打破平衡，AI革命正催生一场各怀“芯”思的军备竞赛

多年来，半导体世界似乎已经有了一种稳定的平衡状态：英特尔击败了服务器领域几乎所有RISC处理器，让其x86系列成为了主导者。而GPU领域起步较晚的英伟达，在上世纪90年代就已淘汰了大部分的竞争对手，如今只剩下ATI、AMD在该市场上仍占据一小部分份额。

在较新的移动领域，似乎也是一个这样的垄断故事：ARM领导着这个市场。英特尔曾尝试用Atom处理器与之竞争，但最后还是在2015年选择了放弃。

即使这样，似乎一切又都有所改变。如今，AMD重新成为了x86的竞争对手；现场可编程门阵列（FPGA）引领了一个新的利基市场；而人工智能和机器学习的出现也让芯片市场发生了动荡。可以说，随着这些新兴技术的出现，大量的新处理器已经到来。

小智君（ID：Aiobservation）整理如下：
2016年，英特尔收购创业公司Nervana Systems进入AI芯片市场，随后又收购了Movidius开发图像处理AI；
微软正在为其HoloLens VR / AR耳机开发AI芯片，并有可能在其他设备中使用；
谷歌自研了一款用于神经网络的AI芯片——张量处理单元（TPU），用于谷歌云平台上的AI应用程序；
有报道称，亚马逊正在为其Alexa开发AI芯片；
苹果正在开发一款名为神经引擎（Neural Engine）的AI处理器，为Siri和FaceID提供动力；
ARM最近推出了两款新处理器，专注于图像识别的ARM机器学习处理器和ARM物体检测（Object Detection）处理器；
IBM正在开发专门的人工智能处理器，还从英伟达获得NVLink许可，用于人工智能和机器学习的高速数据传输；
即使像特斯拉这样的非传统科技公司也希望进入这一领域，去年该公司首席执行官埃隆·马斯克承认前AMD和苹果芯片工程师Jim Keller （现已离职）将负责硬件制造。

![image]

(https://yqfile.alicdn.com/900f7f22bd1b15c1c86b799ed1b589a06773a61b.png)

答案有点复杂，就如人工智能本身。

原因一：投资、功耗和能效

虽然x86目前仍然是计算机的主要芯片架构，但它对于要执行高度专业化任务的AI来说，还是太普通了。研究员们对AI的终极目标是构建一个通用的服务器平台，因此，AI需要擅长一切。事实上，处理AI的实际任务与标准计算或GPU处理是完全不同的，因此研究人员认为定制AI芯片是必要的。

通常情况下，科学计算是以确定的方式进行的。比如，你想知道2加3等于5，并计算到所有的小数部分——x86和GPU做得很好。但人工智能的本质是，在不经过实际计算的情况下，可以学会2.5加3.5等于6。换句话说，人工智能的重要之处在于数据中的发现模式，而非确定性计算。

人工智能和机器学习的定义是从过去的经验中汲取教训并改进。一旦通过AI展开学习，便不会再需要进行重新学习了，这是机器学习的标志（人工智能更高定义的一个子集）。机器学习的核心是用算法解析数据，从中学习后根据数据进行判断或预测。

这种预测性问题解决的结果是AI计算可以通过单精度计算完成。因此，虽然CPU和GPU都能很好地完成，但它们对于任务来说是多余的。单精度芯片可以承担这项任务，并在更小，更低功耗的情况下完成。

毫无疑问，功耗和范围对于芯片来说是一个大问题，特别是对人工智能，因为一个尺寸并不能适用于该领域的所有情况。人工智能包含了机器学习，而机器学习包括了深度学习，所有技术都可以通过不同的设置部署到不同的任务中。

“不是每个AI芯片都一样，”英特尔旗下Movidius的营销总监Gary Brown表示。“每个芯片可以在不同时间处理不同的智能问题。我们的芯片是视觉智能，算法通过相机输入来从所看到的内容学习。这是我们的重点。“

同时，如果要在人手必备的智能手机或者AR耳机上嵌入AI，电源就成了最大的挑战。英伟达的Volta处理器可以说是人工智能领域的“霸主”，但功耗高达300瓦，所以，用于手机不现实。

当然，对专业化和高能效的追求也不是AI芯片存在的全部原因。IBM研究员兼IBM Power Systems的开发副总裁Brad McCredie提出了一个更为明显的原因：“几十年来，IT行业首次出现增长，而且是指数变化。同时，预计会有更多资金会进入这个行业，且都是围绕AI的。这种情况会导致大量的VC涌入该领域。毫无疑问，人们看到了淘金热。”

原因二：一个全新的生态系统

专注于人工智能的芯片不是凭空设计的，伴随它们的是处理人工智能和机器学习并行性的新方法。如果用标准PC的过时技术来构建AI协处理器，那就像将法拉利引擎放入了大众甲壳虫一样。

英特尔首席技术官兼Nervana联合创始人Amir Khosrowshahi说：“当人们谈论人工智能和AI芯片时，构建人工智能解决方案会涉及很多非AI技术，比如CPU，内存，SSD和互连等。让所有这些发挥作用很关键。”举个例子，当IBM为关键任务系统设计Power9处理器时，使用了英伟达的高速NVLink进行核心互连。

不过硬件本身不能在机器学习中的学习，软件起着重要作用。事实上，现在硬件和软件正在并行的轨道上发展，目的是支持新型AI芯片及其使用浪潮。开发了CUDA编程语言（CUDA允许开发人员编写应用程序并使用英伟达GPU进行并行处理）的前斯坦福大学教授Ian Buck指出在英伟达，软件和硬件团队的规模大致相同。

对Buck来说，人工智能代表一种新型计算的原因之一，是因为它构成了硬件和软件之间的一种新型关系。“我们不需要考虑向后兼容，我们正在重新设计处理这些任务的处理器并与软件一起运行。”

一场各怀“芯”思的军备竞赛

如今，在AI芯片领域有很多潜在的开发商，面临的最大问题是有多少可以进入市场，有多少会保留给供应商，还有多少会被淘汰。毕竟，现在多数AI芯片仍是空头支票。

很多设计AI芯片的非CPU制造商，如谷歌，Facebook和微软等，似乎都在正在针对自己的产品研发定制芯片，而且很可能不会将之推向市场。对拥有数十亿美元收入的他们来说，有资本投入到定制芯片的研发中，也无需立即得到回报。因此，用户可能会依赖谷歌的TPU作为其谷歌云服务的一部分，但却不会直接销售。这也是Facebook和微软想要的。

至于其他芯片，肯定会上市。英伟达最近宣布推出三款面向智能机器人的芯片Jetson Xavier，全球首款专为机器人设计的计算机。与此同时，英特尔承诺其代号为Spring Crest的首款商用神经网络专用人工智能芯片将在2019年发布。

但所有参与者都能存活下来吗？“未来，我们会看到人工智能的进化过程，”Gary Brown说。“如果想在数据中心使用AI，就需要一个芯片。我们可能会看到不同的芯片有不同的优势被集成到CPU中。或许，我们还有可能看到具有多种功能的芯片。”

是不是觉得这种发展有点似曾相识？其实，AI芯片的发展在某些方面可以与过去芯片的演变相匹配——从高度专业化和众多的竞争对手开始，到一些产品赢得关注，最后一些市场的领导者兼备多项功能。三十年前，80386是首屈一指的桌面芯片，之后是80486，最后CUP逐渐获得了安全扩展功能，发展成了GPU。

因此，与其他所有技术一样，新兴的AI芯片行业当前众多竞争对手的局面不会维持太久。OTAS的Doris指出，许多不上市的内部使用芯片将成为高级技术人员的关注项目。 Intersect360的Snell表示，AI芯片初创公司的数量也会减少，“现在有太多的AI芯片创企了，需要被整治。”事实上，大部分创业公司都只是希望开辟一个可以吸引大公司对其进行收购的利基市场而已。IBM的McCredie也表达了同样的观点，“我同意，这将是一个艰难的选择，但必须要缩小范围。”

或许，有一天，这个新芯片领域看起来与旧芯片领域别无两样——x86，英伟达GPU，ARM等。但就目前而言，这场AI芯片竞赛已经脱离了起跑线，并且其众多参赛者都打算继续坚持下去。

原文发布时间为：2018-07-10
本文作者：灰灰
本文来自云栖社区合作伙伴“人工智能观察”，了解相关信息可以关注“人工智能观察”。