多年來，半導體世界似乎已經有了一種穩定的平衡狀态：英特爾擊敗了伺服器領域幾乎所有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争對手，如今隻剩下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上司着這個市場。英特爾曾嘗試用Atom處理器與之競争，但最後還是在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的競争對手；現場可程式設計門陣列（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晶片市場發生了動蕩。可以說，随着這些新興技術的出現，大量的新處理器已經到來。
小智君（ID：Aiobservation）整理如下：
2016年，英特爾收購創業公司Nervana Systems進入AI晶片市場，随後又收購了Movidius開發圖像處理AI；
微軟正在為其HoloLens VR / AR耳機開發AI晶片，并有可能在其他裝置中使用；
谷歌自研了一款用于神經網絡的AI晶片——張量處理單元（TPU），用于谷歌雲平台上的AI應用程式；
有報道稱，亞馬遜正在為其Alexa開發AI晶片；
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；
ARM最近推出了兩款新處理器，專注于圖像識别的ARM機器學習處理器和ARM物體檢測（Object Detection）處理器；
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資料傳輸；
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和蘋果晶片工程師Jim Keller （現已離職）将負責硬體制造。
![image]
(
https://yqfile.alicdn.com/900f7f22bd1b15c1c86b799ed1b589a06773a61b.png)這還是沒有将初創企業計入在内的情況。紐約時報稱曾報道稱，按照不完全統計，目前專注于晶片領域的初創公司已經達到了45家。那為什麼在晶片制造停滞多年之後，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。
答案有點複雜，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晶片架構，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的終極目标是建構一個通用的伺服器平台，是以，AI需要擅長一切。事實上，處理AI的實際任務與标準計算或GPU處理是完全不同的，是以研究人員認為定制AI晶片是必要的。
通常情況下，科學計算是以确定的方式進行的。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資料中的發現模式，而非确定性計算。
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，這是機器學習的标志（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資料，從中學習後根據資料進行判斷或預測。
比如AlphaGo通過大量的圍棋比賽來進行自我提升；Facebook的面部識别技術經過多年訓練學會了标簽照片；自動駕駛汽車的AI不是通過确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。是以，雖然CPU和GPU都能很好地完成，但它們對于任務來說是多餘的。單精度晶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，功耗和範圍對于晶片來說是一個大問題，特别是對人工智能，因為一個尺寸并不能适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定部署到不同的任務中。
“不是每個AI晶片都一樣，”英特爾旗下Movidius的營銷總監Gary Brown表示。“每個晶片可以在不同時間處理不同的智能問題。我們的晶片是視覺智能，算法通過相機輸入來從所看到的内容學習。這是我們的重點。“
同時，如果要在人手必備的智能手機或者AR耳機上嵌入AI，電源就成了最大的挑戰。英偉達的Volta處理器可以說是人工智能領域的“霸主”，但功耗高達300瓦，是以，用于手機不現實。
當然，對專業化和高能效的追求也不是AI晶片存在的全部原因。IBM研究員兼IBM Power Systems的開發副總裁Brad McCredie提出了一個更為明顯的原因：“幾十年來，IT行業首次出現增長，而且是指數變化。同時，預計會有更多資金會進入這個行業，且都是圍繞AI的。這種情況會導緻大量的VC湧入該領域。毫無疑問，人們看到了淘金熱。”
原因二：一個全新的生态系統
專注于人工智能的晶片不是憑空設計的，伴随它們的是處理人工智能和機器學習并行性的新方法。如果用标準PC的過時技術來建構AI協處理器，那就像将法拉利引擎放入了大衆甲殼蟲一樣。
英特爾首席技術官兼Nervana聯合創始人Amir Khosrowshahi說：“當人們談論人工智能和AI晶片時，建構人工智能解決方案會涉及很多非AI技術，比如CPU，記憶體，SSD和互連等。讓所有這些發揮作用很關鍵。”舉個例子，當IBM為關鍵任務系統設計Power9處理器時，使用了英偉達的高速NVLink進行核心互連。
不過硬體本身不能在機器學習中的學習，軟體起着重要作用。事實上，現在硬體和軟體正在并行的軌道上發展，目的是支援新型AI晶片及其使用浪潮。開發了CUDA程式設計語言（CUDA允許開發人員編寫應用程式并使用英偉達GPU進行并行處理）的前斯坦福大學教授Ian Buck指出在英偉達，軟體和硬體團隊的規模大緻相同。
對Buck來說，人工智能代表一種新型計算的原因之一，是因為它構成了硬體和軟體之間的一種新型關系。“我們不需要考慮向後相容，我們正在重新設計處理這些任務的處理器并與軟體一起運作。”
一場各懷“芯”思的軍備競賽
如今，在AI晶片領域有很多潛在的開發商，面臨的最大問題是有多少可以進入市場，有多少會保留給供應商，還有多少會被淘汰。畢竟，現在多數AI晶片仍是空頭支票。
很多設計AI晶片的非CPU制造商，如谷歌，Facebook和微軟等，似乎都在正在針對自己的産品研發定制晶片，而且很可能不會将之推向市場。對擁有數十億美元收入的他們來說，有資本投入到定制晶片的研發中，也無需立即得到回報。是以，使用者可能會依賴谷歌的TPU作為其谷歌雲服務的一部分，但卻不會直接銷售。這也是Facebook和微軟想要的。
至于其他晶片，肯定會上市。英偉達最近宣布推出三款面向智能機器人的晶片Jetson Xavier，全球首款專為機器人設計的計算機。與此同時，英特爾承諾其代号為Spring Crest的首款商用神經網絡專用人工智能晶片将在2019年釋出。
但所有參與者都能存活下來嗎？“未來，我們會看到人工智能的進化過程，”Gary Brown說。“如果想在資料中心使用AI，就需要一個晶片。我們可能會看到不同的晶片有不同的優勢被內建到CPU中。或許，我們還有可能看到具有多種功能的晶片。”
是不是覺得這種發展有點似曾相識？其實，AI晶片的發展在某些方面可以與過去晶片的演變相比對——從高度專業化和衆多的競争對手開始，到一些産品赢得關注，最後一些市場的上司者兼備多項功能。三十年前，80386是首屈一指的桌面晶片，之後是80486，最後CUP逐漸獲得了安全擴充功能，發展成了GPU。
是以，與其他所有技術一樣，新興的AI晶片行業目前衆多競争對手的局面不會維持太久。OTAS的Doris指出，許多不上市的内部使用晶片将成為進階技術人員的關注項目。 Intersect360的Snell表示，AI晶片初創公司的數量也會減少，“現在有太多的AI晶片創企了，需要被整治。”事實上，大部分創業公司都隻是希望開辟一個可以吸引大公司對其進行收購的利基市場而已。IBM的McCredie也表達了同樣的觀點，“我同意，這将是一個艱難的選擇，但必須要縮小範圍。”
或許，有一天，這個新晶片領域看起來與舊晶片領域别無兩樣——x86，英偉達GPU，ARM等。但就目前而言，這場AI晶片競賽已經脫離了起跑線，并且其衆多參賽者都打算繼續堅持下去。
原文釋出時間為：2018-07-10
本文作者：灰灰
本文來自雲栖社群合作夥伴“
人工智能觀察”，了解相關資訊可以關注“
”。