本文摘要：2017年，“人工智能”俨然早已沦为所有媒体的头条热点，在媒体和资本的推展下，AI以迅雷不及掩耳之势向我们波涛汹涌奔来。从政策层面，2017年关于AI再次发生了三件大事，一是公布了人工智能发展规划；二是人工智能首次载入十九大报告；三是很多城市，如上海、重庆等都在展开人工智能规划。从数据来看，2013年只有100多家的组织机构研究深度自学和人工智能，而到了2015年，这个数字早已攀升到3409家，两年时间快速增长30多倍。

2017年，“人工智能”俨然早已沦为所有媒体的头条热点，在媒体和资本的推展下，AI以迅雷不及掩耳之势向我们波涛汹涌奔来。从政策层面，2017年关于AI再次发生了三件大事，一是公布了人工智能发展规划；二是人工智能首次载入十九大报告；三是很多城市，如上海、重庆等都在展开人工智能规划。从数据来看，2013年只有100多家的组织机构研究深度自学和人工智能，而到了2015年，这个数字早已攀升到3409家，两年时间快速增长30多倍。

就连以电动汽车起家的特斯拉也宣告开始设计AI芯片，马斯克找来了AMD公司Zen架构的开发者JimKeller，兼任自动驾驶硬件副总裁。在AI热闹非凡的大背景下我们也必须认真思考：人工智能否必须专门的芯片？现有的技术架构具备怎样的优势？近期，北京建广资产管理有限公司主办了一场以“结构’芯’生态”为主题的沙龙，赛迪智库半导体研究所副所长林雨从AI芯片定义、分类、生态环境、投资等方面做到了分析。

人工智能如果按照架构展开区分，有三个最重要元素：数据、算法和算例，其中算例就是芯片，算例是基础，算法是核心，数据是确保。再行看人工智能的定义，从广义上谈只要需要运营人工智能算法的芯片都叫人工智能芯片。

但是深入分析，林雨回应，“只有针对人工智能算法做到了类似加快设计的芯片才可以称之为作为人工智能芯片，市场上确实做了对芯片里面的架构做到了类似加快设计的公司少之又少。”三个维度对人工智能展开分类林雨分别从功能、应用于场景和技术架构对人工智能展开了分类：从功能上来看，人工智能还包括推理小说和训练两个环节。

在训练层面，通过大数据训练出有一个简单的神经网络模型。目前训练环节主要用于英伟达的GPU集群已完成，谷歌的TPU2．0也反对训练环节和深度网络加快。推理小说环节是指利用训练好的模型，用于新的数据推理小说出有各种结论。

顶多来看，训练环节对芯片的性能拒绝较为低，推理小说环节对非常简单登录的反复计算出来和较低延后的拒绝很高。从应用于场景来看，人工智能芯片应用于云端和设备末端，在深度自学的训练阶段必须很大的数据量和大运算量，单一处理器无法独立国家已完成，因此训练环节不能在云端构建。在设备末端，智能终端的数量可观，而且市场需求差异较小，比如VR设备对于实时性拒绝很高，推理小说环节无法在云端已完成，拒绝设备有独立国家的推理小说计算能力，因此专用芯片的市场需求还是相当大。

从技术架构来看有四类：一是通用性芯片，如GPU；二是以FPGA为代表的半自定义化芯片，如深鉴科技的DPU；第三，ASIC全自定义化芯片，如谷歌的TPU；第四，类脑芯片。GPU／FPGA／ASIC／类脑芯片，各有怎样的优势？为了展开大数据处理，当前的方案一般使用高性能的处理器辅助MCU展开计算出来，但是随着摩尔定律时间周期变长，处理器上可构建的器件数量不会超过无限大，而数据量还在大大减少，因此我们必须通过架构的变化来符合数据量的快速增长，这就是人工智能芯片发售的背景。目前来看，人工智能芯片有四类架构：GPU、FPGA、ASIC和类脑芯片。

GPU：是单指令、多数据处理，使用数量众多的计算出来单元和超长的流水线，如名字一样，图形处理器，GPU擅于处置图像领域的运算加快。但GPU无法分开工作，必需由CPU展开掌控调用才能工作。CPU可分开起到，处置简单的逻辑运算和有所不同的数据类型，但当必须大量的处置类型统一的数据时，则可调用GPU展开并行计算。FPGA：和GPU忽略，FPGA限于于多指令，单数据流的分析，因此常用于预测阶段，如云端。

FPGA是用硬件构建软件算法，因此在构建简单算法方面有一定的可玩性，缺点是价格较为低。将FPGA和GPU对比找到，一是缺乏内存和掌控所带给的存储和加载部分，速度更加慢。二是因为缺乏加载的起到，所以功耗较低，劣势是运算量并不是相当大。融合CPU和GPU各自的优势，有一种解决方案就是异构。

ASIC芯片：是专用自定义芯片，为构建特定拒绝而自定义的芯片。除了无法拓展以外，在功耗、可靠性、体积方面都有优势，特别是在在高性能、低功耗的移动末端。谷歌的TPU、寒武纪的GPU，地平线的BPU都归属于ASIC芯片。

谷歌的TPU比CPU和GPU的方案慢30－80倍，与CPU和GPU比起，TPU把掌控增大了，因此增加了芯片的面积，减少了功耗。很多人指出ASIC是人工智能芯片的一个主要发展方向，只不过在ASIC芯片里还有一个类似的群体—类脑计算出来，林雨指出，“这才是确实的人工智能芯片未来发展的方向。类脑计算出来是确实仿真人脑展开设计，人脑的特点就是神经元展开传输数据。当我们用硬件去仿真人脑时，在硬件环节里还有许多多余的元素，而类脑芯片就数值人脑的起到。

要做到类脑芯片十分无以，IBM、高通、英特尔等公司的芯片策略都是用硬件来仿效人脑的神经神经元。”四种架构将南北哪里？将以上四种架构对比，GPU未来的主攻方向是高级简单算法和通用性人工智能平台，其发展路线分两条回头：一是主攻高端算法的构建，对于指令的逻辑性掌控要更加简单一些，在面向市场需求标准化的AI计算出来方面具备优势；二是主攻通用性人工智能平台，GPU的通用性强劲，所以应用于大型人工智能平台可高效已完成有所不同的市场需求。FPGA更加限于于各种细分的行业，人工智能不会应用于到各个细分领域。ASIC芯片是全自定义芯片，将来看限于于人工智能。

现在很多做到AI算法的企业也就是指这个点紧贴。因为算法复杂度就越强劲，就越必须一套专用的芯片架构与其展开对应，ASIC基于人工智能算法展开自定义，其发展前景寄予厚望。类脑芯片是人工智能最后的发展模式，但是离产业化还很很远。投资投哪里？大佬擦亮眼睛看这几点第一，注目具备横向产业链统合能力的企业。

因为未来在人工智能领域注重生态统合。分开做到芯片的公司不如既掌控芯片又掌控算法公司，因此，那些算法和芯片兼备的企业更加有一点注目。第二，专攻终端应用于市场，人工智能芯片的应用于场景里有两个：一个是在云端，一个是在终端。云端格局应当变化并不大，但是在终端方面变数未确定，这是对国内企业来说是一个不俗的切入点，边缘计算出来有一点注目。

第三，注目专用芯片，ASIC从功耗、技术都具备优势，是未来AI芯片发展的主要方向，特别是在要注目否有加快环节。有了资本和媒体的冷玉女，AI早已在全球范围内遍地开花，顺势而为的创业者也不在少数。目前，国内早已有20多家初创企业在做到人工智能芯片，但是评估一家企业的技术能力是第二位的，第一位的考察点要看他们否能确实能将技术所求，否能将技术转化成为商业产品。

因此，看一家AI芯片设计企业，商业能力要小于技术能力，这才是融资点。

本文来源：南宫28圈官网-www.kubernetek.com