AI芯片面临两个现实问题，第一我们没有一个覆盖所有算法的架构，需要在芯片当中实现一个具备深度学习的引擎，适应算法的引进，第二就是架构的可变性，要有高效的架构变换能力，目前的CPU加软件、CPU加FPGA，需要我们探索架构上的创新。清华大学微纳电子系主任、微电子所所长魏少军在智东西主办的GTIC 2018 全球 AI 芯片创新峰会上公开演讲时表示。

AI是一个相当宽泛的概念，虽然不少面向消费者的电子产品生产商在宣传页上印上AI相关字眼，但他们中也有人意识到AI产品的发展要历经多个不同的阶段，因此颇为审慎。

真正的智能化形式绝不仅仅是物联网和远程控制以及语音输入，这些目前还只是一些手段和零散的表现形式。我认为智能化终极目标还是要在减少用户的干预，洞察用户心理，随时做出内部调整以及增强产品的学习能力，使产品能够有思考及改善能力，逐渐上升到重视人类的情感需求方面，也就是最终让人通过产品的自发服务满足最高的情感需求。

要谈AI芯片，就必须先对AI下一个定义。

AI神经网络不是简单定义为某类产品，而是一个新的设计方法，传统的一些算法，是照规则、照逻辑的，神经网络是用数据训练出来的结果。

这就好比出行到指定地点，如果要先定一些规则（逻辑），比如提前选择出行方式、规划中转地点，最后到达，就是传统的“规则型”设计；如果是有输入和已知的输出，比如起点和终点，在样本足够多之后（数据训练）就可以提供一个新的算法，这需要AI芯片。

在芯片研发的过程中，既有传统的老牌厂商，也有科技新贵，是否会出现像通用CPU那样独立存在的通用AI处理器呢？

事实上，各家技术路线大相径庭，在不同的技术路线上探索着通用与优化的平衡。

以虚拟货币数字芯片起家的比特大陆提出，要实现AI芯片9个月迭代一版的速度，这是对摩尔定律18~24个月升级一次的时间赛跑，也是用ASIC技术对暗硅发起的一次挑战。

“暗硅”，即是由于功耗的限制，导致处理器同一时刻只有很少的一部分的门电路能够工作，而大部分处于不工作的状态，这部分不工作的门电路，在某一个计算时刻是完全无效的。

ASIC是为了特定应用而设计的集成电路，除了不能扩展以外，在功耗、可靠性、体积方面都有优势，尤是其在高性能、低功耗的移动端。在这条路上比特大陆并不孤单，既有谷歌的TPU在前方高举大旗，也有一众创业公司在机器视觉等垂直领域跟随。

“与传统芯片迭代速度相比，AI算法迭代更快。我们针对最新算法的需求、神经网络算法的共性基础，把它快速地放到芯片上。” 比特大陆产品战略总监汤炜伟说。

比特大陆2017年11月份推出的首款AI芯片，现在已经全线量产，兼顾训练和推理的功能，但以推理为主。他认为，训练和推理应该是两个不同的平台，未来比特大陆还是会侧重于推理。 “高性能计算它涉及到很多领域，所以我们在2015年底决定进入到AI这个领域，尤其深度学习这个领域，我们在已有的一些高性能计算这些芯片、硬件，还有一些软件算法的基础上，我们还大量引进了很多AI方面专业的人才。”汤炜伟说。

但比特大陆还没有考虑做终端芯片，提供的芯片将用于服务器。

目前业内使用最多的是GPU，因为它适用于单指令、多数据处理，可用于深度学习的训练和推理。英伟达AI技术中心亚太首席技术官接受我们采访时表示，英伟达要做通用性的芯片，“通用是我们的优势，ASIC是针对其中一个领域，而GPU不仅仅可以应用于AI训练还有图像渲染等等。”

他表示，新的算法一直在出现，为了适配新的算法，就需要重新做芯片，英伟达会收集客户的意见并改进，但不会因为所谓“风口”的转向而调整，比如去做专门挖矿的芯片。 做芯片是很冒险的，这么多公司在做是好事，说不定会有新的公司出很好的产品。我们的芯片性能体现，不仅仅是靠芯片自身的性能（raw performance），还有软件的性能。

此外，被大众关注较少，但有望把握住AI芯片发展机会的还有FPGA。FPGA适用于多指令，单数据流的分析，常用于预测阶段，因为没有内存和控制所带来的存储和读取部分在效率和功耗上具有一定优势，劣势是运算量并不是很大。

AI是FPGA是一个非常好的切入点，也是一个重新洗牌的机会点。FPGA的并行运算算法、设计不好写，因为人的逻辑都是一个单向的，要多角度去考虑，其实不是那么容易，通常要特别的设计方法。

简言之，芯片成品可以按照是否可编程进行划分。CPU、GPU、FPGA都是可编程的，下达不同指令就可以做不同的运算，而ASIC是不可编程、定制化的芯片。两者的区别可以粗略比较为买成衣还是高级定制。成衣的客户相对广泛，而高级定制如果要想努力变成一个标准产品因不能修改就没那么容易。

可编程，意味着通用，而定制化意味着某些方面的优化以其他方面的牺牲为代价。通用和优化是对立的，芯片厂商都在寻找着最佳的平衡点。

由于还不存在适用所有通用算法的AI芯片，确定应用领域就成为发展的重要前提。遗憾的是，AI的杀手级应用目前尚未出现，现存的应用还未形成刚需，即便如此，AI芯片还是出现了百家争鸣的气象。

机器视觉领域成为AI芯片的“兵家必争之地”，涌入了商汤、旷视、地平线等一众创业者，眼擎科技创始人、CEO朱继志也是其中之一。

在解决实际问题层面，芯片并不是眼擎科技的唯一方案，而是根据行业的不同情况提供从IP授权、模组、芯片到行业定制系列解决方案。眼擎科技看到，以CPU为代表的通用芯片垄断时代已经过去，AI产业已经产生了新需求，偏重于前端在图像收集阶段直接解决因弱光、反光、逆光而造成的图像质量不高和算法识别率低的问题。

朱继志的AI芯片之路是从上游的芯片领域开始做创新成像技术架构，以满足AI新市场的新需要。“视频图像技术有两种，一种是给到图片在后端进行分析，比如商汤科技。图像是怎么来的，这是我们的事情，在前端处理。前端处理必须要在前端实时处理完成，不能有延时或出错，像流水一样，两者技术路线是不一样的。” 朱继志说。

让人与机器在多种环境下都能自然沟通，构建更为高效、更具想象力的通用型AI生态也吸引着投资人的注意力。

AI芯片现在是两拨人在做，以寒武纪为代表的，他们原本就做芯片，在计算机体系结构和芯片设计方面比较有经验，另外一拨是以地平线为代表的，以前做的是软件算法，现在做芯片。前者更容易做出一个好用、可靠的产品，后者更偏向于提供整体解决方案，硬件不足的地方用软件补足。

芯片的成本高在设计研发阶段，设计好之后要经过昂贵的流片验证才能量产，如果没有大的客户，就无法分摊前期成本。即便研发成功，量产时也面临着上游产能受限的问题。

正是因为芯片的研发周期和成本都很高，硬蛋公关总监告诉我们，未来会考虑提供AI通用模块。“我们今年看到了AIOT的机会，就是人工智能与物联网的结合。硬蛋会把产业链上游的AI合作伙伴，如百度、云知声等，与硬蛋平台上的物联网项目对接，推出通用的AI模块。”

毫无疑问，国内的半导体行业正在蓬勃发展。已有消息传出国家成立的国家集成电路产业投资基金（下称“大基金”）第二期正在紧锣密鼓募资之中，筹资规模会超过一期，在1500亿~2000亿元左右。按照1∶3的撬动比，所撬动的社会资金规模在4500亿~6000亿元左右。

国家集成电路产业投资基金股份有限公司总裁去年10月份接受《中国电子报》采访时称，原计划首期募集资金1200亿元，通过各方的努力，实际募集资金达到了1387.2亿元。经过3年的运作，截至2017年9月20日，大基金累计决策投资55个项目，涉及40家集成电路企业，共承诺出资1003亿元，承诺投资额占首期募集资金的72%，实际出资653亿元，也达到首期募集资金的将近一半。

真正把AI芯片做成有竞争力，要有护城河，这是远超于芯片本身的事情。像阿里和腾讯争取入口流量一样芯片往应用层走，更好知道最终用户的实际需求，更好的定义芯片，需要有比较强的能效，有一定的AI处理架构，没有这样的架构都是一片浮云。

现在的发展太热了，甚至媒体在其中也起到了推波助澜的作用。AI芯片的发展很可能在未来2到3年遭遇一个挫折期，今天以满足特定应用为主要目的的AI芯片需要思考何去何从，今天的部分甚至大部分创业者将成为此次技术变革中的先烈。

毫无疑问，这将是AI发展中最令人钦佩也最令人动容的伟大实践。