智慧城市网

　　【安防展览网 市场分析】从PC到移动，再到如今火爆的AI领域，芯片始终决定着企业的行业竞争力和话语权。
 

　　然而，无论是独霸PC时代的英特尔，还是把持移动端的ARM、高通，对于布局AI芯片这一新兴领域，都显得有些吃力。同样，即便是凭借GPU牢牢占据云端AI芯片头把交椅的英伟达，在科技巨头和新秀们的“围剿”面前，仍然有翻车的危险。
 

　　归根到底，AI芯片这一全新的领域，根本不存在无法逾越的“护城河”。
 

　　如今，谷歌、苹果、亚马逊、Facebook以及华为、阿里、百度等国内外巨头纷纷涉足其中，群雄逐鹿，究竟谁能染指这个“香饽饽”？
 

　　帝国重器
 

　　*，AI的发展离不开三大元素：算法、算力和数据。其中算法、算力都与芯片密不可分，其重要性自然不言而喻。因此，AI芯片就犹如“帝国重器”一般，成为各大厂商争夺的目标。
 

　　那何为AI芯片呢？它与传统PC和移动芯片的区别何处？
 

　　从广义上来说，AI芯片就是能执行AI算法的芯片。理论上，目前CPU、GPU等通用芯片都可以执行AI算法，只是效率、功耗上存在差异。从狭义上来说，AI芯片被定义为针对AI算法进行加速的专用芯片，也就是AI加速芯片或AI加速器。
 

　　显然，由于通用型的芯片需要适应各种应用程序的需要，在执行AI算法时，效率自然不及专用的AI芯片，同时也难以控制功耗，性价比不高。而且，由于面向专用算法，AI芯片一般都侧重于特定领域，例如语音识别、自然语言处理、图像处理、自动驾驶等等，针对性较强。所以，传统PC和移动芯片的区别，就在于是否能为AI算法加速。
 

　　关于AI芯片的类别，需要从构架、功能和场景三个维度来看。
 

　　首先，从构架来说，类是通用芯片，即GPU(Graphics Processing Unit，图像处理单元)，代表厂商就是英伟达、英特尔和AMD，其中英特尔在GPU集群上优势明显；第二类是FPGA(Field-Programmable Gate Array)，即现场可编程门阵列，就是一种半定制的芯片，特点是可编程，目前赛灵思(XILINX)、Altera两家占据了近90%的市场份额；第三类则是ASIC(Application Specific Integrated Circuit)，即专用集成电路，是一种全定制化芯片，例如谷歌TPU、华为kirin系列等；第四类是类脑芯片，IBM的TrueNorth具代表性，但离商业化落地还很遥远，就不过多提及了。
 

　　值得注意的是，ASIC还衍生出NPU(神经网络处理器)，其专为深度学习设计，英特尔NNP、寒武纪NPU及华为麒麟系列等都是典型的代表。此外，在ASIC的基础上，一些厂商还通过SoC+IP 模式，在一块芯片上整合不同功能或者IP(半导体知识产权)，也可以称之为系统级芯片。其目的就是在有限的体积内实现密度的大化，以提升芯片的性价比和移动性。
 

　　其次，从功能上来说，由于AI的机器学习和深度学习都离不开Training(训练)和Inference(推理)两大环节。所谓训练，就是凭借大数据让机器形成一个复杂的神经网络算法模型。而推理则是通过该算法模型，让机器模仿人做出推理或决策。在训练方面，英伟达的GPU优势相当明显，几乎成为标配。此外，英特尔、AMD 、赛灵思、谷歌等都有相应的解决方案。
 

　　推理方面，英伟达优势不在，除了英特尔、谷歌、赛灵思等芯片大厂之外，科技巨头亚马逊、微软、百度、阿里、腾讯、新兴的寒武纪、地平线，以及移动端的高通、华为海思、ARM等也涉足其中，竞争之激烈可见一斑。
 

　　然后，从场景来看，AI芯片又分为云端和终端两类。由于训练需要庞大的数据量和高强度的运算量，单一处理器根本无法独立完成，必须通过云端借助庞大的云端神经网络才行。而在终端方面，各种智能终端可谓天差地别，尤其是移动端，为了满足用户越来越苛刻的要求以及增强体验，就必须配备执行效率高的推理芯片，同时要兼具体积小巧及低功耗，要求也提升不少。
 

　　另外，业内还有许多不同的芯片构架和概念，这里就不一一列举，但无论是GPU、FPGA、ASIC，还是NPU、TPU之类，归根到底，就是为了实现AI算法效率的大化，加强竞争力。
 

　　目前，AI芯片行业中，GPU可谓*，FPGA和ASIC则奋力追赶，尽管各有优缺点，但各自阵营都有鲜明的特点，例如GPU的性能强大、通用性强，功耗也巨大；FPGA可编程，灵活性和性能不错，但价格过高；ASIC可定制，性能稳定，功耗也可控，但研发周期长、风险高。
 

　　大国争霸
 

　　传统显示设备巨头英伟达在AI芯片领域的崛起，看似无心插柳柳成荫，但从深层次来说，也是其始终专注GPU而结出的硕果。
 

　　GPU以往主要用于图形和视频处理领域，能够处理复杂且多数据处理，而正因此，其在性能方面大大优于CPU，同时辅以CUDA(Compute Unified Device Architecture，即通用并行计算架构)，使其在AI领域如虎添翼，尤其在云端训练上得到应用广泛，促使英伟达在该领域*。
 

　　目前，各大AI厂商和云计算数据中心基本都配备英伟达GPU集群，构建超算中心，用于大规模的训练，以支撑AI业务和应用场景的运作。
 

　　除此之外，英伟达还为自动驾驶、机器人、医疗等行业提供相应的AI解决方案。典型的例子就是，特斯拉在推出自有芯片之前，采用的就是英伟达的解决方案。
 

　　与此同时，传统PC芯片“大哥大”英特尔与其老对手AMD也在积极向AI芯片方向拓展，但无奈CPU在算法上执行效率不高，GPU性能又不及英伟达，所以只得寻求新的机会。其中英特尔借助收购FPGA生产商Altera和机器视觉厂商Movidus，以涉足FPGA、 ASIC构架新领域，在数据中心市场加大布局力度。同时，还有传言英特尔也在积极研发新一代GPU产品。而AMD则仍然依托自有GPU的优势，是GPU的第二大市场，其定位也是数据中心。
 

　　IBM在芯片领域始终比较超前，除了前沿的类脑芯片之外，IBM 旗下Research AI团队还用大规模的模拟存储器阵列训练深度神经网络(DNN)，已达到了与GPU相当的精度。
 

　　FPGA构架的“”赛灵思在AI芯片领域早已有了布局。2018年，赛灵思推出一款超越FPGA功能的新产品——ACAP(自适应计算加速平台)和Versal芯片，树起FPGA反击的大旗。
 

　　作为移动芯片领域的霸主，高通也推出了云端AI芯片Cloud AI 100加速器，针对数据中心。据悉，预计将于2019年下半年开始向客户出样。
 

　　目前，虽然移动端并非AI芯片竞争的主战场，但ARM、高通、三星仍然在AI芯片上做文章，通过SoC+IP 模式，形成CPU+AI芯片+5G基带芯片一体化的全新芯片组，以降低体积和功耗，适应移动终端的需要。尽管，现在云端训练芯片当道，但面向终端的推理芯片的需求也日益迫切，随着智能手机新能的突飞猛进，移动AI芯片无疑将逐渐走向前台。
 

　　据市场研究顾问公司Compass Intelligence在2018年5月发布的关于AI芯片调研报告显示，英伟达当仁不让成为*，英特尔和IBM紧随其后。值得注意的是谷歌、苹果排在第四、第五的位置，显然已经开始挑战传统芯片厂商的地位。此外，AMD、ARM、高通、三星、恩智浦仍然占据位列*。博通、新思(Synopsys)、Marvell、赛灵思等老牌芯片厂商也排在前25位之中。
 

　　而令国人鼓舞的是，国内有7家厂商上榜，其中华为海思*12位，联发科为第14位；两家初创企业寒武纪(Cambricon)和地平线(Horizon)*23位和24位。余下的Imagination(原英国芯片厂商，已被中资收购)、瑞芯微(Rockchip)、芯原(Verisilcon)三家的度并不高，可谓“隐形”。
 

　　但毋庸置疑的是，目前AI芯片领域仍然呈现于“大国争霸”的局面，以英伟达、英特尔、IBM、ARM、高通、三星等为首的老牌芯片厂商依旧占据市场主动。同时，以谷歌、苹果等为代表的新兴势力和初创企业崛起的势头也难以阻挡。
 

　　实际上，仅仅从芯片的构架就能发现端倪。老牌厂商在传统优势构架在基础上向全新领域拓展，而新兴厂商则直接转向可定制的全新解决方案， 其中ASIC构架正是趁着这一势头迅速升温。当然，其背后离不开大量新兴芯片厂商的推波助澜，AI芯片行业至此呈现出“百家争鸣“的新态势。
 

　　百家争鸣
 

　　在老牌芯片厂商寻求新突破方向的时候，两股“造芯新势力”开始脱颖而出。首先是以谷歌、苹果、华为、阿里等为首的科技和互联网巨头开始涉足AI芯片领域，甚至特斯拉也舍弃英伟达的芯片解决方案，推出了自研的FSB全自动驾驶芯片。其次，初创AI企业早已崛起，寒武纪、地平线、依图等新势力接着资本风潮，也试图进入芯片领域，以争夺这一新兴市场。
 

　　2016年，谷歌推出TPU(Tensor Processing Unit)，基于ASIC构架，专为机器学习设计，配合自家深度学习框架TensorFlow，以加强算法模型的执行效率，并且同时可运用在训练和推理上，适应性更强。值得注意的是，2016年名声大噪的AlphaGo成功的背后，就离不开TPU芯片的支持。
 

　　2018年谷歌在Google I/O大会推出了TPU3.0，性能大幅提升。随后，谷歌又接连推出面向云端的Cloud TPU和针对终端的Edge TPU两款芯片，其目的就是挑战英伟达GPU的*。
 

　　目前，凭借自身云计算的优势，谷歌在云端AI芯片上的努力，已经给英伟达带来了不小的冲击。然而，英伟达在芯片领域拥有丰富的经验和资源，且GPU具有先入为主的巨大优势，通用性强，且牢牢占据市场主动，近期撼动其*显然并不现实。
 

　　作为智能手机时代的开创者，苹果在移动领域始终呼风唤雨。但是，苹果在芯片上一直受制于人，显然与其强势的个性不符。所以，从2008年开始，苹果就通过一系列收购，开始了自己的“造芯”之路。2017年9月，苹果推出了全新的A11芯片，其采用ASIC构架，整合了一个专用于机器学习的神经网络引擎(Apple Neural Engine)硬件，性能强大。2018年9月，苹果又推出A12仿生芯片，AI能力再度加强。
 

　　与谷歌一样，微软和亚马逊也在云计算领域具雄厚的实力。微软代号为Project Catapult的FPGA构架AI芯片、亚马逊云端AI芯片Inferentia均通过自研，以摆脱芯片厂商的束缚，提升自身云计算和相关应用的竞争力。
 

　　在国内互联网企业中，百度在AI领域的拓展由来已久，并喊出「All in AI」的战略目标。在继“百度大脑”、深度学习框架PaddlePaddle、智能语音操作系统DuerOS和自动驾驶平台Apollo之后，百度也推出了自研AI芯片——“昆仑”。据悉，“昆仑”基于百度CPU、GPU和FPGA加速器长达8年的研发，通过20多次的迭代产生。
 

　　近名声大振的华为海思，成立于2004年10月，其前身是创建于1991年的华为集成电路设计中心，可见华为的远见。而在AI芯片方面，华为在云端、边缘和移动端都有相应的解决方案。在移动端，先后推出了麒麟系列的Kirin970和Kirin980两款AI芯片，从借鉴寒武纪NPU到自研集成双NPU单元，AI性能大幅提升。
 

　　2018年10月，华为推出自研的达芬奇架构的昇腾系列AI芯片——Ascend 910和Ascend 310，昇腾910面向云端训练和推理，直至竞争对手英伟达和谷歌，被称之为当时单芯片计算密度大的AI芯片。而Ascend 310为低功耗设计，针对边缘计算，拥有nano、tiny、mini、lite和max五个系列，能提供横跨全场景支持。至此，在AI芯片的支持下，华为的AI战略和全栈全场景AI解决方案的雏形已初见端倪。
 

　　此外，阿里整合中天微与达摩院芯片团队的“平头哥半导体有限公司”，也
 

　　正在研发神经网络芯片Ali-NPU，同时其也将推出自研IoT物联网芯片，从云端向边缘拓展。
 

　　在科技巨头们纷纷涉足AI芯片的同时，一些初出茅庐的初创AI企业也想在这一领域分一杯羹。寒武纪、地平线、云之声、依图、思必驰、出门问问、Rokid、深鉴科技等等国内初创企业抢先推出自研AI芯片，从应用场景从面向上游的芯片设计迈出了重要的一步。
 

　　寒武纪成立与2015年，在国内并不被终端消费者所熟知，但提到华为*移动端AI芯片——Kirin 970移动处理器，就不得不提寒武纪Cambricon-1A 神经网络处理器。Cambricon-1A也由此成为了成功商用的深度学习处理器IP产品。此外，寒武纪分别在2018年5月和2019年5月推出云端芯片MLU100和思元270(MLU270)，完善自身产品线和布局。去年6月，寒武纪完成数亿美元B轮融资，投后整体估值为25亿美元(约合167亿人民币)，成为AI芯片创业公司的“*”。
 

　　地平线作为一家2015年成立的初创自动驾驶企业，2017年就推出了基于FPGA的自研BPU(Brain Processing Unit，脑处理单元)架构和“征程”和“旭日”两款嵌入式AI视觉芯片，在业界先拔*！今年2月27日，地平线获得6亿美元(约合40亿人民币)左右的B轮融资，估值达30亿美元(约合200亿人民币)，成为AI芯片领域“值钱”的独角兽。
 

　　5月9日，依图推出自研云端AI芯Questcore以及基于该芯片构建的软硬件一体化系列产品和行业解决方案。宣称，该芯片在视觉推理上超越英伟达GPU，算法执行力可见一斑。
 

　　此外，云之声面向物联网以及思必驰、Rokid和出门问问都专注于AI语音芯片，是围绕应用场景做文章的鲜明例子。
 

　　从目前两大AI芯片新势力阵营来看，明显的特征就是结合自身应用场景的特点，通过自研AI芯片，以摆脱英伟达等老牌厂商的束缚，并实现掌控产业链上游，进一步提升行业话语权。事实上，这正是传统硬件厂商的老套路，如今也在AI领域被活学活用。
 

　　合纵连横
 

　　尽管各大科技、互联网巨头及初创企业“造芯”势头正如火如荼，但从目前的市场格局来看，英伟达GPU的地位仍然无人能够撼动，尤其在需求量较大的云端推理层面，可谓一家独大。正因此，英伟达也几乎成为所有厂商对标的对象，一旦超越，其意义非比寻常。
 

　　为了突破大企业的垄断，小企业采用合纵连横的商业策略已成为一种潮流。虽然在AI芯片行业并没有明显的“拉帮结派”，但各厂商之间的强强联手、深度合作，甚至抱团取暖的趋势已日益显著。
 

　　据Compass Intelligence的研究结果显示，从2018年开始的过去三年中，各大公司藉由收购AI及AI新创企业，已经总共在研发、投资AI领域超过600亿美元。AI新创公司就有约1700家，业界对于AI芯片组需求正逐渐扩大。
 

　　典型的例子就是谷歌，近年来其收购的企业数量已近20家。苹果公司在该AI领域也是动作频频，先后收购了Tuplejump等3家AI公司。
 

　　英特尔通过“买买买“，接连收购Mobileye、Nervana、Movidus，实现向自动辅助驾驶、神经网络、机器视觉三大AI芯片应用场景的拓展，大大补充了自身实力。
 

　　同时，赛灵思收购国内的AI芯片新秀深鉴科技，从合作方到强强联手，就是为了掌控FPGA构架及相关核心技术，以求与英伟达一争高下。此外，依图推出自研芯Questcore的背后，也离不开其投资的AI芯片初创团队熠知电子(ThinkForce)的功劳。
 

　　鹿死谁手
 

　　无论是自研，还是收购、合作，厂商的目的都是快速推动AI芯片落地，与特定应用场景相结合，从而扩大市场或向新兴领域拓展。然而，值得注意的是，目前ASIC构架由于可定制，易于为特定应用场景量身打造，获得了大量厂商的认可，上文提到的谷歌、苹果、华为等均采用了ASIC构架。同时，业内也有一种观点，即ASIC的开发难度要低于处理复杂指令的通用芯片和FPGA构架芯片，所以ASIC被认为是如今实现快速“造芯”的杀手锏。
 

　　但事实并非如此。
 

　　尽管ASIC构架门槛有所降低，但目前仍然缺乏统一的标准，而且算法、软件迭代速度又快，再加上芯片行业惯有的高投入、高风险、慢回报等特点，仍然危机重重。
 

　　由于其周期长，且试错成本极高，风险也大，让企业难以承受。目前，即便以谷歌为首的科技巨头全面深入AI芯片领域，所以依靠的就是自身的财力支撑，但仍然面临不小的风险。另一方面，初出茅庐的初创企业的加入战局，与其先期巨额的投资不无关系，同时依托多方面的联手，以减低风险，但相比科技巨头来说，仍然将面临不可预知的困难。
 

　　不过，无论各方面如何竞争，后芯片制造的重担仍然要落到台积电等代工大厂身上，其实际产量和排期所决定了芯片何时问世。但不可忽略的是，在如今这个快速发展的大背景下，一旦产品延迟上市，很可能就是灭顶之灾，性命攸关。
 

　　从这个层面来看，在AI芯片的“战国时代”，扎堆“造芯”背后的大的赢家说不定就成了芯片代工厂。