随着AI产业快速突破，各大公司在AI领域的人才动向也在引起极大关注，你来我往、归去来兮，AI江湖上大有一片血雨腥风之势。当然，AI领军人物的变动，会对具体公司业务造成影响。但从整个行业来看，人才流动的频繁，反倒有可能促进产业的整体进程。

不信你翻翻历史。AI这门功夫自1956年问世以来，至今已经历60年风风雨雨，一直是流派众多，难学难练，没有大成。

难学，是因为必须要掌握一种叫做“算法”的神功；难练，是因为需要有足够算力，能够处理数据样本，训练机器。

几十年来，一直是有算法没算力，甚至于有人认为，人工智能就是一个科幻，就是小说家跟人类开的一个玩笑而已。谁也没想到，进入21世纪后算力大爆炸。引发了整个AI产业开天辟地般的变化。

其中，算法上升为天——深度学习，分成DBN，CNN，BP，RBM等等诸多分支，其中佼佼者当属CNN(convolutional neural networks)，人称卷积神经网络，应用广泛。

算力，下降为地——AI芯片。各种芯片如雨后春笋涌现，拿过来训练机器，得心应手啊。

庙堂之上也为AI驾临人间雀跃不已。世界各国意识到人工智能的重要性，纷纷箪食壶浆，以迎AI。

联合国于2016年发布告示，召集人类讨论机器人的制造和使用如何促进人工智能的进步，以及可能带来的社会与伦理问题。

美国政府于2016年连续颁发三道金牌：《美国国家人工智能研发战略计划》、《为人工智能的未来做好准备》、《人工智能、自动化与经济报告》，宣称加入人工智能教派，并且描绘了此举能带来的种种美好的前景。

英国政府见此立即照方抓药，刊发了《机器人技术和人工智能》报告，详细的阐述英国的机器人技术与AI的亲密关系。

有算法有算力，天地已定。有政策有战略，和风细雨。正是产业萌芽，草长莺飞，欣欣向荣的时刻。人才的流动正是产业加速的信号。

书归正传。芯片定义了产业链和生态圈的基础计算架构，正如CPU是IT产业的核心一样，芯片也是人工智能产业的核心。

话说天下AI芯片共分四大流派：

GPU，目前锐气正盛，恰似东邪，凭借并行计算形成先发优势。

FPGA，蛰伏北方，正在暗地里合纵连横，大有号令群雄的势头，恰似丐帮。

ASIC，割据南方，占领了大片市场，参与的公司林立。

类脑芯片，这个更“邪性”，打算直接复制大脑，也暗藏着问鼎中原的野心。

根据互联网公开发布信息，今年，四大流派已经派出几十路高手，参与华山论剑，这些高手均属于芯片设计期高手。

这些高手都有什么特点？谁能逐鹿中原？下文一一分析。

GPU一派

市场上名气最大的应该是GPU一派。GPU也称视觉处理器，专门用于图像及相关处理的芯片。

2012年，Alex Krizhevsky，多伦多大学的博士研究生，凭此在ImageNet大赛上夺下了2012届的冠军。Alex提出了一个奇妙的模型，仅凭借两个GPU就取得了训练深层神经网络的极佳效果。江湖顿时为之轰动，于是引发了GPU训练神经网络的风潮。要知道，AI领域过去曾用CPU处理数据，但CPU效力太低。

当年，谷歌曾经花费巨资购买1.6万个处理器，堆成谷歌大脑，峰值功耗在10万瓦以上，占地面积数十平方米。试问天下，有几人能玩的起1.6万个处理器？

随着 AlexNet的划时代论文横空出世，于是GPU 在服务器端横扫天下。

有人会问，CPU和GPU，都是处理器，两者有什么不同？

与CPU相比，GPU 出现得远比 CPU 晚，但并行计算能力能却常令CPU望尘莫及。并行计算是相对于串行计算来说的。要知道，自计算机诞生以来，电脑编程几乎一直都是串行计算，绝大多数的程序只存在一个进程或线程，好比一个人只能先吃饭再看聊天。

但更多人喜欢边吃饭边聊天怎么办？遇到这类问题，串行计算就傻眼了。并行计算一次可执行多个指令的算法，能够完美解决吃饭聊天难题。解决方式可分为时间上的并行和空间上的并行。时间上的并行就是指流水线技术，而空间上的并行则是指用众多个处理器并发的执行计算。

深度学习所依赖的是神经系统网络，通常网络越深，需要的训练时间越长。对于一些网络结构来说，如果使用串行的X86 处理器来训练的话，可能需要几个月、甚至几年，因此必须要使用并行甚至是异构并行的方法，才有可能让训练时间变得可以接受。

在当前的人工智能芯片领域，GPU的应用领域不容小觑，据Jon Peddie Research（简称JPR）市场调研公司统计，在2008至2015年期间，除了2008年GPU市场规模稍有下降，其余年份全球独立显卡的出货量和销售额都呈现出明显的上升趋势，并且在2012至2015年有加速上升的表现。

GPU领域只有两大公司，一是英伟达，占市场份额约7成，另一位则是万年老二AMD，占市场份额约3成。

从GPU用户数量来看，根据英伟达2016年的财务报告，相比2013年的100家，2014年的1549家，2015年已有3409家机构或企业使用英伟达的GPU产品，从事人工智能的研究。这些企业和机构包括各大高等院校的人工智能实验室，互联网企业，军事企业等。

AMD虽然落后于英伟达，但2016年的市场份额已呈现出上升趋势，在发布了代号Vega织女星的GPU芯片，市场一片叫好，未来可能有继续上升的趋势。

不足的是，GPU 很费电（比如高端显卡动辄200W+），一旦开启，散热就成了麻烦事。

FPGA一帮

GPU美中不足的是就是太贵了，太贵了，而且有副作用，降温是大个问题。怎么办？

赛灵思等公司改进了FPGA许多技术，使之价格便宜功耗又很低，操练起来更有趣。于是，跟随FPGA的越来越多，形成了一大流派。

FPGA是从哪里来的呢？

原来早在1984年赛灵思就发布世界上首款FPGA，当时的FPGA晶片尺寸很大，但成本却不低。1992年后，FPGA因采用新工艺节点，第一次出现了在FPGA上实现卷积神经网络。但直到2000年后，FPGA丹法结合了“易容术”后才略有小成，易容术是指FPGA 已不仅是门阵列，还是集成有可编程逻辑的复杂功能集。2008以来，FPGA不光可以越来越多地整合系统模块，集成重要的控制功能，还可以使用更高效的系统编程语言，如OpenCL和C语言，通过类似软件的流程来编程，降低了硬件编程的难度。于是，自2011年开始，出现了大规模基于FPGA的算法研究。

简单来说，FPGA 全称“现场可编程门阵列”(Field Programmable GateArray)，其基本原理是在 FPGA 芯片内集成大量的数字电路基本门电路以及存储器，而用户可以通过更新FPGA 配置文件，来定义这些门电路以及存储器之间的连线。

这里提及的“可编程”，完全就是“可变成”。这意味着你今天可以把 FPGA 配置成一个微控制器MCU，明天就可以更新配置文件把同一个 FPGA 配置成一个音频编解码器。你是不是想起了孙悟空七十二变，今天是个老头明天是个少女？此乃易容术也。

不同于GPU的运行原理，FPGA是以门电路直接运算的，即编程中的语言在执行时会被翻译成电路，优势是运算速度快。

在很多领域FPGA的性能表现优异，以至于有人说FPGA可能会取代CPU和GPU成为将来机器人研发领域的主要芯片。当然，这事有点夸张。目前来看FPGA也多作为CPU的协处理器而出现，冲击GPU是显而易见的，但要说取代CPU，还得等等。

目前，国内有许多创业企业，自动加入FPGA阵营，提供基于FPGA的解决方案。比如源于清华大学的深鉴科技，专注于深度学习处理器与编译器技术，深鉴科技研发了一种名为“深度压缩”的技术，它不仅可以将神经网络压缩数十倍而不影响准确度，还可以使用“片上存储”来存储深度学习算法模型，减少内存读取，大幅度减少功耗。

FPGA流派的厂商有两大两小，两大厂分别是赛灵思、Altera（英特尔于2015年以167亿美元收购Altera），两小是Lattice和Microsemi。

其中，赛灵思和Altera占据了近90%的市场份额，两人旗下的专利超过6000项。而剩下约10%的市场份额，由Microsemi和Lattice瓜分，这两位的专利也有3000余项。由此可以看出，极高的技术门槛将其它希望进入FPGA市场的厂商牢牢挡在门外。

FPGA也有两大局限性：

第一，FPGA的峰值性能不如GPU。即便使用高端的服务器做FPGA编译都会需要数分钟的时间，放到移动端速度还会更慢。但FPGA的功耗低于GPU，若FPGA的架构和配置合理，从能耗比的角度上来看，则能超过GPU。

第二，FPGA的编程难度较高。编程人员需要同时精通软件和硬件两种编程语言，更适合于高段位的的资深技术玩家。FPGA芯片主要面向企业客户，如百度、微软、IBM 等公司都有专门做FPGA的团队为服务器加速。

就未来发展来看，FPGA的崛起指日可待。理由有三个：

首先，在人工智能起步阶段，算法大致每三个月迭代一次，单凭这一点来说，FPGA可以灵活调整电路配置以适应新的算法，具有一定优势；

其次，相比于GPU，FPGA更适用于深度学习的应用阶段；

最后，为了降低FPGA的编程难度，FPGA厂商赛灵思专门研发了可重配置加速栈堆，提供基于FPGA的硬件加速方案，这类似于一个App Store，赛灵思是一个平台，用户使用时直接从商店里挑选方案，不需要再自己设计布局布线了。

ASIC：由吸星大法突破

虽然GPU在并行计算方面有不少优势，但毕竟不是为机器学习专门设计的，FPGA则是需要用户自主编程，主要面向专业领域的企业用户，门槛太高。

大众消费领域怎办？如应用到无人驾驶汽车上或是智能家居终端，这款芯片还要同时满足高性能和低功耗的要求，甚至不需要将数据传回服务器端，不必连入互联网，本地即时计算即可。

ASIC挺身而出。

ASIC的全称是专用集成电路 (Application-Specific Integrated Circuit)。

玩过比特币的都知道著名的挖矿大战。ASIC在比特币挖矿领域，展现出了得天独厚的优势。2013年1月Avalon项目团队交付了世界上第一台商用比特币ASIC矿机，轰动了挖矿世界。CPU、GPU矿机几乎在一夜之间消失的无影无踪，引发了比特币挖矿行业第二次重大升级，比特币网络核心开发者Jeff Garzik有幸成为了第一个商业ASIC矿机的拥有者，据说当时收到Avalon矿机的用户在一两天内就回了本。而传说中隐藏在农村的土豪，能动用的ASIC矿机达到了数千台。

人工智能深度学习和比特币挖矿有类似之处，都是依赖于底层的芯片进行大规模的并行计算。

ASIC分为全定制和半定制。全定制设计需要设计者完成所有电路的设计，因此需要大量人力物力，灵活性好但开发周期长，上市速度慢。专为机器学习设计的ASIC芯片，从设计到制造，对资金和技术的要求都更高。一般来说，基于FPGA的开发周期大约为六个月，而相同规格的ASIC则需要一年左右，需要经过多步验证，可想而知，在这样精细的打磨下，其性能自然也更为出色。

ASIC的开发时间长，意味着ASIC芯片很有可能赶不上市场变化的速度，致使厂商陷入竹篮打水一场空的尴尬境地。

有没有办法改进呢？有！

既然一家公司设计 ASIC要花费太花时间，何不用别人现成的模块呢？

于是SoC+IP模式开始流行。这种模式有点像吸星大法。

SoC 全称是“片上系统（System-on-chip）”，亦即吸纳了许多不同模块的芯片。SoC 上面的每一个模块都可以称为 IP，这些 IP 既可以是自己设计的，也可以是购买其他公司的设计并整合到自己的芯片上。

相比ASIC，SoC+IP模式的上市时间短，成本较低，并且IP可以更灵活地满足用户需求。IP公司专注于IP模块的设计，SoC公司则专注于芯片集成，分工合作，提高效率。

事实上，高通已经在研发能在本地完成深度学习的移动设备芯片，IP设计公司如CEVA和Kneron也在研发与人工智能相关的IP核，这种模式未来也是人工智能芯片的发展方向之一。

ASIC易学难练，要想大成，靡费巨资。因此玩ASIC的不乏豪门贵族。例如，谷歌于2016年推出可编程AI加速器TPU，英特尔也将于2017年推出专为深度学习设计的芯片Knights Mill。微软打造Project Catapult支持微软Bing。

从初创公司来看，美国的Wave Computing公司专注于深度学习芯片架构，推出DPU（Dataflow Processing Unit）；英国的Graphcore公司将推出开源软件框架Poplar和智能处理单元IPU。

相比于科技巨头，初创企业更有可能结合具体应用场景设计芯片，如地平线机器人设计的第一代BPU（Brain Processing Unit），被用于开发ADAS系统。

中科院计算所从2008年开始研究，项目名为寒武纪，主要经费来源是中科院先导专项和国家自然科学基金，负责人是陈氏兄弟，陈云霁和陈天石。目前，寒武纪系列已包含三种原型处理器结构：寒武纪1号（英文名DianNao，面向神经网络的原型处理器结构）；寒武纪2号（英文名DaDianNao，面向大规模神经网络）；寒武纪3号（英文名PuDianNao，面向多种机器学习算法）。

类脑芯片：复制另一个人脑

类脑芯片不得不提IBM，每次产业变迁，IBN总要给大家带来一些新鲜名词热闹一番。比如电子商务、智慧星球，认知计算，现在又带来了号称要复制人脑的类脑芯片，科技真真太黑了。

IBM类脑芯片的后台支持者是美国国防部先进研究项目局（DARPA），DARPA是可谓科技圈的泰山北斗，大名鼎鼎的Internet前身阿帕网即源于这个机构。

DARPA与IBM合作建立了一个项目，名为“神经形态自适应伸缩可塑电子系统计划（SyNAPSE)”。该计划意图还原大脑的计算功能，从而制造出一种能够模拟人类的感觉，理解，行动与交流的能力的系统，用途非常明确：辅助士兵在战场动态复杂环境中的认知能力，用于无人武器的自动作战。

该项目中最引人注目的是类脑芯片TureNorth。2011年，IBM发布第一代TrueNorth芯片，它可以像大脑一样具有学习和信息处理能力，具有大规模并行计算能力。2014年，IBM发布第二代TrueNorth芯片，性能大幅提升，功耗却只有70毫瓦，神经元数量由256个增加到100万个，可编程突触由262144个增加到2.56亿个。高通也发布了Zeroth认知计算平台，它可以融入到高通Snapdragon处理器芯片中，以协处理方式提升系统认知计算性能，实际应用于终端设备上。

“正北”问世，激起了国内研究机构对人工智能的的热情。

上海的西井科技去年发布了全球首块5000万神经元类脑芯片。该公司宣称，这是目前世界上含有神经元数量最多的类脑芯片，也是首块可商用化类脑芯片。

去年6月，中星微宣布中国首款嵌入式神经网络处理器（NPU）芯片诞生，并已于实现量产，主要应用于嵌入式视频监控领域。

据说北京大学则研究另外一种路线——忆阻器。据媒体报道，北京大学在视听感知和图橡视频编码方面的研究处于国际领先水平，在利用神经形态芯片构造大规模神经网络方面，已经围绕视皮层模拟开展研究。

中科院陈云霁认为，总体上看，国内和IBM的TrueNorth芯片为代表的国际先进水平还存在一定的差距。这个差距不体现在单芯片绝对的运算速度上(事实上，国产类脑芯片每秒能进行的神经元运算和突触运算数量比TBM的TrueNorth还要高十倍），而是在功耗上。TrueNorth芯片功耗仅为65毫瓦，比国内芯片(15瓦左右)要低250倍。

从芯片性能角度来看，如今类脑芯片的算力和精度都不能超过GPU和FPGA的最好水平，因此类脑芯片是人工智能芯片几大方向中最小众的一类。

类脑芯片未来能否超越其它门派？这有赖于人类是否能完全搞清楚人脑的结构，能否有更多理论和实验支撑类脑芯片技术上的突破。就眼下来看，类脑芯片在商业化的道路上还需要探索一段时间。

华山论剑，中国能否弯道超车？

AI芯片是人工智能产业的演武场。

产业刚刚萌芽，东邪西毒南帝北丐均在赶往华山的路上，似乎大家都有当大英雄的机会。但是，如果从国别的角度来看，会发现一个残酷的现象。残酷，是因为中美两国存在着相当差距。比赛刚刚开始，美国就赢了。

在一些知名的芯片厂商中，美国有13家公司中，领军者既有谷歌、英特尔、IBM这样的科技巨头，也有高通、英伟达、AMD、赛灵思这样在各自领域中有绝对优势的大公司，以及一些发展良好的中等规模公司和活跃的初创企业。

但中国则主要以初创公司为主，没有巨头。其中七家企业中六家都是初创公司，均成立于近三年内，只有一家中等规模企业——中星微。

从芯片类别来看，美国厂商遍布人工智能芯片的四大流派，IC设计环节的产业结构非常均衡，并且在GPU领域，美国企业是完全垄断的，中国为零；在FPGA领域，只能跟随赛灵思做解决方案；在ASIC领域，有些4家创业公司；类脑芯片，也有2家。

芯片是数字经济的产业核心，历来是易守难攻，一旦形成先发优势，后来者很难超越。AI芯片也不例外。在过去十多年里，Intel、IBM、摩托罗拉、飞利浦、东芝、三星等60多家公司曾试图进军AI芯片，但纷纷遭致惨败。

这其中的原因就在于进入门槛高，主要有以下几点：

首先是专利技术壁垒。FPGA四公司用近9000项专利构筑了长长的知识产权壁垒，将进攻者拒于国门之外。即便是强如Intel也望而兴叹，不得以耗资167亿美元收买了Altera，获得了一张FPGA领域的门票。染指GPU就更不用提了。

其次是市场相对偏小。2016年全球FPGA市场总额仅为50亿美元，且有九成落入赛灵思和Altera两家公司，这么小的市场规模很难养活太多的大公司，必然导致竞争异常激烈。

最后是投资周期长。专利壁垒或许可以跨越，市场狭小，或许可以忍受。但是FPGA产品，从投入研发到产品真正规模化生产差不多要七年。这期间几乎没有任何商业回报。正常的风投是等不了这么长时间的。

AI时代论剑，芯片是核心。

AI芯片作为产业上游，也是技术要求和附加值最高的环节，产业价值和战略地位远远大于应用层创新，因此我们需要高度重视。

放眼时代变迁，CPU领域WINTEL联盟已经一统江山极难突破，而AI芯片方兴未艾，机遇正在逐渐显露，AI领域未来必然也会产生类似英特尔、AMD这样的世界级企业。

美国以绝对实力处于领先地位，但一批中国初创企业也在蓄势待发。

但是，AI芯片领域的创新绝不是件一蹴而就的事情。它涉及到人工智能算法、编程语言、计算机体系结构、集成电路技术、半导体工艺的方方面面。在巨大的国际竞争压力下，靠单个企业研发投入，远远不够；单靠有限的风险投资，也不行。靠科技补贴，更是远水解不了近渴。

我们如何相信中国企业有机会成为人工智能时代的弄潮儿，在AI芯片华山论剑之时占有一席之地呢？抱团创新可能会是未来实现突破的方向。AI领域创业空间巨大，所需资金规模巨大，所需资源巨大，单凭创业者个人和团队的能力打天下已经不现实， AI创业者需要跟产业加速器和产业资本密切结合，抱团创新，如此才能有更广阔的发展天地。

而笔者在对腾讯众创调研时了解到，目前许多国内创业企业已经学会了抱团创新，以长青腾创业营为例，开营100余天，40家创业公司总估值实现翻番，超过600亿，58%的学员顺利进入下一轮融资，100天融资总金额超过60亿。眼下，长青腾正在筹划AI创业营。

这对中国AI芯片创业是不是有所启示？

稿源：腾讯研究院