[导读] 在芯片，尤其是“中芯”霸占了舆论头条的日子，焦虑、恐慌、反思、质疑……各种情绪也随之涌现。但在长篇累牍的报道中，能简单明快地把复杂“芯”事讲清楚，又不失专业性的文章寥寥无几。中兴被禁搅起的自研芯片风波一直未停息。国内不少创业公司甚至互联网巨头借势宣布了进军 AI 芯片领域的消息，但其实，即便没有中兴事件，研发AI 专用芯片也已经被提上这些企业的日程。
在芯片，尤其是“中芯”霸占了舆论头条的日子，焦虑、恐慌、反思、质疑……各种情绪也随之涌现。
但在长篇累牍的报道中，能简单明快地把复杂“芯”事讲清楚，又不失专业性的文章寥寥无几。
中兴被禁搅起的自研芯片风波一直未停息。国内不少创业公司甚至互联网巨头借势宣布了进军 AI 芯片领域的消息，但其实，即便没有中兴事件，研发AI 专用芯片也已经被提上这些企业的日程。
这是因为，人工智能的快速发展离不开三个核心要素：数据、算法和计算力。考虑到AI算法开源的发展趋势以及巨头对数据的垄断优势，计算力层面的AI芯片可能成为人工智能新的战略高地。
凭借着在深度学习领域性能强大的 GPU，英伟达在人工智能时代一骑绝尘，收割了 AI 第一波红利。但 AI 芯片这块蛋糕着实诱人，再加上垄断人工智能训练市场的英伟达 GPU 实在太贵，即便是有英伟达这座大山横亘在前，也拦不住创业者和互联网巨头从中寻找自己的机会。
国内缘何在此时掀起 AI 芯片创业大潮? AI芯片泡沫之下到底是谁在裸泳? 而中国是否有机会出现“国产英伟达”?
风起
4月19日，阿里巴巴对外透露，阿里巴巴达摩院正在研发一款神经网络芯片——Ali-NPU。这款芯片将运用于图像视频分析、机器学习等AI推理计算。
紧接着，一直被认为是人工智能硬件公司的 Rokid ，其CEO 也在朋友圈宣布自研 AI 芯片，“打响中美贸易反击战第二枪”。Rokid一周前刚刚宣布原三星半导体(中国)所长周军加盟，担任Rokid基础平台副总裁。外界猜测这一举动大概率是在为 AI 芯片做准备。
而在去年10月深鉴科技 A+轮融资发布会上，深鉴官方表示，由深鉴自主研发的芯片“听涛”、“观海”将在2018年第三季度推出，算算时间，差不多也就剩两个月了。
不久前，脱胎于伯克利大学、以低功耗端计算 (Edge Computing) AI芯片为核心技术的硅谷创业团队 OURS 也宣布于今年正式进入中国市场。值得一提的是，OURS创始人谭章熹是新晋图灵奖得主David Patterson院士的两个华人门徒之一，David Patterson是RISC 架构标准的开创者之一，谷歌TPU团队的主要传道者之一，也是OURS目前的顾问。
算上已经流片(像流水线一样通过一系列工艺步骤制造芯片)的寒武纪、地平线科技、比特大陆等初创公司，以及华为、海康威视、大华、大疆等著名硬件厂商，人工智能芯片市场更热闹了。
从2017年底，AI 芯片创业就迎来大爆发。到2018年，这一势头有增无减，赛道上参与者众。
AI 芯片，缘何在此时迎来爆发?
溯源
“英伟达的 GPU 实在是太贵了!”国内一家人工智能创业公司 CEO 向记者抱怨。
这个贵表现在两方面：一方面是本身售价高。比如使用在自动驾驶汽车上的Drive PX2，公开售价1.5万美元，也就是说只要使用这一自动驾驶平台，每台车售价就增加了近十万元人民币。另一方面，GPU 作为通用芯片，考虑到通用性和修改的灵活性，在设计的时候需要加入很多预留的模块，所以功耗会很高，换句话说，也就是电费极其贵。
除了功耗高以外，通用AI 芯片由于针对性、反应速度也不如专用芯片。
随着物联网的发展以及人工智能走向应用层面，低功耗、高效率的 AI 芯片成为市场新痛点，出于节省成本和提高效用的需求，很多 AI 创业公司决定自己做芯片。
同时，AI 芯片在世界范围内发展历史短、技术研发门槛低，也是国内 AI 芯片赛道玩家众多的原因之一。“从整体上看，中美芯片水平差距在十年以上，AI相关领域是难得的同一起跑线的行业了。”芯片行业一不愿具名的内部人士表示。
而造成 AI 芯片看起来如此繁荣的另一个原因，Rokid 创始人祝铭明毫不讳言：“大部分声称做 AI 芯片的都是假的。”
这一观点也得到另一 AI 芯片公司 CEO 的认可。“从创业公司角度来看，市面上八九成以上声称做 AI 芯片的其实都是噱头，为了融资而已。”
“虽然做芯片门槛不低，但AI 芯片依然泡沫不少。”多名芯片产业相关人士向记者表达了类似观点。一些声称在自研AI 芯片的团队，既不具备相关人才储备，也难以查到流片信息，联想到芯片行业著名的“汉芯事件”(2003年2月，陈进负责的团队推出的“汉芯一号”，不过是从美国一家公司买回的芯片，雇人将芯片表面的原有标志用砂纸磨掉，然后加上“汉芯”标志“研制”而成，却因为其欺骗成功，被鉴定为“完全拥有自主知识产权的高端集成电路”，是“我国芯片技术研究获得的重大突破”)，这些团队是否真的在自研芯片，外界都有疑问。
前景
国内的 AI 芯片公司大多瞄准的是执行推断任务的推断层芯片，尤其是端侧 AI 芯片(即使用在终端设备上的芯片)。
深度学习分为模型训练与智能推断两个阶段。
训练阶段需要输入大量数据，或采取增强学习等非监督学习方法，训练出一个复杂的深度神经网络模型。中国发展人工智能在大数据方面的优势也集中体现在训练阶段。
训练阶段就像是人的学习阶段，需要通过大量外界信息来形成自己的判断逻辑。由于涉及海量的训练数据和复杂的深度神经网络结构，这一阶段需要的计算规模非常庞大，通常需要GPU集群训练几天甚至数周的时间。
在训练环节，英伟达GPU目前扮演着难以取代的角色。目前，国内所有人工智能公司在训练阶段都离不开 GPU。
训练所需芯片不仅开发周期长、投入成本巨大，而且除硬件本身外，还需建立芯片背后的整个完整生态，为开发者提供足够友好、易用的工具环境，让他们能够迅速获取到深度学习加速算力。
也就是说，训练层芯片是巨头的战场，普通初创公司在这一领域难以看到机会。
而推断环节则是指利用训练好的模型，使用新的数据去“推断”出各种结论，类似人类运用已经学到的知识解决具体问题。
按照推断环节放在云端还是用户设备上，推断又可具体划分为云侧推断和端侧推断(即边缘计算)。
BAT 在云端皆早有布局，初创玩家入局，只能从端侧入手。
并且，随着物联网的发展以及人工智能应用场景的扩展，在诸如自动驾驶等一些领域，云端计算弊端凸显。
一方面，与云端进行大量的数据传输将产生极大的功耗，需要支付高昂电费，同时也给数据传输网络带来压力;另一方面，存在延迟、实时性不强也是云端 AI 的弊端所在。
边缘计算(即端侧计算)的需求日益增强，低功耗端侧 AI 芯片或成创业公司下一个战场。
“但AI 芯片领域泡沫还是存在的，借用巴菲特的话说，只有当潮水退去的时候,才知道是谁在裸泳。”OURS 创始人谭章熹如是说。
