人工智能主要包括三大要素，分別是數(shù)據(jù),、算法和算力,。其中數(shù)據(jù)是基礎(chǔ),，正是因為在實際應(yīng)用當中的數(shù)據(jù)量越來越大，使得傳統(tǒng)計算方式和硬件難以滿足要求,，才催生了AI應(yīng)用的落地,。

AI芯片的生態(tài)圈

從廣義說，能夠驅(qū)動AI程序的芯片都叫做AI芯片,。從狹義來說,，AI芯片是為適應(yīng)AI算法進行了特殊設(shè)計的芯片。

從應(yīng)用層面講,，AI芯片主要分為云AI芯片和端AI芯片,。云AI芯片應(yīng)用于云端服務(wù)器及數(shù)據(jù)中心；端AI芯片應(yīng)用于智能設(shè)備,、IoT端設(shè)備,。未來，人工智能將會在我們的日常生活中得到極大普及,，正如英偉達創(chuàng)始人黃仁勛所說：“未來,，AI與AI芯片將無處不在：咖啡機、保溫杯、麥克風,、甚至耳環(huán),、鞋子這些小物件都會智能化?！?/p>

云AI芯片的特點是性能強大、能夠同時支持大量運算,、支持圖片識別,、以及語音、視頻處理,。端AI芯片則需要嵌入到設(shè)備內(nèi)部,，讓設(shè)備不聯(lián)網(wǎng)就能具備AI能力。AI芯片之于人工智能的意義,，可以理解為發(fā)動機之于汽車,。人工智能理論已經(jīng)提出多年，由于它需要一臺計算能力超強的“發(fā)動機”驅(qū)動,，所以多年沒有真正跑起來,，直到AI算法、大數(shù)據(jù)以及AI芯片的出現(xiàn),。

人工智能的破局是在2012年計算機視覺屆的“奧林匹克”—ImageNet挑戰(zhàn)賽的賽場上,，來自多倫多大學的Geoffrey Hinton教授和他的團隊第一次用上了GPU芯片和深度學習算法，成為AI史上的一個重要節(jié)點,。

在2015年的ImageNet大賽上,，微軟亞洲研究院團隊更是憑借GPU與深度學習算法，第一次讓計算機的圖像識別超過了人類,。人類識圖錯誤率約為4％,，而冠軍團隊機器識圖的錯誤率為3．57％。在圖像識別興起之后,，視頻識別,、語音識別、翻譯,、語音助手等一系列AI應(yīng)用應(yīng)運而生,。

AI芯片的爆發(fā)，至少將會影響到四個應(yīng)用場景：家居／消費電子,、安防監(jiān)控,、自動駕駛以及云計算。

AI芯片困局：競爭力與差異化

目前,，無論是初創(chuàng)公司還是芯片設(shè)計巨頭,，壓力都是與日俱增。一般而言，只要有應(yīng)用場景的支持,、足夠的資金和工程能力,，AI芯片做出來不會成為大的問題。但對于AI芯片這一新興市場而言,，談市場布局實在有些為時過早,，大家心中都明白這將是一場持久戰(zhàn)，而產(chǎn)業(yè)真正的未來和發(fā)展方向還是取決于創(chuàng)新,。

從現(xiàn)有的市場情況來看,，2019年整個產(chǎn)業(yè)趨于平靜也反應(yīng)出了大家已經(jīng)逐漸從保證功能的粗放設(shè)計轉(zhuǎn)變?yōu)樘岣吒偁幜筒町愋缘木氉髁耍龀龈偁幜筒町惢瘏s不容易,。

想要贏得客戶,，做服務(wù)、建生態(tài)是當下打開市場的出路,，但是“硬件好做,，軟件難”卻是大家普遍反映的問題。有業(yè)內(nèi)人指出,，無止境的軟件工具優(yōu)化讓大家備受困擾,，從單核、多核到多芯片,、多板卡,，再到神經(jīng)網(wǎng)絡(luò)算法與非NN算法、異構(gòu)系統(tǒng),、軟硬件聯(lián)合優(yōu)化,，軟件工程師會遇到各種問題，這都將為大家不斷深耕上層的帶來阻力,。