隨著AI產業快速突破，各大公司在AI領域的人才動向也在引起極大關注，你來我往、歸去來兮，AI江湖上大有一片血雨腥風之勢。當然，AI領軍人物的變動，會對具體公司業務造成影響。但從整個行業來看，人才流動的頻繁，反倒有可能促進產業的整體進程。

　　不信你翻翻歷史。AI這門功夫自1956年問世以來，至今已經歷60年風風雨雨，一直是流派眾多，難學難練，沒有大成。

　　難學，是因為必須要掌握一種叫做“算法”的神功；難練，是因為需要有足夠算力，能夠處理數據樣本，訓練機器。

　　幾十年來，一直是有算法沒算力，甚至于有人認為，人工智能就是一個科幻，就是小說家跟人類開的一個玩笑而已。誰也沒想到，進入21世紀后算力大爆炸。引發了整個AI產業開天辟地般的變化。

　　其中，算法上升為天——深度學習，分成DBN，CNN，BP，RBM等等諸多分支，其中佼佼者當屬CNN（convoluTIonal neural networks），人稱卷積神經網絡，應用廣泛。

　　算力，下降為地——AI芯片。各種芯片如雨后春筍涌現，拿過來訓練機器，得心應手啊。

　　廟堂之上也為AI駕臨人間雀躍不已。世界各國意識到人工智能的重要性，紛紛簞食壺漿，以迎AI。

　　聯合國于2016年發布告示，召集人類討論機器人的制造和使用如何促進人工智能的進步，以及可能帶來的社會與倫理問題。

　　美國政府于2016年連續頒發三道金牌：《美國國家人工智能研發戰略計劃》、《為人工智能的未來做好準備》、《人工智能、自動化與經濟報告》，宣稱加入人工智能教派，并且描繪了此舉能帶來的種種美好的前景。

　　英國政府見此立即照方抓藥，刊發了《機器人技術和人工智能》報告，詳細的闡述英國的機器人技術與AI的親密關系。

　　有算法有算力，天地已定。有政策有戰略，和風細雨。正是產業萌芽，草長鶯飛，欣欣向榮的時刻。人才的流動正是產業加速的信號。

　　書歸正傳。芯片定義了產業鏈和生態圈的基礎計算架構，正如CPU是IT產業的核心一樣，芯片也是人工智能產業的核心。

　　話說天下AI芯片共分四大流派：

　　GPU，目前銳氣正盛，恰似東邪，憑借并行計算形成先發優勢。

　　FPGA，蟄伏北方，正在暗地里合縱連橫，大有號令群雄的勢頭，恰似丐幫。

　　ASIC，割據南方，占領了大片市場，參與的公司林立。

　　類腦芯片，這個更“邪性”，打算直接復制大腦，也暗藏著問鼎中原的野心。

　　根據互聯網公開發布信息，今年，四大流派已經派出幾十路高手，參與華山論劍，這些高手均屬于芯片設計期高手。

　　這些高手都有什么特點？誰能逐鹿中原？下文一一分析。

　　GPU一派

　　市場上名氣最大的應該是GPU一派。GPU也稱視覺處理器，專門用于圖像及相關處理的芯片。

　　這四類AI芯片，最終誰能逐鹿中原

　　2012年，Alex Krizhevsky，多倫多大學的博士研究生，憑此在ImageNet大賽上奪下了2012屆的冠軍。Alex提出了一個奇妙的模型，僅憑借兩個GPU就取得了訓練深層神經網絡的極佳效果。江湖頓時為之轟動，于是引發了GPU訓練神經網絡的風潮。要知道，AI領域過去曾用CPU處理數據，但CPU效力太低。

　　當年，谷歌曾經花費巨資購買1.6萬個處理器，堆成谷歌大腦，峰值功耗在10萬瓦以上，占地面積數十平方米。試問天下，有幾人能玩的起1.6萬個處理器？

　　隨著 AlexNet的劃時代論文橫空出世，于是GPU 在服務器端橫掃天下。

　　有人會問，CPU和GPU，都是處理器，兩者有什么不同？

　　與CPU相比，GPU 出現得遠比 CPU 晚，但并行計算能力能卻常令CPU望塵莫及。并行計算是相對于串行計算來說的。要知道，自計算機誕生以來，電腦編程幾乎一直都是串行計算，絕大多數的程序只存在一個進程或線程，好比一個人只能先吃飯再看聊天。

　　但更多人喜歡邊吃飯邊聊天怎么辦？遇到這類問題，串行計算就傻眼了。并行計算一次可執行多個指令的算法，能夠完美解決吃飯聊天難題。解決方式可分為時間上的并行和空間上的并行。時間上的并行就是指流水線技術，而空間上的并行則是指用眾多個處理器并發的執行計算。

　　深度學習所依賴的是神經系統網絡，通常網絡越深，需要的訓練時間越長。對于一些網絡結構來說，如果使用串行的X86 處理器來訓練的話，可能需要幾個月、甚至幾年，因此必須要使用并行甚至是異構并行的方法，才有可能讓訓練時間變得可以接受。

　　在當前的人工智能芯片領域，GPU的應用領域不容小覷，據Jon Peddie Research（簡稱JPR）市場調研公司統計，在2008至2015年期間，除了2008年GPU市場規模稍有下降，其余年份全球獨立顯卡的出貨量和銷售額都呈現出明顯的上升趨勢，并且在2012至2015年有加速上升的表現。

　　GPU領域只有兩大公司，一是英偉達，占市場份額約7成，另一位則是萬年老二AMD，占市場份額約3成。

　　從GPU用戶數量來看，根據英偉達2016年的財務報告，相比2013年的100家，2014年的1549家，2015年已有3409家機構或企業使用英偉達的GPU產品，從事人工智能的研究。這些企業和機構包括各大高等院校的人工智能實驗室，互聯網企業，軍事企業等。

　　AMD雖然落后于英偉達，但2016年的市場份額已呈現出上升趨勢，在發布了代號Vega織女星的GPU芯片，市場一片叫好，未來可能有繼續上升的趨勢。

　　不足的是，GPU 很費電（比如高端顯卡動輒200W+），一旦開啟，散熱就成了麻煩事。

　　FPGA一幫

　　GPU美中不足的是就是太貴了，太貴了，而且有副作用，降溫是大個問題。怎么辦？

　　賽靈思等公司改進了FPGA許多技術，使之價格便宜功耗又很低，操練起來更有趣。于是，跟隨FPGA的越來越多，形成了一大流派。

　　FPGA是從哪里來的呢？

　　原來早在1984年賽靈思就發布世界上首款FPGA，當時的FPGA晶片尺寸很大，但成本卻不低。1992年后，FPGA因采用新工藝節點，第一次出現了在FPGA上實現卷積神經網絡。但直到2000年后，FPGA丹法結合了“易容術”后才略有小成，易容術是指FPGA 已不僅是門陣列，還是集成有可編程邏輯的復雜功能集。2008以來，FPGA不光可以越來越多地整合系統模塊，集成重要的控制功能，還可以使用更高效的系統編程語言，如OpenCL和C語言，通過類似軟件的流程來編程，降低了硬件編程的難度。于是，自2011年開始，出現了大規模基于FPGA的算法研究。

　　簡單來說，FPGA 全稱“現場可編程門陣列”（Field Programmable GateArray），其基本原理是在 FPGA 芯片內集成大量的數字電路基本門電路以及存儲器，而用戶可以通過更新FPGA 配置文件，來定義這些門電路以及存儲器之間的連線。

　　這里提及的“可編程”，完全就是“可變成”。這意味著你今天可以把 FPGA 配置成一個微控制器MCU，明天就可以更新配置文件把同一個 FPGA 配置成一個音頻編解碼器。你是不是想起了孫悟空七十二變，今天是個老頭明天是個少女？此乃易容術也。

　　不同于GPU的運行原理，FPGA是以門電路直接運算的，即編程中的語言在執行時會被翻譯成電路，優勢是運算速度快。

　　在很多領域FPGA的性能表現優異，以至于有人說FPGA可能會取代CPU和GPU成為將來機器人研發領域的主要芯片。當然，這事有點夸張。目前來看FPGA也多作為CPU的協處理器而出現，沖擊GPU是顯而易見的，但要說取代CPU，還得等等。

　　目前，國內有許多創業企業，自動加入FPGA陣營，提供基于FPGA的解決方案。比如源于清華大學的深鑒科技，專注于深度學習處理器與編譯器技術，深鑒科技研發了一種名為“深度壓縮”的技術，它不僅可以將神經網絡壓縮數十倍而不影響準確度，還可以使用“片上存儲”來存儲深度學習算法模型，減少內存讀取，大幅度減少功耗。

　　FPGA流派的廠商有兩大兩小，兩大廠分別是賽靈思、Altera（英特爾于2015年以167億美元收購Altera），兩小是LatTIce和Microsemi。

　　其中，賽靈思和Altera占據了近90%的市場份額，兩人旗下的專利超過6000項。而剩下約10%的市場份額，由Microsemi和LatTIce瓜分，這兩位的專利也有3000余項。由此可以看出，極高的技術門檻將其它希望進入FPGA市場的廠商牢牢擋在門外。

　　ASIC：由吸星大法突破

　　雖然GPU在并行計算方面有不少優勢，但畢竟不是為機器學習專門設計的，FPGA則是需要用戶自主編程，主要面向專業領域的企業用戶，門檻太高。

　　大眾消費領域怎辦？如應用到無人駕駛汽車上或是智能家居終端，這款芯片還要同時滿足高性能和低功耗的要求，甚至不需要將數據傳回服務器端，不必連入互聯網，本地即時計算即可。

　　ASIC挺身而出。

　　ASIC的全稱是專用集成電路 （ApplicaTIon-Specific Integrated Circuit）。

　　玩過比特幣的都知道著名的挖礦大戰。ASIC在比特幣挖礦領域，展現出了得天獨厚的優勢。2013年1月Avalon項目團隊交付了世界上第一臺商用比特幣ASIC礦機，轟動了挖礦世界。CPU、GPU礦機幾乎在一夜之間消失的無影無蹤，引發了比特幣挖礦行業第二次重大升級，比特幣網絡核心開發者Jeff Garzik有幸成為了第一個商業ASIC礦機的擁有者，據說當時收到Avalon礦機的用戶在一兩天內就回了本。而傳說中隱藏在農村的土豪，能動用的ASIC礦機達到了數千臺。

　　人工智能深度學習和比特幣挖礦有類似之處，都是依賴于底層的芯片進行大規模的并行計算。

　　ASIC分為全定制和半定制。全定制設計需要設計者完成所有電路的設計，因此需要大量人力物力，靈活性好但開發周期長，上市速度慢。專為機器學習設計的ASIC芯片，從設計到制造，對資金和技術的要求都更高。一般來說，基于FPGA的開發周期大約為六個月，而相同規格的ASIC則需要一年左右，需要經過多步驗證，可想而知，在這樣精細的打磨下，其性能自然也更為出色。

　　ASIC的開發時間長，意味著ASIC芯片很有可能趕不上市場變化的速度，致使廠商陷入竹籃打水一場空的尷尬境地。

　　類腦芯片：復制另一個人腦

　　類腦芯片不得不提IBM，每次產業變遷，IBN總要給大家帶來一些新鮮名詞熱鬧一番。比如電子商務、智慧星球，認知計算，現在又帶來了號稱要復制人腦的類腦芯片，科技真真太黑了。

　　IBM類腦芯片的后臺支持者是美國國防部先進研究項目局（DARPA），DARPA是可謂科技圈的泰山北斗，大名鼎鼎的Internet前身阿帕網即源于這個機構。

　　DARPA與IBM合作建立了一個項目，名為“神經形態自適應伸縮可塑電子系統計劃（SyNAPSE）”。該計劃意圖還原大腦的計算功能，從而制造出一種能夠模擬人類的感覺，理解，行動與交流的能力的系統，用途非常明確：輔助士兵在戰場動態復雜環境中的認知能力，用于無人武器的自動作戰。

　　該項目中最引人注目的是類腦芯片TureNorth。2011年，IBM發布第一代TrueNorth芯片，它可以像大腦一樣具有學習和信息處理能力，具有大規模并行計算能力。2014年，IBM發布第二代TrueNorth芯片，性能大幅提升，功耗卻只有70毫瓦，神經元數量由256個增加到100萬個，可編程突觸由262144個增加到2.56億個。高通也發布了Zeroth認知計算平臺，它可以融入到高通Snapdragon處理器芯片中，以協處理方式提升系統認知計算性能，實際應用于終端設備上。

　　“正北”問世，激起了國內研究機構對人工智能的的熱情。

　　上海的西井科技去年發布了全球首塊5000萬神經元類腦芯片。該公司宣稱，這是目前世界上含有神經元數量最多的類腦芯片，也是首塊可商用化類腦芯片。

　　總結：

　　AI芯片作為產業上游，也是技術要求和附加值最高的環節，產業價值和戰略地位遠遠大于應用層創新，因此我們需要高度重視。

　　放眼時代變遷，CPU領域WINTEL聯盟已經一統江山極難突破，而AI芯片方興未艾，機遇正在逐漸顯露，AI領域未來必然也會產生類似英特爾、AMD這樣的世界級企業。

　　美國以絕對實力處于領先地位，但一批中國初創企業也在蓄勢待發。

　　但是，AI芯片領域的創新絕不是件一蹴而就的事情。它涉及到人工智能算法、編程語言、計算機體系結構、集成電路技術、半導體工藝的方方面面。在巨大的國際競爭壓力下，靠單個企業研發投入，遠遠不夠；單靠有限的風險投資，也不行。靠科技補貼，更是遠水解不了近渴。