AI芯片角逐剛剛開始，但將來只屬於少數玩家

　　AI芯片領域玩家衆多，做品也在不斷更新迭代。然而，到目前爲止，徹底符合描述和基準測試的AI芯片寥寥無幾。即使是谷歌的TPU，也不足以支撐起AI更爲長遠的發展。

　　人工智能的崛起有三個基本要素：算法、數據和算力。當雲計算普遍應用，深度學習成爲當下AI研究和運用的主流方式時，AI對算力的要求正快速提高。對AI芯片的持續深耕，就是對算力的不懈追求。

　　AI芯片方向衆多，企業集中於「初級」賽道

　　目前，在摩爾定律的驅動下，CPU能夠在合理的算力、價格、功耗和時間內爲人工智能提供所需的計算性能。但AI的許多數據處理涉及矩陣乘法和加法，而CPU的設計與優化是針對成百上千種工做任務進行的，因此用CPU來執行AI算法，其內部大量的其餘邏輯對目前的AI算法來講是徹底浪費的，沒法讓CPU達到最佳的性價比。而面對爆發式的計算需求，通用芯片將更加無覺得繼。

　　所以，具備海量並行計算能力、可以加速AI計算的AI芯片應運而生。面對不斷增多的B端應用場景，愈來愈多的AI芯片公司加入角逐。

　　實際上，AI芯片的研發有兩個不一樣的方向：第一，在現有的計算架構上添加專用加速器，即「AI加速芯片」，它是肯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對速度、功耗、內存佔用和部署成本等方面的要求。

　　第二，徹底從新開發，創造模擬人腦神經網絡的全新架構，即「智能芯片」。它讓芯片像人同樣能使用不一樣的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，而且具備適應場景變化的能力。目前，這類芯片的設計方法有兩種：一種是基於類腦計算的「神經擬態芯片」;另外一種是基於可重構計算的「軟件定義芯片」。

　　「智能芯片」仍處於初期開發階段，不適合商業應用。所以，企業們目前主要採用的方法是在現有的計算架構上添加人工智能加速器。AI加速芯片的研發也分爲兩種主要的方式：一種是利用已有的GPU、衆核處理器、DSP、FPGA芯片來作軟硬件優化;另外一種則是設計專用的芯片，也就是ASIC。

　　GPU、FPGA以及ASIC已成爲當前AI芯片行業的主流。其中GPU算是目前市場上AI計算最成熟、應用最普遍的通用型芯片了，這是一種由大量核心組成的大規模並行計算架構，專爲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、聯發科等衆多公司爲主。

　　ASIC是一種爲特定目的、面向特定用戶需求設計的定製芯片，性能強、體積小、功耗低、可靠性高。在大規模量產的狀況下，還具有成本低的特色。近年來，愈來愈多的公司開始採用ASIC芯片進行深度學習算法加速，其中表現最爲突出的就是TPU。這是谷歌爲提高AI計算能力同時大幅下降功耗，專爲機器學習全定製的人工智能加速器專用芯片，性能很是出衆。此外，國內企業寒武紀開發的Cambricon系列處理器也普遍受到了關注。ASIC的全球市場規模從2012年的163億美圓增加到2017年257億美圓，預計從此5年保持18.4%年複合增加，到2022年達到597億美圓，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，其靈活性介於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、美高森美存在着巨大的差距。從市場份額來看，賽靈思和英特爾合計佔到市場的90%左右，其中賽靈思超過50%。2017年，FPGA的全球市場規模爲59.6億美圓，預計到2023年將達到98.0億美圓。鄭州婦科醫院http://jbk.39.net/yiyuanzaixian/sysdfkyy/鄭州人流醫院http://jbk.39.net/yiyuanzaixian/sysdfkyy/