作為AI和芯片兩大領(lǐng)域的交差點(diǎn)，AI芯片已經(jīng)成了最熱門的投資領(lǐng)域，各種AI芯片如雨后春筍冒出來(lái)，但是AI芯片領(lǐng)域生存環(huán)境惡劣，能活下來(lái)的企業(yè)將是鳳毛麟角。

谷歌在I／O大會(huì)發(fā)布了其第三代TPU，并宣稱其性能比去年的TUP 2.0 提升8倍之多，達(dá)到每秒1000萬(wàn)億次浮點(diǎn)計(jì)算，同時(shí)谷歌展示了其一系列基于TPU的AI應(yīng)用。

可以說(shuō)，AI已經(jīng)成為科技行業(yè)除了區(qū)塊鏈之外最熱門的話題。AI芯片作為AI時(shí)代的基礎(chǔ)設(shè)施，也成為目前行業(yè)最熱門的領(lǐng)域。

可以看到，AI芯片已經(jīng)成為資本追逐的最熱門領(lǐng)域，資本對(duì)半導(dǎo)體芯片的熱情被AI技術(shù)徹底點(diǎn)燃。在創(chuàng)業(yè)公司未真正打開市場(chǎng)的情況下，AI芯片初創(chuàng)企業(yè)已經(jīng)誕生了不少的獨(dú)角獸，多筆融資已經(jīng)超過(guò)億元。

AI技術(shù)的革新，其從計(jì)算構(gòu)架到應(yīng)用，都和傳統(tǒng)處理器與算法有巨大的差異，這給創(chuàng)業(yè)者和資本市場(chǎng)無(wú)限的遐想空間，這也是為什么資本和人才對(duì)其趨之若鶩的原因。

首先我們來(lái)分析下目前對(duì)AI芯片的需求主要集中在哪些方面。

先來(lái)講講AI目前芯片大致的分類：從應(yīng)用場(chǎng)景角度看，AI芯片主要有兩個(gè)方向，一個(gè)是在數(shù)據(jù)中心部署的云端，一個(gè)是在消費(fèi)者終端部署的終端。從功能角度看，AI芯片主要做兩個(gè)事情，一是Training（訓(xùn)練），二是Inference（推理）。

目前AI芯片的大規(guī)模應(yīng)用分別在云端和終端。云端的AI芯片同時(shí)做兩個(gè)事情：Training和Inference。Training即用大量標(biāo)記過(guò)的數(shù)據(jù)來(lái)“訓(xùn)練”相應(yīng)的系統(tǒng)，使之可以適應(yīng)特定的功能，比如給系統(tǒng)海量的“貓”的圖片，并告訴系統(tǒng)這個(gè)就是“貓”，之后系統(tǒng)就“知道”什么是貓了；Inference即用訓(xùn)練好的系統(tǒng)來(lái)完成任務(wù)，接上面的例子，就是你將一張圖給之前訓(xùn)練過(guò)的系統(tǒng)，讓他得出這張圖是不是貓這樣的結(jié)論。

Training 和 Inference 在目前大多數(shù)的AI系統(tǒng)中，是相對(duì)獨(dú)立的過(guò)程，其對(duì)計(jì)算能力的要求也不盡相同。

Training需要極高的計(jì)算性能，需要較高的精度，需要能處理海量的數(shù)據(jù)，需要有一定的通用性，以便完成各種各樣的學(xué)習(xí)任務(wù)。

對(duì)于芯片廠家來(lái)說(shuō)，誰(shuí)有數(shù)據(jù)，誰(shuí)贏！

Inference相對(duì)來(lái)說(shuō)對(duì)性能的要求并不高，對(duì)精度要求也要更低，在特定的場(chǎng)景下，對(duì)通用性要求也低，能完成特定任務(wù)即可，但因?yàn)镮nference的結(jié)果直接提供給終端用戶，所以更關(guān)注用戶體驗(yàn)的方面的優(yōu)化。

谷歌TensorFlow團(tuán)隊(duì)：深度學(xué)習(xí)的未來(lái)，在單片機(jī)的身上

Pete Warden，是谷歌TensorFlow團(tuán)隊(duì)成員，也是TensorFLow Mobile的負(fù)責(zé)人。

Pete 堅(jiān)定地相信，未來(lái)的深度學(xué)習(xí)能夠在微型的、低功耗的芯片上自由地奔跑。

單片機(jī) (MCU) ，有一天會(huì)成為深度學(xué)習(xí)最肥沃的土壤。

為什么是單片機(jī)？單片機(jī)遍地都是

今年一年全球會(huì)有大約400億枚單片機(jī) (MCU) 售出。MCU里面有個(gè)小CPU，RAM只有幾kb的那種，但醫(yī)療設(shè)備、汽車設(shè)備、工業(yè)設(shè)備，還有消費(fèi)級(jí)電子產(chǎn)品里，都用得到。

這樣的計(jì)算機(jī)，需要的電量很小，價(jià)格也很便宜，大概不到50美分。

之所以得不到重視，是因?yàn)橐话闱闆r下，MCU都是用來(lái)取代 (如洗衣機(jī)里、遙控器里的) 那些老式的機(jī)電系統(tǒng)——控制機(jī)器用的邏輯沒有發(fā)生什么變化。

CPU和傳感器不太耗電，傳輸耗錢、耗電！CPU和傳感器的功耗，基本可以降到微瓦級(jí)，比如高通的Glance視覺芯片。

相比之下，顯示器和無(wú)線電，就尤其耗電了。即便是WiFi和藍(lán)牙也至少要幾十毫瓦。

因?yàn)椋瑪?shù)據(jù)傳輸需要的能量，似乎與傳輸距離成正比。CPU和傳感器只傳幾毫米，如果每個(gè)數(shù)據(jù)都需要端管云這樣傳輸，每個(gè)算法都需要輸送到云端進(jìn)行處理，自然代價(jià)就要貴得多。

傳感器的數(shù)據(jù)很多，傳輸起來(lái)很費(fèi)勁！傳感器能獲取的數(shù)據(jù)，比人們能用到的數(shù)據(jù)，多得多。例如：衛(wèi)星的圖片數(shù)據(jù)很多，但是傳到地球很困難。

衛(wèi)星或者宇宙飛船上的宇航員可以用高清相機(jī)來(lái)拍高清視頻。但問(wèn)題是，衛(wèi)星的數(shù)據(jù)存儲(chǔ)量很小，傳輸帶寬也很有限，從地球上每小時(shí)只能下載到一點(diǎn)點(diǎn)數(shù)據(jù)。

地球上的很多傳感器也一樣，本地獲得很容易，但是傳輸?shù)竭h(yuǎn)端的數(shù)據(jù)中心就需要很多的代價(jià)。

跟深度學(xué)習(xí)有什么關(guān)系

如果傳感器的數(shù)據(jù)可以在本地運(yùn)算，又不需要很多的代價(jià)和電力。

我們需要的是，能夠在單片機(jī)上運(yùn)轉(zhuǎn)的，不需要很多電量的，依賴計(jì)算不依賴無(wú)線電，并且可以把那些本來(lái)要浪費(fèi)掉的傳感器數(shù)據(jù)利用起來(lái)的。

這也是機(jī)器學(xué)習(xí)，特別是深度學(xué)習(xí)，需要跨越的鴻溝。

相比之下，神經(jīng)網(wǎng)絡(luò)大部分的時(shí)間，都是用來(lái)把那些很大很大的矩陣乘到一起，翻來(lái)覆去用相同的數(shù)字，只是組合方式不同了。

這樣的運(yùn)算，當(dāng)然比從DRAM里讀取大量的數(shù)值，要低碳得多。

需要的數(shù)據(jù)沒那么多的話，就可以用SRAM這樣低功耗的設(shè)備來(lái)存儲(chǔ)。

如此說(shuō)來(lái)，深度學(xué)習(xí)最適合MCU了，尤其是在8位元計(jì)算可以代替浮點(diǎn)運(yùn)算的時(shí)候。

1、深度學(xué)習(xí)很低碳

那么AI的計(jì)算，每次運(yùn)算需要多少皮焦耳？

比如，MobileNetV2的圖像分類網(wǎng)絡(luò)最簡(jiǎn)單的結(jié)構(gòu)，大約要用2,200萬(wàn)次運(yùn)算。

如果，每次運(yùn)算要5皮焦，每秒鐘一幀的話，這個(gè)網(wǎng)絡(luò)的功率就是110微瓦，用紐扣電池也能堅(jiān)持近一年。

2、對(duì)傳感器也友好

最近幾年，人們用神經(jīng)網(wǎng)絡(luò)來(lái)處理噪音信號(hào)，比如圖像、音頻、加速度計(jì)的數(shù)據(jù)等等。

如果可以在MCU上運(yùn)行神經(jīng)網(wǎng)絡(luò)，那么更大量的傳感器數(shù)據(jù)就可以得到處理，而不是浪費(fèi)。

那時(shí)，不管是語(yǔ)音交互，還是圖像識(shí)別功能，都會(huì)變得更加輕便。

Training將在很長(zhǎng)一段時(shí)間里集中在云端，Inference的完成目前也主要集中在云端，但隨著越來(lái)越多廠商的努力，很多的應(yīng)用將逐漸轉(zhuǎn)移到終端。

目前的市場(chǎng)情況：云端AI芯片市場(chǎng)已被巨頭瓜分殆盡，創(chuàng)業(yè)公司生存空間幾乎消失。

云端AI芯片無(wú)論是從硬件還是軟件，已經(jīng)被傳統(tǒng)巨頭控制，給新公司預(yù)留的空間極小。不客氣的說(shuō)，大多數(shù)AI芯片公司、希望在云端AI做文章的初創(chuàng)公司幾乎最后都得死。

數(shù)據(jù)越多，對(duì)應(yīng)用場(chǎng)景越理解的公司，對(duì)算法、硬件的需求越清楚、越理解深入。

我們可以看到，芯片巨頭Nvidia（英偉達(dá)）已經(jīng)牢牢占據(jù)AI芯片榜首，由于CUDA開發(fā)平臺(tái)的普及，英偉達(dá)的GPU是目前應(yīng)用最廣的通用AI硬件計(jì)算平臺(tái)。除了有實(shí)力自研芯片的企業(yè)（全世界也沒幾家），如果需要做AI相關(guān)的工作，必定需要用到Nvidia的芯片。Nvidia的芯片應(yīng)用普遍，現(xiàn)在所有的AI軟件庫(kù)都支持使用CUDA加速，包括谷歌的Tensorflow，F(xiàn)acebook的Caffe，亞馬遜的MXNet等。

除了一騎絕塵的英偉達(dá)，其他老牌的芯片巨頭都沒閑著，特別是Intel通過(guò)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(huì)上公布了基于英特爾FPGA的 AI 方案，而英特爾的 FPGA 業(yè)務(wù)正是通過(guò)收購(gòu)Altera獲得的。

除此之外，我們可以看到像Google這樣的互聯(lián)網(wǎng)廠商也亂入了前五。這當(dāng)然要?dú)w功于上面提到的TPU，雖然谷歌不直接售賣芯片，但是谷歌通過(guò)云服務(wù)提供TPU的調(diào)用服務(wù)。谷歌很早就開源了Tensorflow軟件平臺(tái)，這使得Tensorflow成為最主流的機(jī)器學(xué)習(xí)軟件平臺(tái)，已經(jīng)成了事實(shí)上行業(yè)的軟件平臺(tái)標(biāo)準(zhǔn)。而Tensorflow最佳的計(jì)算環(huán)境必定就是谷歌自己的云服務(wù)了，通過(guò)軟件、硬件（或者說(shuō)云）環(huán)境的打通，谷歌妥妥的成為AI芯片領(lǐng)域的一方霸主。

現(xiàn)在業(yè)界爭(zhēng)論的焦點(diǎn)是AI芯片的處理器架構(gòu)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(jīng)形態(tài)芯片。現(xiàn)在GPU可以認(rèn)為是處于優(yōu)勢(shì)地位，但其他幾種的處理器架構(gòu)也各有優(yōu)勢(shì)。Intel則是多方下注，不錯(cuò)過(guò)任何一種處理器架構(gòu)。谷歌在TPU（其實(shí)就是一種ASIC）方面的巨大投入帶來(lái)了硬件效能的極大提高，目前看來(lái)對(duì)GPU的沖擊將是最大的，原因不單單是因?yàn)閷Ｓ眉軜?gòu)帶來(lái)的效率優(yōu)勢(shì)，還有商業(yè)模式方面帶來(lái)的成本優(yōu)勢(shì)。在半導(dǎo)體行業(yè)內(nèi)的普遍觀點(diǎn)是，一旦AI的算法相對(duì)穩(wěn)定，ASIC肯定是最主流的芯片形態(tài)。看看挖礦芯片的進(jìn)化歷程，這個(gè)觀點(diǎn)非常有說(shuō)服力。

在云端，互聯(lián)網(wǎng)巨頭已經(jīng)成為了事實(shí)上的生態(tài)主導(dǎo)者，因?yàn)?a target="_blank">云計(jì)算本來(lái)就是巨頭的戰(zhàn)場(chǎng)，現(xiàn)在所有開源AI框架也都是這些巨頭發(fā)布的。在這樣一個(gè)生態(tài)已經(jīng)固化的環(huán)境中，留給創(chuàng)業(yè)公司的空間實(shí)際已經(jīng)消失。