近日消息，據英特爾公布，公司人工智能處理器芯片在2017年的銷售額達10億美元。作為全球第二大芯片制造商，這是英特爾首次披露這類芯片的營收。隨著PC銷售停滯不前，英特爾越來越依賴數據中心業務——面向支持移動和網絡應用的數據中心出售芯片。這些應用依靠人工智能芯片實現照片和語音識別等功能。此外，這類芯片推動了英偉達等競爭對手的營收增長。

8月9日，特斯拉CEO埃隆·馬斯克也宣布，該公司的下一代無人駕駛汽車硬件可能會在明年初推出，并且將會配備其自主研發的人工智能芯片。

為了加大人工智能的研發，去年特斯拉雇傭了深度學習和計算機視覺專家安德烈·卡帕斯負責公司計算機視覺以及人工智能團隊。而現在，特斯拉也在研發自己的全新人工智能芯片。在特斯拉去年12月的一次活動中，馬斯克首次公開談到公司開發芯片的事。馬斯克在公司今年第二季度財報電話會議上表示，“很重要的是，我們研發了三年的特斯拉自動駕駛芯片技術終于要實現了?！?

有數據顯示，2017年芯片市場總收入超過4000億美元，預計2018年還將繼續增長。

隨著嵌入式AI芯片各種智能終端設備應用的增加，一般的處理器已經無法滿足終端設備智能特性的需求，所以越來越多的芯片制造商開始側重開發AI芯片，AI芯片初創公司也越來越多，大量風投正涌入AI芯片市場，整個AI芯片市場正蓬勃發展。

AI芯片也被稱為AI加速器或計算卡，即專門用于處理人工智能應用中的大量計算任務的模塊（其他非計算任務仍由CPU負責）。

要想了解AI芯片，必須先了解目前AI芯片的主要處理器類型和其應用領域的領先企業。

AI芯片類型

CPU（中央處理器）專為通用計算設計，主攻計算和邏輯控制功能，能高效處理單個復雜計算順序任務，但在大量計算方面表現低能。

GPU（圖形處理器）最初是用于圖像處理，現已成功應用在AI芯片上。GPU包含數千個內核，能同時處理數千個線程，可并行運行大量計算。

FPGA（現場可編程門陣列）是可編程邏輯芯片，擅長處理短小而密集的數據訪問。FPGA芯片允許用戶通過微小的邏輯塊對電路路數編程，可以處理任何類型的數字函數。

ASIC（專用集成電路）是客制化的特殊規格集成電路，由特定使用者要求和特定電子系統的需要而設計制造，相比FPGA，客制化的ASIC一旦投產就無法更改。

其他芯片類型，如神經網絡處理器（NPU），具有模擬人類大腦的體系結構，現在處于發展早期，未來有可能成為AI芯片主流。

當下，專用AI芯片能提供給機器學習技術需要的訓練算法和高運行計算能力，其需求正快速增長。

AI芯片應用領域

AI芯片主要有三個應用領域：訓練層、云計算層和邊緣設備計算層。

1、訓練層

數據訓練是用算法分析數萬億個數據樣本深度學習，并最終對現實世界做出智能回應。目前芯片制造商不僅需要提升處理器性能，還需要提供整個芯片系統—包括硬件，框架和其他支持工具—才能讓開發人員縮短AI技術開發流程。目前來說，NVIDIA和谷歌等公司是AI芯片數據訓練應用的領先企業。

NVIDIA是數據訓練的先行者，其開發人員研發了GPU的并行計算架構可以加速深度學習訓練過程。NVIDIA借此契機轉攻AI，并開發了一種專注于深度學習加速的新GPU架構Volta，這種GPU現已廣泛用于機器學習算法訓練，NVIDIA由此而在硬件數據訓練市場中占有一席之地。

谷歌已開發出TPU（Tensor Processing Units）和NVIDIA相競爭，TPU是專為深度學習和Google的TensorFlow框架而設計的一種ASIC。谷歌表示，其TPU可提供180萬億次浮點運算性能，是NVIDIA最新數據中心GPU Tesla V100的六倍?；贏lphaGo和數百萬用戶的云服務，谷歌未來將在數據訓練市場上擁有巨大潛力。

2、云計算層

一個成熟的機器學習模型，要想應用在AI領域（如圖像識別或機器翻譯），其設計過程極其復雜，而一般的推理計算密集度過高而無法應用在邊緣設備上，所以在AI應用領域采用云計算是必須的。

數千人同時使用一個應用程序時，云服務器的功能需要足夠強大才能支撐復雜的運算。FPGA擅長處理低延遲和計算密集型任務，允許云服務公司修改芯片，所以FPGA芯片可以成為云服務器功能需求的首選?，F在很多傳統芯片制造商，云服務供應商和初創公司已經在尋找開發FPGA解決方案。

英特爾是開發異構計算技術的公司之一。2015年英特爾收購了芯片制造商Altera升級其FPGA技術，現已開發出用于深入學習云計算的CPU + FPGA混合芯片，這種混合芯片具備兩種處理器的優勢，不僅可提供計算能力，而且還有高內存帶寬和低延遲的特性。微軟已采用這種技術加速其Azure云服務。

國內科技巨頭騰訊也是云服務提供商，目前正在開發FPGA解決方案支撐云計算，已經為其云服務云虛擬機開發了中國首個“FPGA云計算”服務。同基于CPU的云服務器相比，FPGA集成CVM能為HPC應用程序和深度學習開發提供更好的計算能力。使用了云端訪問的FPGA便不再需要購買硬件，降低了AI應用程序的開發成本。此外，騰訊也正在開發商業用途的第三方AI應用程序。

3、邊緣計算層

隨著智能手機、傳感器、可穿戴設備以及智能家電等設備走向物聯網化，會產生海量數據，而現有云計算帶寬和計算資源還無法高效處理龐大的數據。所以，在網絡邊緣端處理源數據，篩選出有效信息并傳輸到云端將成為一種新的計算模型，這種方式能有效降低云中心的網絡帶寬和計算負載。

此外，近幾年來芯片體積逐漸縮小到幾乎可以嵌入任何設備，邊緣計算也就變得更加可行。像無人機、機器人、VR和AR沉浸式體驗設備，自動駕駛汽車等未來都需要特定的AI硬件支持，為了滿足不同設備的需求，許多初創公司正在推出自家ASIC芯片，而且大芯片制造商也在處理器中增加了AI功能。

比如國內手機和處理器生產商華為，就在嘗試集成AI芯片來提升其系統芯片性能。華為采用了寒武紀的NPU，并推出了其旗艦智能手機Mate 10的SoC Kirin 970，這種AI芯片集成讓手機相機的圖像處理功能更強大。

AI的發展必然會帶動芯片市場的變化。算法開發框架隨時都在更新變化，即使是像英偉達和谷歌這樣目前引領著訓練層市場的公司也隨時可能會面臨新的競爭。此外，越來越多的AI應用程序正在開發中，整個云計算市場不斷增長，云服務提供商之間的競爭也將會加劇。當然邊緣計算市場也是現在和將來大公司們和創業公司競爭激烈的區域。（編譯：Sharon）