[[333019]]

本文轉(zhuǎn)載自微信公眾號「AI前線」，作者劉燕 。轉(zhuǎn)載本文請聯(lián)系A(chǔ)I前線公眾號。

 AI 芯片進入了市場檢驗期。

技術(shù)研發(fā)關(guān)卡“無芯片不 AI”。最近幾年，業(yè)界縈繞著對摩爾定律失效的擔憂。后摩爾定律時代，AI 芯片的崛起被寄予厚望。

AI 芯片一度站上了風(fēng)口，熱度空前，與此同時，挑戰(zhàn)尤存。現(xiàn)階段的 AI 芯片處在發(fā)展早期，尚有諸多技術(shù)痛點待攻克。

在設(shè)計、研發(fā)上，一個最大的技術(shù)挑戰(zhàn)在于 如何跟得上 AI 算法的演進。 芯片研發(fā)速度往往落后于 AI 語言的迭代速度，很多芯片做出來時，AI 算法已發(fā)生了較大的改變，甚至已過時了。因此在芯片設(shè)計時，預(yù)測未來的前沿算法趨勢十分重要。

架構(gòu)創(chuàng)新能力也是核心競爭力之一。擺在設(shè)計和研發(fā)前的第一個大難題就是解決架構(gòu)問題，要具備適應(yīng)所有應(yīng)用的架構(gòu)。正確的架構(gòu)取決于對 AI 的理解，一些專家芯片設(shè)計能力很強，但對 AI 的計算或應(yīng)用特點理解不深入，一些 AI 算法科學(xué)家在底層知識上有所欠缺。AI 芯片的核心要點在于對整個 AI 算法、硬件能力有宏觀認知，及對未來發(fā)展趨勢有精準預(yù)判，具備這一綜合能力難度不小。去年初，圖靈獎得主 John L .Hennessy 和 DavidA. Patterson 曾在二人的合著論文中預(yù)判，未來十年，計算機架構(gòu)將迎來新的黃金時代。

投入成本高企、進入門檻高、周期長、回報率低是整個 AI 芯片產(chǎn)業(yè)“頭頂”的幾座大山，也是目前行業(yè)發(fā)展的現(xiàn)實情況。一款 AI 芯片的研發(fā)周期一般在 18 個月左右，一款 AI 芯片產(chǎn)品問世后，可能要歷經(jīng) N 次迭代后才能獲得較大市場份額，這是一個更考驗?zāi)托暮晚g性的行業(yè)。目前國內(nèi)約有十幾家公司實現(xiàn)了實現(xiàn) AI 芯片量產(chǎn)，包括華為、寒武紀、依圖、鯤云等公司。

億歐智庫調(diào)研數(shù)據(jù)顯示，以終端常用的 28nm 制程的芯片為例，國內(nèi) AI 系統(tǒng)芯片的開發(fā)費用約為 2500 萬美元。新鼎資本創(chuàng)始人張馳曾在接受 InfoQ 采訪時表示，寒武紀等 AI 芯片公司的研發(fā)支出主要花在流片上，高精尖工藝造成了流片成本高。一般一款芯片流片費用在千萬起步，如果要做到 7 納米，至少要花費五千萬，這還不包括流片失敗的費用。像寒武紀這種體量的公司，一般一款芯片流片的體量可能在三千萬 - 五千萬左右，甚至有可能單次上億。

英國 AI 芯片創(chuàng)企 Graphcore 高級副總裁兼中國區(qū)總經(jīng)理盧濤對 InfoQ 表示，一款 AI 芯片的研發(fā)成本主要包括 5 個方面：

開發(fā)工具的成本。

IP 購買成本。如果內(nèi)部 IP 積累較少，需要購買 IP，成本約在千萬美金級別。

后端設(shè)計成本。如果沒有后端設(shè)計工藝，就需要依靠 Broadcom、IBM、TI 這樣的公司提供幫助。一些較新的工藝或涉及更高昂的成本。

人力成本。一般做一個 AI 處理器的團隊要在 100 人左右，且只能做一款產(chǎn)品。如果要保持像目前頭部廠商這樣的迭代速度，可能要并行做好幾個產(chǎn)品，這是一塊很大的成本投入。

失敗成本。經(jīng)驗比較豐富的團隊可能一版能成功，如果不成功，又需要做好幾版，這都意味著高成本投入。

“更高性能，更低功耗，更小面積，更低成本”是芯片設(shè)計永恒的追求目標。 這些指標除與設(shè)計相關(guān)外，更關(guān)鍵的影響因素是芯片采用的工藝，在同等芯片面積下，更先進的工藝明顯有助于提升峰值性能和能效比，但這也會讓芯片成本顯著提升。

鯤云科技 COO 王少軍認為，架構(gòu)創(chuàng)新不僅考驗的是芯片公司的硬件設(shè)計能力，作為專用芯片來說，還考驗對專用領(lǐng)域的應(yīng)用理解和轉(zhuǎn)化能力，在 AI 領(lǐng)域，這主要體現(xiàn)在對算法的深入理解和準確的發(fā)展趨勢判斷。而摩爾定律終結(jié)的質(zhì)疑聲在一定程度上說明了業(yè)界對芯片工藝水平持續(xù)提升的能力、速度和成本的擔憂。他認為，單純依靠工藝提升來解決性能問題的技術(shù)路線在不久的將來將面臨巨大挑戰(zhàn)。

基于這個判斷，鯤云科技更重視芯片利用率和實測性能，希望通過架構(gòu)創(chuàng)新為客戶提供更高的算力性價比。一周前，鯤云科技發(fā)布了全球首款數(shù)據(jù)流架構(gòu)的 AI 芯片 CAISA，據(jù)悉，搭載 CAISA 芯片的加速卡僅擁有英偉達同類產(chǎn)品 1/3 的峰值算力，但其通過 95.4% 的芯片利用率可實現(xiàn)最高 3.91 倍的實測性能提升。數(shù)據(jù)流架構(gòu)或是未來提升 AI 芯片性價比的一條可行性技術(shù)路線。

落地下半場AI 芯片實現(xiàn)極致性價比也與應(yīng)用強相關(guān)。 盧濤覺得，如果在一些應(yīng)用中，能夠做到 5 倍、10 倍、20 倍的性能時，性價比的問題也就變得簡單了。

找到合適的場景，實現(xiàn)利潤率合理的、規(guī)模化的出貨量，并逐步搭建起自己的生態(tài)圈，是衡量一家 AI 芯片公司商業(yè)化路徑成功的關(guān)鍵標準。

智慧安防、智能終端、自動駕駛、云計算等場景是目前 AI 芯片主要的應(yīng)用場景，尤其在安防領(lǐng)域，幾乎所有的 AI 芯片公司都在該領(lǐng)域有所布局，安防硬件巨頭們也都在緊鑼密鼓進行 AI 芯片研發(fā)。

自動駕駛是其中落地較快，能夠相對獨立地為用戶提供價值，頗具應(yīng)用潛力的場景?，F(xiàn)在自動駕駛技術(shù)在實際落地上還不成熟，有些“雷聲大、雨點小”，這也在很大程度上限制了 AI 芯片的落地。

長期關(guān)注 AI 芯片行業(yè)的媒體人劉宇(化名)對自動駕駛的未來持懷疑態(tài)度。他認為，自動駕駛本身就不靠譜。在他看來，“靠譜”的 AI 芯片應(yīng)該具備類似指紋識別這種應(yīng)用特征 — 計算量不大、有效性好、成本足夠低。另外，不要與深度學(xué)習(xí)過度“綁定”，因為深度學(xué)習(xí)的紅利基本上已經(jīng)被“吃盡”了。

劉宇對一些 AI 芯片公司的商業(yè)模式感到有些失望。“它們基本上都是 TO VC 路線，為了更好地投資人講好故事，它們存在的前提就是不斷有人來融資。有些公司真正的商業(yè)模式是‘以芯片為名’拿地，營收主要來自房地產(chǎn)、政府補助等”。

今年 4 月，寒武紀 披露的 IPO 文件顯示，其 AI 芯片研發(fā)投入巨大，但盈利和落地狀況堪憂。在與前第一大客戶華為“分手”之后，寒武紀的前五大客戶中，第一大、第二大客戶均為政府，存在客戶集中度過高且高度 TO G 的問題。寒武紀是國內(nèi) AI 芯片的第一梯隊，其財務(wù)表現(xiàn)也是整個行業(yè)盈利能力的縮影，現(xiàn)階段，能夠?qū)崿F(xiàn)盈利的 AI 芯片公司還寥寥無幾。

也是在這個月，有外媒消息稱，美國 AI 芯片公司 Wave Computing 接近倒閉，已申請破產(chǎn)保護。今年年初，比特大陸的 AI 芯片業(yè)務(wù)被曝大幅裁員。上述現(xiàn)象不禁令人對國內(nèi)外 AI 芯片公司的生存狀況感到擔憂。

AI 芯片是資金投入最大的 AI 垂直領(lǐng)域之一。當資本市場有較大波動時，影響必然會傳導(dǎo)到 AI 芯片創(chuàng)業(yè)公司。 受自 2018 年下半年開始的資本寒冬，以及外部不確定性的大環(huán)境等因素影響，有些投資人也從“不能不看 AI 芯片項目了”變成了“不再看 AI 芯片項目了”。資本市場逐漸趨于理性為 AI 芯片創(chuàng)業(yè)公司的落地帶來了很大壓力，在還沒賺到錢之前，它們不得不開始“勒緊”自己的錢袋子了。

王少軍認為“錢荒”問題并沒有那么嚴重。他所認識的大部分 AI 芯片企業(yè)都發(fā)展不錯，有一些存在問題的多是經(jīng)營與戰(zhàn)略問題。他認為，市場上優(yōu)質(zhì)的 AI 芯片公司在商業(yè)化落地上逐步找到了定位，有了持續(xù)造血的能力。“大多數(shù) AI 芯片公司還是認真做產(chǎn)品、認真推落地的，在目前行業(yè)逐步重視落地、回歸商業(yè)本質(zhì)的趨勢下，AI 行業(yè)的發(fā)展會逐步進入良性增長的趨勢”。

AI 芯片從產(chǎn)品到實現(xiàn)商業(yè)化落地，這中間存在著巨大的鴻溝。 首先是技術(shù)層面上的，當一款 AI 芯片出來后，是否有良好的工具鏈、支持大規(guī)模商用部署的豐富軟件庫，能否與主流機器學(xué)習(xí)框架實現(xiàn)無縫銜接。對于用戶來說，是否具備良好的可移植性、可開發(fā)性及可部署性能。

更為重要的，是怎樣在行業(yè)扎下根去。

聲智科技合伙人 &CSO 李智勇認為，AI 芯片實現(xiàn)落地的核心點不是技術(shù)問題，而是如何實現(xiàn)市場化并完成商業(yè)閉環(huán)(從技術(shù) - 產(chǎn)品 - 用戶反饋)的問題。 芯片周期長、投入大，形成商業(yè)閉環(huán)的挑戰(zhàn)更大。消化技術(shù)紅利的過程滿足產(chǎn)品化和用戶正向反饋兩個條件時，落地規(guī)模才能持續(xù)放大，進而出現(xiàn)并擴寬盈利空間。

而且，就 AI 落地而言，目前主要有兩種思路，其一是采用含算法的 ASIC 芯片，其二是采用通用芯片 + 算法在云端的通用系統(tǒng)。在不同場景中兩種途徑各有優(yōu)勢，在語音交互場景下聲智科技選擇了第二種，推出多模態(tài)人工智能交互系統(tǒng) SoundAI Azero，可屏蔽不同底層操作系統(tǒng)的差異，提供簡單易用的技能開發(fā)工具和 Turnkey 軟硬件解決方案，滿足萬物互聯(lián)時代不同行業(yè)應(yīng)用的需求。

“深”探行業(yè)還需要拿捏一定的度。很多現(xiàn)實場景中的需求是無邊界的，AI 的能力有限，必須清楚地界定問題的邊界，并且用經(jīng)濟的技術(shù)手段解決這些問題后才能實現(xiàn)落地。 例如，人臉識別必須加上具體的應(yīng)用場景限定(包括成像角度、人臉數(shù)量等技術(shù)約束)，才是一個可落地的問題。這個邊界如何界定清楚是落地進程中的一道難關(guān)。

“AI 公司實際上不應(yīng)該存在，因為 AI 技術(shù)是一套基礎(chǔ)性支撐技術(shù)，是軟件方法，而軟件方法本身不能夠成為商業(yè)模式，它必須跟某一個特定的問題相結(jié)合才能夠成為商業(yè)公司，換句話說，未來所有的公司都是 AI 公司”，AI 行業(yè)資深從業(yè)者周凌然(化名)的觀點有些非主流，“一家公司如果僅擁有算法，是無法站住腳的，本質(zhì)上在于如何與領(lǐng)域深度結(jié)合，如何真正為用戶帶來終極價值”。

從這個角度來考量 AI 芯片未來的發(fā)展。一家 AI 芯片公司未來不能僅僅只有 AI 芯片，而與行業(yè)深入結(jié)合，變成一家領(lǐng)域解決方案公司或許才是成功之道。AI 芯片應(yīng)用于各個場景之中為用戶所帶來的實際效果應(yīng)當是商業(yè)化成果的最終檢驗標準。

兩大應(yīng)用趨勢：云端向邊緣端擴展，追求軟硬件協(xié)同按照部署位置，AI 芯片可以分為云端部署和終端部署兩種。經(jīng)過幾年發(fā)展，AI 芯片已不僅僅限于云端，邊緣 AI 芯片成為各個廠商競相布局的垂直賽道，越來越多的 AI 應(yīng)用部署到了端設(shè)備上。

目前云端市場發(fā)展已漸趨向成熟，巨頭盤踞，格局難撼。對于創(chuàng)業(yè)公司來說，應(yīng)用場景更廣闊的終端設(shè)備市場還蘊含著不少機會。例如智能手機是目前應(yīng)用最廣泛的邊緣計算設(shè)備，自動駕駛也是邊緣 AI 計算的重要應(yīng)用場景。邊緣計算被視為下一個 AI 戰(zhàn)場。

而另一方面，邊緣側(cè)市場空間更大，更容易給投資人“講故事”，吸引資本的關(guān)注。據(jù)中金公司研究數(shù)據(jù)，2017 年，邊緣計算 AI 芯片市場規(guī)模為 39.1 億美元，到 2022 年，這一數(shù)字將增長至 352.2 億美元，5 年或增長 10 倍。

近幾年，邊緣計算呈現(xiàn)出了巨大的增長需求，** 尤其在有大量數(shù)據(jù)并要求低延時響應(yīng)的應(yīng)用場景中。** 在邊緣上做計算，具有數(shù)據(jù)處理更快速、實時業(yè)務(wù)處理、成本更低、網(wǎng)絡(luò)帶寬成本低、保護數(shù)據(jù)隱私安全等優(yōu)勢。

做邊緣芯片，最難在于應(yīng)用場景。 除自動駕駛場景較集中外，其他很多場景十分“碎片化”。AI 邊緣芯片現(xiàn)階段的主要挑戰(zhàn)來源于邊緣端算力需求的不一致，以及邊緣算力平臺的差異，導(dǎo)致邊緣 AI 芯片的性能和功能需求難以統(tǒng)一界定。

王少軍觀察到，目前市場上出現(xiàn)了很多場景定義的專用芯片，“市場正朝著專業(yè)化、細分化方向發(fā)展，也說明，各領(lǐng)域出現(xiàn)了普遍性的行業(yè)落地需求，足以支撐專用 AI 芯片的發(fā)展，這對掌握了核心技術(shù)，能禁得住市場考驗的 AI 芯片企業(yè)來說是一個好現(xiàn)象”。

另一趨勢是，不少 AI 芯片公司越來越追求打造軟硬件協(xié)同能力。不少原來做芯片的公司開始由硬件切入軟件，有些算法公司開始深入硬件做布局。軟硬件協(xié)同意味著更高的有效算力。

明確重要的落地場景是軟硬件協(xié)同的前提;此外，一體化過程涉及軟件和硬件兩種不同技術(shù)團隊間的協(xié)同，在磨合期團隊要充分磨合，相關(guān)工具支持也得跟上。

軟硬協(xié)同理念是從軟件(算法)和硬件兩個角度同時優(yōu)化，從而實現(xiàn)性能的全局最優(yōu)。在設(shè)計過程中，面臨約束條件多且存在不確定性，設(shè)計空間大等挑戰(zhàn)，導(dǎo)致最終結(jié)果很難得到最優(yōu)解。要實現(xiàn)所有網(wǎng)絡(luò)的最優(yōu)，在技術(shù)上實現(xiàn)難度較大，為此，芯片設(shè)計應(yīng)以有效加速大多數(shù)的算法為目標。

AI 芯片從未成功過?回溯 AI 芯片在國內(nèi)的發(fā)展歷程，2015-2016 年是業(yè)內(nèi)公認的小高潮。卷積神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)的突破掀起了 AI 芯片的研究與創(chuàng)投熱潮，深度學(xué)習(xí)方法在很大程度上約減了算法計算需求的多樣性，為 AI 芯片提供了明確的技術(shù)可行性;算法精度的有效提升為 AI 行業(yè)落地提供了可能。

一時間，大批創(chuàng)業(yè)公司爭相涌入，巨頭公司加大投入力度，資本亦瘋狂助推 ，尤其在 2018 年，AI 芯片大熱，多家創(chuàng)企相繼宣布獲得融資。

2017-2019 年，在王少軍看來是 AI 芯片技術(shù)和產(chǎn)品研發(fā)“百花齊放”的三年 — 市場端還是英偉達一家獨大，涌現(xiàn)出了很多的新技術(shù)、新架構(gòu)和新模式，AI 場景需求的定義更加清晰，云邊端基本成為共識，但不同技術(shù)路線對不同場景的適應(yīng)程度還沒有被充分驗證。

2019 年是芯片行業(yè)的轉(zhuǎn)折點。資本寒冬、華為遭斷供、多家科技企業(yè)被列入實體清單等事件凸顯“卡脖子”危機，在國際形勢不明朗的環(huán)境下，AI 芯片產(chǎn)業(yè)鏈添了不可測的發(fā)展變數(shù)，對于有技術(shù)實力、能完成替代的國內(nèi)芯片公司來說，未嘗不是一個發(fā)展的契機。

相較幾年前，AI 芯片行業(yè)的熱度已經(jīng)下降了不少。當熱度漸漸冷卻下來，業(yè)界也開始反思 AI 芯片行業(yè)是否存在一些“概念炒作”、搞噱頭、泡沫化的問題。艾瑞咨詢在《2019 年 AI 芯片行業(yè)研究報告》中分析指出，當前 AI 芯片行業(yè)接近 Gartner 技術(shù)曲線泡沫頂端。

“最近這三四年 AI 芯片的發(fā)展狀況，我覺得是‘泡沫’，站不住腳。泡沫主要體現(xiàn)在，AI 芯片是個偽命題，不是真實的需求。過去 20 多年來，有關(guān)人工智能硬件化的嘗試，絕大多數(shù)都失敗了，這里面可能存在一些共性的原因。到目前為止，我還沒有感受到 AI 芯片在根本上的不一樣。因此，我懷疑，在這次以深度學(xué)習(xí)為發(fā)端的 AI 浪潮背景下的 AI 芯片硬件化也會失敗”。一位 AI 技術(shù)專家馮輝(化名)向 InfoQ 表達了他的判斷，他認為，AI 芯片發(fā)展這么多年，從未成功過。

如何來定義 AI 芯片的“成功”?InfoQ 詢問了多位受訪專家的看法。多位專家對“從未成功”這一說法不甚認同。

在產(chǎn)品層面，歷史上涌現(xiàn)了很多成功的 AI 芯片產(chǎn)品，例如 Google 的 TPU、HTPU，英偉達的 P100 GPU、高通的驍龍 AI 芯片等產(chǎn)品。

“如果單按這個(產(chǎn)品)標準，歷史上那些 AI 芯片也算'成功'了”，馮輝補充道，“我認為，AI 芯片的成功與否，不在于是不是做出來，而在于是不是可用。這里的“可用”是指，相對于通用芯片，是否具有明顯的成本優(yōu)勢”。

值得注意的是，在技術(shù)層面，由于 AI 芯片是技術(shù)上的新生事物，如何定義一款 AI 芯片在技術(shù)上取得了成功，目前業(yè)界并未形成統(tǒng)一的技術(shù)共識。“成功的定義或有不同，任何一個按照自己的技術(shù)理念成功流片的 AI 芯片公司，都可以認為在技術(shù)上是達到了一定程度的成功。除此之外，如何將自己產(chǎn)品的技術(shù)特性與市場需求場景充分適配，為目標市場提供不可替代性和更高性價比，進而有效落地，這個是基于商用化上的考量。”王少軍說。

至于商業(yè)化上的成功，未來仍需要時間來驗證。這在一定程度上取決于 AI 芯片落地速度，目前的環(huán)境給了有產(chǎn)品優(yōu)勢的芯片公司突破的機會。

經(jīng)歷了過去 5 年的快速發(fā)展后，2020 年，AI 芯片進入了研究與大規(guī)?；涞氐年P(guān)鍵一年。盧濤認為上半年的疫情對于 AI 芯片的落地利弊參半，利好是，疫情加速全球版數(shù)字化進程，加快數(shù)據(jù)中心等算力基礎(chǔ)設(shè)施建設(shè)進程;挑戰(zhàn)是，那些紛紛嚷嚷著自己要做 AI 處理器的公司能不能真的做出來，真的到場景中落下地去。如果沒有真東西 “亮出來” ，后期持續(xù)的投入可能將面臨巨大挑戰(zhàn)。

‘講故事’，拼技術(shù)理念、拼背景光環(huán)的時代已經(jīng)過去了。

進入下半場的 AI 芯片到了市場驗證期，到了拼產(chǎn)品效果、拼用戶體驗的時候。這將伴隨著一場大的洗牌過程而展開，那些找不到落地場景，盈利能力不足，在技術(shù)和商業(yè)模式上不能提供核心價值的玩家可能最終將面臨被淘汰出局的命運。“市場將會按照不同的行業(yè)保留 2-3 家頭部公司，以及若干家有特色的中小公司”，王少軍向 InfoQ 預(yù)測這場淘汰賽可能的終局。

不能忽視地是，AI 芯片尚處在稚嫩的“嬰兒期”，快速成長難免伴隨著“陣痛”，未來雖未知但可期。“我覺得現(xiàn)在應(yīng)該是做芯片最好的時期，AI 芯片需要走的路特別長”，李智勇覺得，握住當下的機遇是最重要的。