打破平衡，AI革命正催生一場各懷“芯”思的軍備競賽

　　上周，百度宣布了自家首款云端AI芯片的進展。一石激起千層浪，芯片熱潮再次走進了人們的視線。從國內的情況來看，中國目前已經涌現出了地平線、寒武紀、深鑒科技、中芯微等一批明星初創企業。而在國外，隨著PC芯片需求量下滑，連續幾年走下坡路的芯片巨頭英特爾也開始了向AI芯片的轉型。此外，互聯網巨頭谷歌、車企巨頭特斯拉、社交巨頭Facebook也紛紛加入了芯片戰場。在人工智能革命的影響下，一場新的芯片軍備競賽即將展開。

　　多年來，半導體世界似乎已經有了一種穩定的平衡狀態：英特爾擊敗了服務器領域幾乎所有RISC處理器，讓其x86系列成為了主導者。而GPU領域起步較晚的英偉達，在上世紀90年代就已淘汰了大部分的競爭對手，如今只剩下ATI、AMD在該市場上仍占據一小部分份額。

　　在較新的移動領域，似乎也是一個這樣的壟斷故事：ARM領導著這個市場。英特爾曾嘗試用Atom處理器與之競爭，但最后還是在2015年選擇了放棄。

　　即使這樣，似乎一切又都有所改變。如今，AMD重新成為了x86的競爭對手;現場可編程門陣列(FPGA)引領了一個新的利基市場;而人工智能和機器學習的出現也讓芯片市場發生了動蕩。可以說，隨著這些新興技術的出現，大量的新處理器已經到來。

　　小智君整理如下：

　　1、2016年，英特爾收購創業公司Nervana Systems進入AI芯片市場，隨后又收購了Movidius開發圖像處理AI;

　　2、微軟正在為其HoloLens VR / AR耳機開發AI芯片，并有可能在其他設備中使用;

　　3、谷歌自研了一款用于神經網絡的AI芯片——張量處理單元(TPU)，用于谷歌云平臺上的AI應用程序;

　　4、有報道稱，亞馬遜正在為其Alexa開發AI芯片;

　　5、蘋果正在開發一款名為神經引擎(Neural Engine)的AI處理器，為Siri和FaceID提供動力;

　　6、ARM最近推出了兩款新處理器，專注于圖像識別的ARM機器學習處理器和ARM物體檢測(Object Detection)處理器;

　　7、IBM正在開發專門的人工智能處理器，還從英偉達獲得NVLink許可，用于人工智能和機器學習的高速數據傳輸;

　　8、即使像特斯拉這樣的非傳統科技公司也希望進入這一領域，去年該公司首席執行官埃隆·馬斯克承認前AMD和蘋果芯片工程師Jim Keller (現已離職)將負責硬件制造。

　　這還是沒有將初創企業計入在內的情況。紐約時報稱曾報道稱，按照不完全統計，目前專注于芯片領域的初創公司已經達到了45家。那為什么在芯片制造停滯多年之后，又突然爆發了呢?畢竟，在多數人看來，英偉達的GPU對AI而言是夠用的。

　　答案有點復雜，就如人工智能本身。

　原因一：投資、功耗和能效

　　雖然x86目前仍然是計算機的主要芯片架構，但它對于要執行高度專業化任務的AI來說，還是太普通了。研究員們對AI的終極目標是構建一個通用的服務器平臺，因此，AI需要擅長一切。事實上，處理AI的實際任務與標準計算或GPU處理是完全不同的，因此研究人員認為定制AI芯片是必要的。

　　通常情況下，科學計算是以確定的方式進行的。比如，你想知道2加3等于5，并計算到所有的小數部分——x86和GPU做得很好。但人工智能的本質是，在不經過實際計算的情況下，可以學會2.5加3.5等于6。換句話說，人工智能的重要之處在于數據中的發現模式，而非確定性計算。

　　人工智能和機器學習的定義是從過去的經驗中汲取教訓并改進。一旦通過AI展開學習，便不會再需要進行重新學習了，這是機器學習的標志(人工智能更高定義的一個子集)。機器學習的核心是用算法解析數據，從中學習后根據數據進行判斷或預測。

　　比如AlphaGo通過大量的圍棋比賽來進行自我提升;Facebook的面部識別技術經過多年訓練學會了標簽照片;自動駕駛汽車的AI不是通過確定的事物來判斷周圍物體的活動路徑，而是通過以往的經驗表示曾有另一輛車以這種方式行駛。

　　這種預測性問題解決的結果是AI計算可以通過單精度計算完成。因此，雖然CPU和GPU都能很好地完成，但它們對于任務來說是多余的。單精度芯片可以承擔這項任務，并在更小，更低功耗的情況下完成。

　　毫無疑問，功耗和范圍對于芯片來說是一個大問題，特別是對人工智能，因為一個尺寸并不能適用于該領域的所有情況。人工智能包含了機器學習，而機器學習包括了深度學習，所有技術都可以通過不同的設置部署到不同的任務中。