未來十年AI市場：驚人的增長

到 2033 年，全球 AI 芯片市場將增長到 2576 億美元，屆時最大的三個垂直行業是 IT 和電信、銀行、金融服務和保險 (BFSI) 以及消費電子。人工智能正在改變我們所知的世界；從 2016 年 DeepMind over Go 世界冠軍李世石的成功，到 OpenAI 的 ChatGPT 強大的預測能力，人工智能訓練算法的復雜性正在以驚人的速度增長，其中運行新開發的訓練算法所需的計算量似乎大約每四個月翻一番。為了跟上這種增長的步伐，人工智能應用程序需要的硬件不僅是可擴展的——允許隨著新算法的引入而延長壽命，同時保持較低的運營開銷——而且能夠在接近最終用戶的地方處理越來越復雜的模型。全面實現有效的物聯網需要雙管齊下的方法，即在云端和邊緣處理人工智能。

經過專家分析師一段時間的專注研究，IDTechEx 發布了一份報告，對全球 AI 芯片技術格局和相應市場提供了獨特的見解。包含與用于 AI 目的的 90 nm 至 3 nm 節點芯片的制造、設計、組裝、測試和封裝以及操作成本相關的嚴格計算。隨著半導體制造商轉向 3 nm 以上的更先進節點，IDTechEx 對設計成本和制造成本（每片晶圓的投資）進行了預測。

智能硬件的興起

設計硬件來實現某種功能的概念，特別是如果該功能是通過將對它們的控制從主（主機）處理器上移開來加速某些類型的計算，這并不是一個新概念；計算的早期看到 CPU（中央處理單元）與數學協處理器配對，稱為浮點單元 (FPU)，其目的是將復雜的浮點數學運算從 CPU 卸載到這個專用芯片，因為后者可以以更有效的方式處理計算，從而釋放 CPU 以專注于其他事情。隨著市場和技術的發展，工作負載也在發展，因此需要新的硬件來處理這些工作負載。這些專門工作負載之一的一個特別值得注意的例子是 GPU 的制作。

正如計算機圖形需要不同類型的芯片架構一樣，機器學習的出現也帶來了對另一種加速器的需求，一種能夠有效處理機器學習工作負載的加速器。

人工智能已列入全球議程

人工智能硬件和軟件的發展推動了全球的國家和地區資助計劃。由于具有 AI 功能的處理器和加速器依賴于半導體制造商，這些制造商能夠生產亞太地區數據中心內使用的芯片所需的更先進節點，因此制造 AI 芯片的能力取決于少數幾家公司。

到 2020 年，許多因素（例如新冠疫情大流行、干旱、制造設施火災爆發和稀有氣體采購困難）導致全球芯片短缺，半導體芯片供不應求。從那時起，半導體價值鏈中最大的利益相關者（美國、歐盟、韓國、日本和中國）一直在尋求減少制造赤字的風險，以防萬一出現導致平衡的另一組情況更加加劇了芯片短缺。國家和地區政府的舉措已經到位，以激勵半導體制造公司擴大業務或建設新設施。

進步的成本

機器學習是計算機程序利用數據根據模型進行預測，然后通過調整所用權重來優化模型以更好地適應所提供數據的過程。因此，計算涉及兩個步驟：訓練和推理。實施 AI 算法的第一個階段是訓練階段，在此階段，數據被輸入模型，模型調整其權重，直到它與提供的數據適當匹配。第二階段是推理階段，執行經過訓練的 AI 算法，并將新數據（在訓練階段未提供）以與獲取的數據一致的方式進行分類。在這兩個階段中，訓練階段的計算量更大，鑒于此階段涉及執行相同的計算數百萬次（一些領先的 AI 算法的訓練可能需要數天才能完成）。這就提出了一個問題：訓練人工智能算法需要多少錢？

為了量化這一點，IDTechEx 嚴格計算了 AI 芯片從 90 nm 到 3 nm 的設計、制造、組裝、測試和封裝以及運營成本。通過考慮具有給定晶體管密度的 3 nm 芯片將比具有相同晶體管密度的更成熟的節點芯片具有更小的面積，可以將為給定 AI 算法部署前沿芯片的成本與落后，邊緣芯片能夠為相同的算法提供相似的性能。例如，基于我們使用的 3 nm 芯片模型，如果具有給定面積和晶體管密度的 3 nm 芯片連續使用 5 年，所產生的成本將比具有相同晶體管密度的 90 nm 芯片連續運行 5 年的成本低 45.4 倍。