就在这前后不到一个月的时间里，“人工智能芯片”成为了人人争相热议的一个产品、一个产业。
人工智能芯片热度渐 多家公司早已着手布局
前段时间，因为被看做是当前智能家居的入口之一，“智能音箱”一下子受到了人们的极大关注，而随着小爱同学、天猫精灵等产品的相继推出，更是将这股热潮推上了顶端。
就在这股浪潮渐渐平稳的时候，“人工智能芯片”紧跟而上，引起了人工智能领域的又一波新的浪潮。事实上，在这第三次的人工智能浪潮中，作为让人工智能技术更快、更好运行的基础硬件设施，人工智能芯片必然是未来智能化时代的一种趋势。也因此，虽然人工智能芯片相比于其他人工智能技术和应用显得低调得多，但它的布局依旧是众多厂商眼中不能错过的“机遇”：
买买买的英特尔——至今，为了不再错过人工智能芯片，英特尔陆陆续续收购了Altera、Yogitech、Nervana、Movidius、Mobileye等多家公司，拿下了他们的FPGA等多种技术。
GPU在手，谁与争锋的英伟达——凭借着GPU在人工智能应用中的先天性优势，英伟达已经走在了人工智能芯片的前列。不过，就在最近，黄仁勋也发布了一款针对深度学习而打造的芯片Tesla V100。
紧盯FPGA的微软——微软把重心放在FPGA人工智能芯片上，已经被用在Bing搜索的支持上。另外，其也推出了基于FPGA的视觉芯片A-eye，让摄像头具有视觉理解能力，可应用在机器人、汽车和无人机等多种智能产品。
与此同时，国内的厂商也是蠢蠢欲动。
首个独角兽“寒武纪”——因为高达1亿美元的A轮融资，寒武纪成为了人工智能芯片领域的首个独角兽，通过的IP授权的形式，其技术已经在华为人工智能芯片麒麟970上面得到了商业化；
主打“嵌入式”的地平线机器人—— 地平线机器人致力于打造基于深度神经网络的人工智能“大脑”平台，包括软硬件。在硬件上，其此前曾表示旗下的人工智能芯片“盘古”已经成功流片商用；
……
从上面多家企业的布局和产品来看， 我们能够清晰地认知到，虽然“人工智能芯片”相比于语音识别等技术并没有得到大众更多的关注，但是作为人工智能的基础硬件设施，其已经成为诸多公司抢夺市场、占据风口的一大战略制胜点。
人工智能加速 人工智能专用芯片是未来趋势
深度学习算法是实现人工智能技术和应用的核心，其在运行过程中需要对海量的数据进行运算处理——用已有的样本数据去训练人工神经网络、用训练好的人工神经网络去运算其他数据。对于传统计算架构而言，这将是一个极大的挑战。
面对深度学习算法这一计算新需求，GPU（图形处理器）、FPGA（可编程门阵列）、ASIC（专用集成电路）等成为了人工智能芯片领域的“被追捧者”。比如GPU，相比于CPU，其具有高并行结构，拥有更多的ALU（Arithmetic Logic Unit，逻辑运算单元）用于数据处理，适合对密集型数据进行并行处理。
值得我们注意的事，不管是让英伟达一举闻名的GPU，抑或是当前与GPU不分伯仲的FPGA，在属性上，它们都只能算是人工智能通用芯片。相比于一开始就是“私人订制”的ASIC，在深度学习算法的运行上，GPU和FPGA或多或少都有着一些局限：
GPU局限：GPU能够游刃有余的训练人工神经网络，但在输出应用时，它一次只能处理一张图像；相比于FPGA的灵活，GPU硬件结构固定，不具备可调整性；在实现相同性能的功耗上，GPU远大于FPGA以及ASIC。
FPGA局限：为了实现可重构特性，FPGA内部有大量极细粒度的基本单元，但是每个单元的计算能力都远远低于GPU中的ALU模块；在深度学习算法的运行速度和功耗上，FPGA表现的都不如ASIC；FPGA价格较为昂贵，在某些情况下甚至会高于ASIC。
不可否认，对于当前人工智能的发展，GPU和FPGA都做出了不小的贡献，但是从未来发展趋势来看，人工智能专用芯片才是未来的核心。
从上面的一些比较我们可以看出，在功耗和速度上，GPU、FPGA与ASIC之间还是有着一定差距的。
针对人工智能芯片的通用与专用的区别，地平线机器人芯片专家马凤翔称，相比于通用芯片，专用芯片是为特定场景而定制的，具备低功耗、低成本、高性能的优势。再通俗一点讲，就如寒武纪创始人之一的陈云霁所举出的例子，普通的处理器就好比“瑞士军刀”，虽然通用，但不专业，造成浪费，但是做菜的时候，还是菜刀得心应手，而专业的深度学习处理器就是这把更高效、更快捷的“菜刀”。
与此同时，不仅仅是性能的要求，随着人工智能技术的发展，其应用范围也将进一步扩大。未来，自动驾驶、机器人、智能家居等等终将充斥我们的生活，这其中所隐藏的将是一个无可估量的市场需求。届时，不管是所需要处理的数据，抑或是运算速度，与现在相比都将不是一个量级，若想做的更好，就只能向人工智能专用芯片靠拢。
人工智能专用芯片商业化 IP授权是当前的最佳出路
随着寒武纪成为AI芯片领域首个“独角兽”、华为麒麟970的推出，以及后面苹果、三星等多家重量级厂商相继宣布AI芯片的规划，“如何实现技术、产品的商业化落地”就成为了接下来需要厂商们亟待解决的问题。
目前，运用ASIC架构的人工智能专用芯片中，最典型、最具代表性的当属寒武纪旗下的产品和谷歌的TPU了，不同的是，前者服务的对象是广大客户，而后者则是服务于自己的人工智能系统Tensor-flow。
谈及商业化，虽然中星微、寒武纪的产品此前都有所流片，但是从当前的整体来看的话，相比于流片，IP授权或许更适合人工智能专用芯片，尤其是对于创企而言。至于原因，可以总结为两点：
第一，与其急着流片实现商业化，不如缓下脚步达到芯片生态圈
的确，对于企业来说，流片是一种能够快速实现商业化的方法，并且收获的利润也是可观的。但是，这样一来难免显得有些激进，一不小心或许就会造成失误。相比之下，通过IP授权来慢慢拉拢客户构建生态圈、“蚕食”人工智能芯片市场显得更为从容有序。
说到IP授权，我们第一个想到的就是ARM，作为后起之秀的它通过IP授权的策略打败了当时的业内老大Intel。ARM大中华区总裁吴雄昂曾一句话总结成功——建立了一个有强大活性和创新力的生态圈，为生态圈的合作伙伴提供了一种共赢模式，参与其中的企业有很高的成功率和利润空间。另外，ARM生态圈的成员并不受限于ARM平台，在此基础上可以有无限的创新空间。
当前，深度学习算法可能还没有那么的成熟，而人工智能的极大需求又对芯片的性能和功耗提出了新要求。与此同时，ASIC还有一个bug——架构固定不具备灵活性，这是其略逊于FPGA的一处。不过，通过IP授权，这将允许客户在指令集基础上根据需求创建出自己的内核架构，并可添加各种片内外设比如通信接口等等，从而生产出自己的“处理器芯片”，就像此次的华为麒麟970。
目前来讲，人工智能还处在一个初级阶段，相比于“思维定式”，更为灵活的架构或许将会更受欢迎。如此一来，围绕人工智能专用芯片将会逐步形成一个生态圈，这对于芯片企业以后的规划而言将是重要的一步棋。
第二，人工智能专用芯片流片具备风险
前面也提过，相比于人工智能通用芯片，人工智能专用芯片具备低成本低功耗的优势，但是有一个前提，那就是实现高出货量。
比如ASIC和FPGA，比起一次性成本，前者的成本是远远高于后者的，不过，在同样实现高量产的前提下，后者的成本将转变为前者的10倍，甚至是100倍。因此，如果不能实现量产的话，这对于人工智能专用芯片将是一件极为不利的事。
当然，在性能和功耗上，人工智能专用芯片遥遥领先，但也不能忽视其一旦流片，功能就不能更改的事实，这也是造成人工智能专用芯片上市慢的一个原因所在。
结语
在多起事件的联动下，人工智能专用芯片已经成为了一个“大蓝海”，引得国内外科技巨头、AI创企纷纷跳入其中，意图攀上中间那座小岛的制高点。
最后，攀上那座小岛的只会是人工智能专用芯片，至于最后是谁，又是怎么攀上的，我们目前只能持以观望的态度。
