call之后，每次都覺得差了點什么——那種感覺仿佛就是看了一晚上網(wǎng)紅帶貨，但是當(dāng)主播大喊“買它！”之后，卻無人下單的尷尬。

可以說，盡管去年各大廠商紛紛推出了多款產(chǎn)品，但至今仍然沒有任何一款產(chǎn)品可以稱得上“現(xiàn)象級爆款”。為什么出現(xiàn)了此種叫好不叫買的情況？不由讓筆者深感疑惑。

究其原因不難發(fā)現(xiàn)，覆蓋細(xì)分領(lǐng)域，偏離主戰(zhàn)場是其中的重要問題。相關(guān)調(diào)研公司數(shù)據(jù)顯示，到2022年，整體AI芯片市場規(guī)模將會達到596.2億美元，其中云端訓(xùn)練+云端推斷芯片達到244億美元，占據(jù)四成以上的市場規(guī)模。毫無疑問，云端服務(wù)器市場是AI芯片的主戰(zhàn)場。目前的現(xiàn)狀是具備通用性優(yōu)勢的GPGPU占據(jù)了云端人工智能主導(dǎo)市場，以TPU為代表的ASIC目前只運用在巨頭的閉環(huán)生態(tài)，FPGA在數(shù)據(jù)中心業(yè)務(wù)中還在嘗試階段。目前全球各大公司云計算中心如谷歌、微軟、亞馬遜、阿里巴巴等主流公司均采用GPU進行AI計算。英偉達就是在這里賺的缽滿盆滿。目前，全球主流的硬件平臺都在使用英偉達的 GPU 進行加速，AMD 也在積極參與。亞馬遜網(wǎng)絡(luò)服務(wù) AWS EC2、Google Cloud Engine（GCE）、IBM Softlayer、Hetzner、Paperspace 、LeaderGPU、阿里云、平安云等計算平臺都使用了英偉達的 GPU 產(chǎn)品提供深度學(xué)習(xí)算法訓(xùn)練服務(wù)。

反觀其他專用AI芯片廠商，在各自聚焦的細(xì)分領(lǐng)域都表現(xiàn)搶眼，但難以粉飾自身配角的地位。賽迪顧問的預(yù)測數(shù)據(jù)顯示，2019年中國對于AI芯片需求最大的市場依次為安防、零售、醫(yī)療、教育、金融、制造、交通、物流等行業(yè)。其中最大的安防市場也僅占20%，多家聚焦安防領(lǐng)域的AI芯片廠商在經(jīng)歷了奮力廝殺后，也難以在出貨量等方面取得好成績。

而深究下去，聚焦單一領(lǐng)域又誘發(fā)了另一問題：成本問題。隨著芯片制造工藝的日益先進，芯片制造成本也水漲船高，如今設(shè)計制造一顆10nm芯片的成本要幾千萬美元，綜合成本高達上億美元。因此，如果不能保證某款單一應(yīng)用場景下能夠大量出貨，專用芯片需要保持一定的通用性與靈活度。

最近兩年間，產(chǎn)業(yè)界開始陸續(xù)涌現(xiàn)出神經(jīng)網(wǎng)絡(luò)計算專用芯片（AI芯片），寒武紀(jì)、深鑒科技、中星微電子等玩家的AI芯片產(chǎn)品采用的都是28nm的芯片工藝，前期從投入到流片的成本超過400萬美元，單一品類出貨量沒有百萬的級別將很難收回成本。

而除了成本之外，AI算法的演進也需要納入考慮。由于目前人工智能算法還在不斷變化、不斷演進的過程中，人工智能經(jīng)歷了六十多年的發(fā)展才迎來了深度學(xué)習(xí)的大規(guī)模爆發(fā)，然而現(xiàn)在深度學(xué)習(xí)算法還有眾多有待優(yōu)化的方面，比如稀疏化、低功耗、小數(shù)據(jù)訓(xùn)練等，算法尚未定型。

此外，目前語音/文字/圖像/視頻等不同應(yīng)用無法使用統(tǒng)一算法，然而許多實際生活中的AI應(yīng)用程序（識別圖像中的對象或理解人類語言）需要不同類型的具有不同層數(shù)的神經(jīng)網(wǎng)絡(luò)的組合。

因此，在確保AI應(yīng)用性能的前提下，AI芯片需要盡可能地保持芯片通用性。那么問題來了：既然GPGPU如此強大，能夠大小“通吃”，為什么廠商反而顧左右而言他？其實真正的困難在于GPGPU的技術(shù)難度。

硬件角度看，最核心的是指令集。指令集的覆蓋面、顆粒度、效率等決定一款芯片能否覆蓋到足夠?qū)挼膽?yīng)用市場領(lǐng)域，并對軟件開發(fā)和產(chǎn)品迭代足夠友好。無論是英偉達還是AMD的GPGPU，指令集都在千條量級，而目前國內(nèi)的AI芯片指令集大多數(shù)都在百條以內(nèi)。類型與數(shù)量的差別映射到硬件高效實現(xiàn)的復(fù)雜程度，差距是巨大的，在這方面國內(nèi)的團隊還存在著一定的差距。另一個重要方面就是基于硬件層的任務(wù)管理和智能調(diào)度，這可以讓芯片從硬件層即提高算力的利用率，也就是大家常說的實際算力。大多數(shù)AI芯片的做法是完全依賴于軟件層的調(diào)度實現(xiàn)，但這種方式第一增加了軟件開發(fā)的復(fù)雜度，第二降低了硬件算力的利用率，第三減緩了軟件棧迭代更新的速度，這在AI領(lǐng)域，面向算法模型、開發(fā)環(huán)境、應(yīng)用場景加速更新的大背景下無疑大大增加了產(chǎn)品落地與工程化的難度。

在軟件方面，毫無疑問，最重要的必然是開發(fā)生態(tài)，GPGPU通過英偉達十多年的耕耘，已經(jīng)建立起了一個超過160萬開發(fā)用戶的龐大而成熟的生態(tài)-CUDA。AI芯片則需要搭建全新的生態(tài)，它會帶來兩個維度顯著的問題，第一個維度是客戶端，客戶需要冗長的適配期，從原有的開發(fā)環(huán)境切換到新的軟件生態(tài)，這不僅帶來了資源投入，推遲了業(yè)務(wù)部署時間窗口，增加了業(yè)務(wù)的不確定性，更嚴(yán)重的是不利于保護已有的軟件投資，軟件的很多部分都要重新來寫并適配，這對企業(yè)級用戶來講恰恰是非常敏感與慎重的事情。另一個維度是產(chǎn)品開發(fā)端，從底層芯片與系統(tǒng)軟件，跳過CUDA層去直接支持開發(fā)框架，必然帶來巨大的軟件投入，不停得追趕現(xiàn)有框架的新版本，以及生態(tài)巨頭的新框架，這在底層軟件人員缺乏的背景下矛盾顯得尤其突出。

本文在一開頭就提出了一個貌似針對產(chǎn)品的問題，而事實上，這還是一個關(guān)于市場的問題。能否成為爆款，一方面要看產(chǎn)品，另一方面還需要看市場需求。數(shù)據(jù)顯示，2018年中國AI芯片市場依然保持增長，整體市場規(guī)模達到80.8億元，同比增長50.2%。且目前依然以云端訓(xùn)練芯片為主。2018年中國云端訓(xùn)練芯片市場份額達到51.3%。巨大的市場前景，也引來各方諸侯前來搶奪。

除了一騎絕塵的英偉達，其他老牌的芯片巨頭都沒閑著，特別是Intel也在加緊布局通用GPU。英特爾眼饞GPU路人皆知，其背后是一段辛酸史——從開始對GPU的不屑，到基于自家的x86架構(gòu)開發(fā)獨立顯卡，英特爾折騰了十年之久仍然沒做出來一款像樣的GPU。近兩年傳出消息英特爾將在今年推出首款獨立GPU，這恐怕要得益于英特爾的重金挖人——原AMD RTG顯卡部門負(fù)責(zé)人Raja、Zen架構(gòu)的功勛領(lǐng)袖Jim Keller、顯卡技術(shù)市場總監(jiān)Damien Triolet這幾位大神都在2018年被英特爾招入麾下。

而在國內(nèi)，一家名為“天數(shù)智芯”的公司也宣布將在今年發(fā)布GPGPU芯片。這家公司目前圍繞GPGPU的系統(tǒng)研發(fā)已聚集了一支百余人的技術(shù)團隊，其中不乏AMD在美國和上海做 GPU的核心團隊成員、行業(yè)經(jīng)驗超20年的世界級技術(shù)專家。

從產(chǎn)業(yè)發(fā)展規(guī)律來看，在過去兩年之內(nèi)AI芯片將持續(xù)火熱，大家扎堆進入；但是到了2020年前后，則將會出現(xiàn)一批出局者，行業(yè)洗牌開始。由于目前AI算法還在不斷演進匯總的過程中，最終的成功與否則將取決于各家技術(shù)路徑的選擇和產(chǎn)品落地的速度。讓我們靜待2020年的第一個“爆款”早日來臨。