打破平衡，AI革命正催生一場各懷“芯”思的軍備競賽

　　上周，百度宣布了自家首款云端AI芯片的進(jìn)展。一石激起千層浪，芯片熱潮再次走進(jìn)了人們的視線。從國內(nèi)的情況來看，中國目前已經(jīng)涌現(xiàn)出了地平線、寒武紀(jì)、深鑒科技、中芯微等一批明星初創(chuàng)企業(yè)。而在國外，隨著PC芯片需求量下滑，連續(xù)幾年走下坡路的芯片巨頭英特爾也開始了向AI芯片的轉(zhuǎn)型。此外，互聯(lián)網(wǎng)巨頭谷歌、車企巨頭特斯拉、社交巨頭Facebook也紛紛加入了芯片戰(zhàn)場。在人工智能革命的影響下，一場新的芯片軍備競賽即將展開。

　　多年來，半導(dǎo)體世界似乎已經(jīng)有了一種穩(wěn)定的平衡狀態(tài)：英特爾擊敗了服務(wù)器領(lǐng)域幾乎所有RISC處理器，讓其x86系列成為了主導(dǎo)者。而GPU領(lǐng)域起步較晚的英偉達(dá)，在上世紀(jì)90年代就已淘汰了大部分的競爭對手，如今只剩下ATI、AMD在該市場上仍占據(jù)一小部分份額。

　　在較新的移動領(lǐng)域，似乎也是一個這樣的壟斷故事：ARM領(lǐng)導(dǎo)著這個市場。英特爾曾嘗試用Atom處理器與之競爭，但最后還是在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的競爭對手;現(xiàn)場可編程門陣列(FPGA)引領(lǐng)了一個新的利基市場;而人工智能和機器學(xué)習(xí)的出現(xiàn)也讓芯片市場發(fā)生了動蕩。可以說，隨著這些新興技術(shù)的出現(xiàn)，大量的新處理器已經(jīng)到來。

　　小智君整理如下：

　　1、2016年，英特爾收購創(chuàng)業(yè)公司Nervana Systems進(jìn)入AI芯片市場，隨后又收購了Movidius開發(fā)圖像處理AI;

　　2、微軟正在為其HoloLens VR / AR耳機開發(fā)AI芯片，并有可能在其他設(shè)備中使用;

　　3、谷歌自研了一款用于神經(jīng)網(wǎng)絡(luò)的AI芯片——張量處理單元(TPU)，用于谷歌云平臺上的AI應(yīng)用程序;

　　4、有報道稱，亞馬遜正在為其Alexa開發(fā)AI芯片;

　　5、蘋果正在開發(fā)一款名為神經(jīng)引擎(Neural Engine)的AI處理器，為Siri和FaceID提供動力;

　　6、ARM最近推出了兩款新處理器，專注于圖像識別的ARM機器學(xué)習(xí)處理器和ARM物體檢測(Object Detection)處理器;

　　7、IBM正在開發(fā)專門的人工智能處理器，還從英偉達(dá)獲得NVLink許可，用于人工智能和機器學(xué)習(xí)的高速數(shù)據(jù)傳輸;

　　8、即使像特斯拉這樣的非傳統(tǒng)科技公司也希望進(jìn)入這一領(lǐng)域，去年該公司首席執(zhí)行官埃隆·馬斯克承認(rèn)前AMD和蘋果芯片工程師Jim Keller (現(xiàn)已離職)將負(fù)責(zé)硬件制造。

　　這還是沒有將初創(chuàng)企業(yè)計入在內(nèi)的情況。紐約時報稱曾報道稱，按照不完全統(tǒng)計，目前專注于芯片領(lǐng)域的初創(chuàng)公司已經(jīng)達(dá)到了45家。那為什么在芯片制造停滯多年之后，又突然爆發(fā)了呢?畢竟，在多數(shù)人看來，英偉達(dá)的GPU對AI而言是夠用的。

　　答案有點復(fù)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芯片架構(gòu)，但它對于要執(zhí)行高度專業(yè)化任務(wù)的AI來說，還是太普通了。研究員們對AI的終極目標(biāo)是構(gòu)建一個通用的服務(wù)器平臺，因此，AI需要擅長一切。事實上，處理AI的實際任務(wù)與標(biāo)準(zhǔn)計算或GPU處理是完全不同的，因此研究人員認(rèn)為定制AI芯片是必要的。

　　通常情況下，科學(xué)計算是以確定的方式進(jìn)行的。比如，你想知道2加3等于5，并計算到所有的小數(shù)部分——x86和GPU做得很好。但人工智能的本質(zhì)是，在不經(jīng)過實際計算的情況下，可以學(xué)會2.5加3.5等于6。換句話說，人工智能的重要之處在于數(shù)據(jù)中的發(fā)現(xiàn)模式，而非確定性計算。

　　人工智能和機器學(xué)習(xí)的定義是從過去的經(jīng)驗中汲取教訓(xùn)并改進(jìn)。一旦通過AI展開學(xué)習(xí)，便不會再需要進(jìn)行重新學(xué)習(xí)了，這是機器學(xué)習(xí)的標(biāo)志(人工智能更高定義的一個子集)。機器學(xué)習(xí)的核心是用算法解析數(shù)據(jù)，從中學(xué)習(xí)后根據(jù)數(shù)據(jù)進(jìn)行判斷或預(yù)測。

　　比如AlphaGo通過大量的圍棋比賽來進(jìn)行自我提升;Facebook的面部識別技術(shù)經(jīng)過多年訓(xùn)練學(xué)會了標(biāo)簽照片;自動駕駛汽車的AI不是通過確定的事物來判斷周圍物體的活動路徑，而是通過以往的經(jīng)驗表示曾有另一輛車以這種方式行駛。

　　這種預(yù)測性問題解決的結(jié)果是AI計算可以通過單精度計算完成。因此，雖然CPU和GPU都能很好地完成，但它們對于任務(wù)來說是多余的。單精度芯片可以承擔(dān)這項任務(wù)，并在更小，更低功耗的情況下完成。

　　毫無疑問，功耗和范圍對于芯片來說是一個大問題，特別是對人工智能，因為一個尺寸并不能適用于該領(lǐng)域的所有情況。人工智能包含了機器學(xué)習(xí)，而機器學(xué)習(xí)包括了深度學(xué)習(xí)，所有技術(shù)都可以通過不同的設(shè)置部署到不同的任務(wù)中。