不客氣的說，大多數AI芯片都得死

　　不久前，谷歌在I/O大會發布了其第三代TPU，并宣稱其性能比去年的TUP 2.0提升8倍之多，達到每秒1000萬億次浮點計算，同時谷歌展示了其一系列基于TPU的AI應用。

　　可以說，AI已經成為科技行業除了區塊鏈之外最熱門的話題。AI芯片作為AI時代的基礎設施，也成為目前行業最熱門的領域。

　　可以看到，AI芯片已經成為資本追逐的最熱門領域，資本對半導體芯片的熱情被AI技術徹底點燃。在創業公司未真正打開市場的情況下，AI芯片初創企業已經誕生了不少的獨角獸，多筆融資已經超過億元。

　　AI技術的革新，其從計算構架到應用，都和傳統處理器與算法有巨大的差異，這給創業者和資本市場無限的遐想空間，這也是為什么資本和人才對其趨之若鶩的原因。

　　但是，產業發展還是要遵循一定的產業規律，「商業技術評論」認為，絕大多數AI芯片公司都將成為歷史的炮灰，最后，在云端和終端只剩下為數極少的幾個玩家。

　　為何這么說，請聽本社慢慢道來!

　　首先我們來分析下目前對AI芯片的需求主要集中在哪些方面。

　　先來講講AI目前芯片大致的分類：從應用場景角度看，AI芯片主要有兩個方向，一個是在數據中心部署的云端，一個是在消費者終端部署的終端。從功能角度看，AI芯片主要做兩個事情，一是Training(訓練)，二是Inference(推理)。

　　目前AI芯片的大規模應用主要還是在云端。云端的AI芯片同時做兩個事情：Training和Inference。Training即用大量標記過的數據來“訓練”相應的系統，使之可以適應特定的功能，比如給系統海量的“貓”的圖片，并告訴系統這個就是“貓”，之后系統就“知道”什么是貓了;Inference即用訓練好的系統來完成任務，接上面的例子，就是你將一張圖給之前訓練過的系統，讓他得出這張圖是不是貓這樣的結論。

　　Training和Inference在目前大多數的AI系統中，是相對獨立的過程，其對計算能力的要求也不盡相同。

　　Training需要極高的計算性能，需要較高的精度，需要能處理海量的數據，需要有一定的通用性，以便完成各種各樣的學習任務。

　　Inference相對來說對性能的要求并不高，對精度要求也要更低，在特定的場景下，對通用性要求也低，能完成特定任務即可，但因為Inference的結果直接提供給終端用戶，所以更關注用戶體驗的方面的優化。

　　Training將在很長一段時間里集中在云端，Inference的完成目前也主要集中在云端，但隨著越來越多廠商的努力，很多的應用將逐漸轉移到終端。

　　然后我們來看看目前的市場情況。

　　1、云端市場已被巨頭瓜分殆盡，創業公司生存空間幾乎消失。

　　云端AI芯片無論是從硬件還是軟件，已經被傳統巨頭控制，給新公司預留的空間極小。下面這張圖是Compass Intelligence公布了全球AI芯片榜單。因為AI芯片目前在終端應用極少，所以榜單頭部的排名可以近似的認為就是云端AI芯片的目前市場格局。