在AI芯片领域有大量的玩家，并且工作不断更新和迭代。然而，到目前为止，很少有人工智能芯片完全达到这一描述和基准。即使是谷歌的TPU，也不足以支持人工智能的长期发展。
在人工智能芯片领域中有大量的参与者，并且工作不断更新和迭代。然而，到目前为止，很少有人工智能芯片完全达到这一描述和基准。即使是谷歌的TPU，也不足以支持人工智能的长期发展。
人工智能的兴起有三个基本要素：算法、数据和计算能力。随着云计算的广泛应用和深入学习成为人工智能研究和应用的主流方式，人工智能对计算能力的需求迅速增长。AI芯片的不断深耕是人们对计算能力的不懈追求。
AI芯片方向众多
企业专注于“初级”轨道
目前，在摩尔定律的驱动下，CPU可以在合理的计算能力、价格、功耗和时间等方面为人工智能提供所需的计算性能。然而，人工智能的许多数据处理都涉及矩阵的乘法和加法，CPU的设计和优化是针对数以百计的任务进行的，因此需要用CPU来执行人工智能算法。它中的大量其他逻辑完全浪费了现有的AI算法，不能使CPU达到最优的性价比。面对爆炸性的计算需求，通用芯片将变得更加不可持续。
因此，具有大规模并行计算能力和加速人工智能计算的人工智能芯片应运而生。面对越来越多的B侧应用场景，越来越多的AI芯片公司加入竞争。
事实上，AI芯片的研究和开发有两个不同的方向：第一，在现有的计算体系结构中增加一个特殊的加速器，即“AI加速芯片”，这是一种确定性的方法来加速一种特定的算法或任务。以满足目标应用领域在速度、功耗、内存占用和部署成本等方面的要求。
第二，完全重新开发，创建了一种模拟人脑神经网络的新架构，即“智能芯片”。它使芯片能够使用不同的人工智能算法来学习和推理，处理一系列的任务，包括感知、理解、分析、决策和行动，以及适应场景变化的能力。目前，这种芯片的设计方法主要有两种：一种是基于类脑计算的神经模拟芯片，另一种是基于可重构计算的软件定义芯片。
智能芯片仍处于早期开发阶段，不适合商业应用。因此，企业采用的主要方法是在现有的计算体系结构中增加人工智能加速器。AI加速芯片的研究与开发主要分为两个方面：一是利用现有的GPU、多核处理器、DSP、FPGA芯片进行软硬件优化；二是设计专用芯片，即ASIC。
GPU、FPGA和ASIC已经成为当前AI芯片产业的主流。其中GPU是目前市场上最成熟、应用最广泛的人工智能计算芯片。它是一个由大量核组成的大规模并行计算体系结构，设计用于同时处理多个任务。GPU的台式机和服务器市场主要被NVIDIA、AMD、移动市场划分为高通、苹果、联发科等多家公司。
性能优良，体积小，功耗低，可靠性高。在大规模生产的情况下，它也具有低成本的特点。近年来，越来越多的公司开始使用sic芯片进行深度学习算法加速，其中最突出的就是tpu。这是一个人工智能加速器芯片，谷歌已经设计用于机器学习，以提高人工智能计算能力，同时大幅降低电力消耗。它的表现非常出色。
此外，国内企业开发的寒武纪系列处理器也受到了广泛的关注。ASIC的全球市场规模从2012年的163亿美元增长到2017年的257亿美元，预计未来五年将保持18.4％的复合年增长率，到2022年将达到597亿美元。目前，市场格局仍相对零散。
FPGA集成了大量的基本门电路和存储器，其灵活性介于CPU、GPU等通用处理器和专用集成电路（ASIC）之间。我国在这方面刚刚起步，与Silence、Intel、Ledith、MGM等四大FPGA巨头相比还有很大的差距。就市场份额而言，Cyrins和Intel合计约占市场份额的90％，其中Silence占50％以上。2017年，FPGA的全球市场为59.6亿美元，预计到2023年将达到98亿美元。
人工智能的发展还处于起步阶段，人工智能芯片正朝着“人工智能加速芯片”的方向发展。人工智能计算的发展需要经历传统智能计算、基于深度学习的智能计算和基于神经模拟的智能计算三个阶段。至于第三阶段的神经模拟芯片，目前涉及的企业很少，要成为未来的主流还有很长的路要走。
然而，英特尔在2018年国际消费电子展上展示了Loihi，这是一款基于14纳米的新型神经模拟计算芯片，其异质设计包括128个神经形态核心（神经形态核心）和三个低功耗Intel x86核心，拥有13万个神经元和1.3亿个天线。
AI芯片市场空间巨大
并不一定有很多玩家。
根据Gartner的预测，未来五年，全球人工智能芯片市场将从2018年的42.7亿美元飙升至343亿美元，增长逾7倍。未来AI芯片市场将有很大的增长空间。
然而，对于许多初创企业来说，研发芯片将面临巨大的时间和资金挑战.就时间而言，芯片的研发通常需要两年左右的时间才能开始销售。相比之下，更重要的一点是芯片的成本很高。
在人工智能应用领域，将根据芯片的部署位置和任务要求，采用不同的处理方式。终端设备芯片一般采用65 nm和28 nm工艺，EDGE芯片和部分移动设备芯片一般采用16 nm或10 nm工艺，云端芯片一般采用7 nm工艺。
芯片制造决定了开发成本。据IBS估计，根据不同的工艺，65纳米芯片的开发成本为2850万美元，而5纳米芯片的开发成本为5.422亿美元。因此，在芯片的研发过程中，误差容限几乎为零。目前，40nm和55nm工艺比较成熟。然而，对于目前先进的7nm工艺，许多企业的技术还不够成熟。
高开发成本，加上逐年的开发周期，ai芯片公司在融资的早期阶段需要大量资金，才能在没有产品销售的时期生存下来。政府补贴和投资者资金往往有利于销售良好的公司。而资本市场则希望缩短投资周期。因此，融资也成为一个门槛。
另外，由于芯片的开发周期通常需要1~3年，软件在正常的时间内会有很快的发展，但算法也会在此期间快速更新，芯片如何支持这些更新也是困难的。
从长远来看，人工智能芯片本身的技术发展将面临以下困难。
目前主流的AI芯片采用冯·诺依曼架构。在冯·诺依曼架构中，芯片以1合1输出模式计算，数据从处理单元外部的存储器中提取，然后在处理后写回存储器，以便顺序读取任务。由于计算组件和存储组件之间的速度差异，当计算能力达到一定水平时，访问存储器的速度跟不上计算组件消耗数据的速度，并且附加计算组件不能充分利用，这不仅是AI芯片的实现。瓶颈也是长期困扰计算机体系结构的问题。
另外，为了满足人工智能发展对计算能力的要求，有必要减小CMOS工艺中的集成尺寸，不断提高芯片的系统性能。目前，7 nm已经开始批量生产，5 nm节点的技术定义已经完成。然而，它也导致了CMOS工艺和器件的瓶颈。首先，由于纳米晶体管的能耗很高，很难实现芯片的密集封装。其次，几个纳米的CMOS器件，它的层厚度只有几个原子层，这样的厚度很容易导致电流泄漏，从而影响工艺尺寸的减小效果。
尽管ai芯片市场有很大的增长空间，但它可能无法容纳足够的公司。行业本身的特点和ai目前的发展阶段都决定了ai芯片公司将会有一段比较长的挫折期，而在这个过程中，被资本所油炸的泡沫也会被压缩。
网友评论