過去數(shù)年之間，信息技術(shù)產(chǎn)業(yè)曾經(jīng)接連興起過幾大熱門領域，包括大數(shù)據(jù)（Bigdata）、物聯(lián)網(wǎng)（IoT）、工業(yè)4.0以及增強和虛擬現(xiàn)實（AR/VR）等。但直到以深度學習神經(jīng)網(wǎng)絡模型為基礎的人工智能技術(shù)出現(xiàn)后，這幾大熱門領域才第一次被整合進人工智能這一更大的發(fā)展框架內(nèi)。
　　當前，人工智能技術(shù)仍舊需要海量數(shù)據(jù)來訓練神經(jīng)網(wǎng)絡模型，從而使得計算機能夠代替人類從事各種數(shù)據(jù)處理與判斷。飛速發(fā)展的物聯(lián)網(wǎng)技術(shù)首先提供了大量的數(shù)據(jù)來源，經(jīng)過設計和訓練好的人工智能系統(tǒng)則提供了工業(yè)4.0最需要的智能控制系統(tǒng)，也為增強和虛擬現(xiàn)實場景的落地提供了數(shù)據(jù)處理的技術(shù)手段。
　　芯片是人工智能系統(tǒng)最關(guān)鍵的技術(shù)，中國發(fā)展人工智能芯片產(chǎn)業(yè)的突破口到底在哪？這是人們普遍關(guān)心的問題。
　　芯片產(chǎn)業(yè)是一門具有高集成性和高成本特性的科技產(chǎn)業(yè)，進入門檻非常之高。隨著芯片制造技術(shù)進入“x納米”（個位數(shù)納米制程）時代，每個晶圓代工廠的造價動輒百億美元起，運營與折舊成本驚人。
　　單個芯片的設計所需要的工程師數(shù)目從幾十到數(shù)百不等，開發(fā)成本少則數(shù)千萬美元，多則上億美元，周期長達1年-2年。

　　但是，一個成功的芯片項目所帶來的不僅僅是銷售芯片本身的利潤，還有伴隨芯片設計、制造以及銷售整套流程中產(chǎn)生的支撐產(chǎn)業(yè)與生態(tài)系統(tǒng)，從而帶動軟硬件發(fā)展、行業(yè)標準制定、知識產(chǎn)權(quán)銷售、甚至相關(guān)的機械制造和化工等產(chǎn)業(yè)發(fā)展。
　　現(xiàn)代芯片設計，尤其是以“片上系統(tǒng)”（System-on-Chip，SoC）為主體的高端芯片，已經(jīng)可以影響乃至引領某一產(chǎn)業(yè)走向及其戰(zhàn)略發(fā)展，甚至遏制該產(chǎn)業(yè)的正常運行。
　　由于人工智能應用的場景千變?nèi)f化，而所應用的算法更是有相當?shù)牟町悾�可以預期未來各項應用將有不同的定制化芯片，出現(xiàn)人工智能芯片百家爭鳴的盛況。
　　人工智能芯片的另一大特點在于它所面對的是一個全新的、還未被大公司充分定義的新的業(yè)務場景。
　　即使是NVIDIA，也只是在云計算這一領域有一定的壟斷地位。因此，人工智能芯片發(fā)展有著巨大的不確定性和機會。
　　人工智能芯片發(fā)展很像中國另一新興芯片產(chǎn)業(yè)——比特幣礦機上的發(fā)展歷程：比特幣礦機2010年初主要用的還是以CPU為主的芯片，但是從2012年起就逐漸過渡到以圖形處理器（GPU）為主，利用其強大的向量計算能力來采礦。兩年以后的 2014年，大家開始通過算法優(yōu)化并導入現(xiàn)場可編程邏輯陣列（FPGA）提升效能功耗比來達到更高挖礦效益。
　　時至今日，絕大多數(shù)的高采礦效益的礦機均是以定制化芯片為主，如比特大陸的螞蟻礦機。
　　依照這一類似的發(fā)展趨勢，我們可以期待2018年將是應用導向人工智能芯片開始躍進的一年。

中國可能彎道超車

　　GPU和CPU芯片設計注重通用性，但其高功耗、相對較低的單位效能以及高昂的價格并不適合于類似物聯(lián)網(wǎng)或工業(yè)4.0這樣的普及化應用。
　　應用導向的人工智能芯片是將抽象的神經(jīng)網(wǎng)絡算法以硬件方式加以固化來達到加速運算的效果。這樣的設計有助于提升單位芯片面積上算力的密度，降低功耗和成本，從而有助于將人工智能系統(tǒng)更普遍地運用到各個場景。
　　但芯片的開發(fā)一般需要高質(zhì)量的人才基礎并有強大市場的需求來攤薄芯片開發(fā)的高昂成本：通常一款芯片的生命周期大約為三年，而真正產(chǎn)生利潤的時間僅為12個-18個月。芯片企業(yè)要在這短短的時間內(nèi)完成利潤積累，進行下一代產(chǎn)品的成功開發(fā)與研制，進入新一輪的迭代周期。
　　經(jīng)過近40年的高速發(fā)展，中國已經(jīng)初步具備了一定規(guī)模的微電子人才儲備和巨大的市場，正符合發(fā)展人工智能芯片的兩項基本條件。
　　除此之外，中國還有一樣更為突出的優(yōu)勢：大量使用數(shù)字化設備及人口數(shù)帶來的龐大數(shù)據(jù)。在以應用為主體的開發(fā)概念下，每一個應用都需有各自對應的數(shù)據(jù)集來訓練神經(jīng)網(wǎng)絡，有效數(shù)據(jù)的采集速度會是影響開發(fā)周期長短的最關(guān)鍵的因素之一。海量高質(zhì)量的訓練數(shù)據(jù)集可以幫助工程人員快速有效地訓練神經(jīng)網(wǎng)絡，加速模型的定型，縮短人工智能芯片的設計周期。
　　在各國數(shù)據(jù)采集管理法規(guī)日趨收緊，尤其是歐盟最近出臺通用數(shù)據(jù)保護規(guī)范（GDPR）的大環(huán)境下，寬松的數(shù)據(jù)管理制度會讓中國在人工智能芯片產(chǎn)業(yè)上占據(jù)非常有利的位置，從而達成“彎道超車”的目標。

面臨多重挑戰(zhàn)

　　人工智能系統(tǒng)可以粗分為云端和終端兩大應用。其硬件系統(tǒng)按照功能則可相應分為訓練機和推理機兩種。在過去較長一段時間，人工智能應用主要在云端，包括訓練與推理兩部分。云端系統(tǒng)的人工智能芯片能依算法與數(shù)據(jù)形態(tài)的不同來處理各式應用。
　　考慮到海量數(shù)據(jù)的處理需求，數(shù)據(jù)中心高昂的建設和運營成本，以及應用的多樣性，云端人工智能芯片通常要求具有高集成性、高效能，以及高密度算力等特點，而且需要有一定的通用性。芯片對應各種應用場景所需的軟件支持也是一項設計重點。
　　云端通用型人工智能芯片主要的開發(fā)難點在于如何針對業(yè)務所需的神經(jīng)網(wǎng)絡模型做相應的計算體系結(jié)構(gòu)改良并同時考量通用性與應用導向設計之間的取舍。
　　這屬于芯片開發(fā)中門檻較高的項目，而且所設計的人工智能芯片的規(guī)模通常較大，技術(shù)難度也較高。除了對應用場景有深刻理解之外，設計者也需要有長期芯片設計與流片經(jīng)驗的累積才能夠保證拿出成熟的產(chǎn)品。
　　國內(nèi)公司在經(jīng)驗上與國外其他領跑企業(yè)如英特爾、高通、NVIDIA等應該說還有一段差距。但國內(nèi)頭部企業(yè)的迭代速度非�？欤�加上與代工廠（比如TSMC）和后端設計服務公司的緊密合作，對于先進工藝流片經(jīng)驗掌握的速度非常之快。國內(nèi)寒武紀和比特大陸兩家公司在未來的表現(xiàn)非常值得期待。預計再經(jīng)過一兩代的開發(fā)即能迎頭趕上世界最前沿產(chǎn)品，并可望大量使用于數(shù)據(jù)中心。

相關(guān)熱詞搜索：有可能 彎道 超車 中國 芯片