華為的麒麟970是最早將AI處理單元引入到終端產品的芯片，其中該芯片中的AI核心，是由AI芯片創業公司寒武紀提供的IP（知識產權）。該芯片的引入，可以幫助華為手機在終端完成一些特定的AI應用，比如高效的人臉檢測，相片的色彩美化等。此後，蘋果，三星都宣佈了在其處理器中引入相應的AI處理單元，提升手機終端的AI應用能力。
給手機處理器開發AI協處理器是目前看來比較靠譜的方式，寒武紀Cambricon-1A集成進入麒麟970就是一個很好的例子。由於華為手機的巨大銷量，寒武紀迅速成為AI芯片獨角獸。而另外一家創業公司深鑑科技此前獲得了三星的投資，其AI芯片IP已經集成到三星最新的處理器Exynos 9810中。
不久前，谷歌在I/O大會發布了其第三代TPU，並宣稱其性能比去年的TUP 2.0提升8倍之多，達到每秒1000萬億次浮點計算，同時谷歌展示了其一系列基於TPU的AI應用。
可以說，AI已經成為科技行業除了區塊鏈之外最熱門的話題。AI芯片作為AI時代的基礎設施，也成為目前行業最熱門的領域。
可以看到，AI芯片已經成為資本追逐的最熱門領域，資本對半導體芯片的熱情被AI技術徹底點燃。在創業公司未真正打開市場的情況下，AI芯片初創企業已經誕生了不少的獨角獸，多筆融資已經超過億元。
AI技術的革新，其從計算構架到應用，都和傳統處理器與算法有巨大的差異，這給創業者和資本市場無限的遐想空間，這也是為什麼資本和人才對其趨之若鶩的原因。
但是，產業發展還是要遵循一定的產業規律，「商業技術評論」認為，絕大多數AI芯片公司都將成為歷史的炮灰，最後，在雲端和終端只剩下為數極少的幾個玩家。
先來講講AI目前芯片大致的分類：從應用場景角度看，AI芯片主要有兩個方向，一個是在數據中心部署的雲端，一個是在消費者終端部署的終端。從功能角度看，AI芯片主要做兩個事情，一是Training（訓練），二是Inference（推理）。
目前AI芯片的大規模應用主要還是在雲端。雲端的AI芯片同時做兩個事情：Training和Inference。Training即用大量標記過的數據來“訓練”相應的系統，使之可以適應特定的功能，比如給系統海量的“貓”的圖片，並告訴系統這個就是“貓”，之後系統就“知道”什麼是貓了；Inference即用訓練好的系統來完成任務，接上面的例子，就是你將一張圖給之前訓練過的系統，讓他得出這張圖是不是貓這樣的結論。
Training和Inference在目前大多數的AI系統中，是相對獨立的過程，其對計算能力的要求也不盡相同。
Training需要極高的計算性能，需要較高的精度，需要能處理海量的數據，需要有一定的通用性，以便完成各種各樣的學習任務。
Inference相對來說對性能的要求並不高，對精度要求也要更低，在特定的場景下，對通用性要求也低，能完成特定任務即可，但因為Inference的結果直接提供給終端用戶，所以更關注用戶體驗的方面的優化。
Training將在很長一段時間裡集中在雲端，Inference的完成目前也主要集中在雲端，但隨著越來越多廠商的努力，很多的應用將逐漸轉移到終端。
雲端AI芯片無論是從硬件還是軟件，已經被傳統巨頭控制，給新公司預留的空間極小。下面這張圖是Compass Intelligence公佈了全球AI芯片榜單。因為AI芯片目前在終端應用極少，所以榜單頭部的排名可以近似的認為就是雲端AI芯片的目前市場格局。
我們可以看到，芯片巨頭Nvidia（英偉達）已經牢牢佔據AI芯片榜首，由於CUDA開發平臺的普及，英偉達的GPU是目前應用最廣的通用AI硬件計算平臺。除了有實力自研芯片的企業（全世界也沒幾家），如果需要做AI相關的工作，必定需要用到Nvidia的芯片。Nvidia的芯片應用普遍，現在所有的AI軟件庫都支持使用CUDA加速，包括谷歌的Tensorflow，Facebook的Caffe，亞馬遜的MXNet等。
除了一騎絕塵的英偉達，其他老牌的芯片巨頭都沒閒著，特別是Intel通過買、買、買奮力的將自己擠到了頭部玩家的位置。微軟在最新的Build大會上公佈了基於英特爾FPGA的AI方案，而英特爾的FPGA業務正是通過收購Altera獲得的。
除此之外，我們可以看到像Google這樣的互聯網廠商也亂入了前五。這當然要歸功於上面提到的TPU，雖然谷歌不直接售賣芯片，但是谷歌通過雲服務提供TPU的調用服務。谷歌很早就開源了Tensorflow軟件平臺，這使得Tensorflow成為最主流的機器學習軟件平臺，已經成了事實上行業的軟件平臺標準。而Tensorflow最佳的計算環境必定就是谷歌自己的雲服務了，通過軟件、硬件（或者說雲）環境的打通，谷歌妥妥的成為AI芯片領域的一方霸主。
現在業界爭論的焦點是AI芯片的處理器架構用哪種是最好的，有前面提及的有GPU、FPGA、DSP和ASIC，甚至還有更前沿的腦神經形態芯片。現在GPU可以認為是處於優勢地位，但其他幾種的處理器架構也各有優勢。Intel則是多方下注，不錯過任何一種處理器架構。谷歌在TPU（其實就是一種ASIC）方面的巨大投入帶來了硬件效能的極大提高，目前看來對GPU的衝擊將是最大的，原因不單單是因為專用架構帶來的效率優勢，還有商業模式方面帶來的成本優勢。在半導體行業內的普遍觀點是，一旦AI的算法相對穩定，ASIC肯定是最主流的芯片形態。看看挖礦芯片的進化歷程，這個觀點非常有說服力。
上面說到了Inference現在主要是在雲端完成的，這主要是因為現在終端上基本沒有合適的處理單元可以完成相應功能。所以我們發現很多AI功能都需要聯網才可以使用，這大大限制了AI的使用場景。所以將Inference放到終端來，讓一些功能可以本地完成，成了很多芯片廠商關注的領域。
然而能獲得手機大廠青睞的AI芯片廠商畢竟是少數，更多的AI芯片廠商還需要找到更多的應用場景來使自己的芯片發光發熱。
一些傳統AI服務廠商很容易想到將自己的服務進行垂直拓展，比如的自然語音處理廠商雲知聲從自己的傳統語音業務出發，開發了自己的芯片UniOne語音AI芯片，用於物聯網IOT設備。
相對於語音市場，安防更是一個AI芯片扎堆的大產業，如果可以將自己的芯片置入攝像頭，是一個不錯的場景，也是很好的生意。包括雲天勵飛、海康威視、曠視科技等廠商都在大力開發安防領域的AI嵌入式芯片，而且已經完成了一定的商業化部署。
相對於雲端，終端留給AI芯片創業公司更廣闊的市場。但是於此同時，由於應用環境千差萬別，沒有相應的行業標準，各個廠商各自為戰，無法形成一個統一的規模化市場，對於投入巨大的芯片行業來說，是好故事，但不一定是個好生意。
在雲端，互聯網巨頭已經成為了事實上的生態主導者，因為雲計算本來就是巨頭的戰場，現在所有開源AI框架也都是這些巨頭髮布的。在這樣一個生態已經固化的環境中，留給創業公司的空間實際已經消失。所以地平線的餘凱在前幾年就對「商業技術評論」表示，雲端市場是巨頭的禁臠，創業公司沒有任何機會。
閱讀更多 剖析互聯 的文章
