本文從人工智能芯片分類講起，介紹設備端推斷、云端推斷和訓練等層的AI芯片構成的產(chǎn)業(yè)生態(tài)，以及在這個生態(tài)中國內(nèi)外的競爭格局。

近日，國內(nèi)人工智能芯片公司寒武紀科技(Cambricon)獲得了一億美元A輪融資，是目前國內(nèi)人工智能芯片領域初創(chuàng)公司所獲得的最高融資記錄，如果要說這樁融資對人工智能領域的最直接意義，或許是讓人工智能芯片逐漸走入了更多人的視野。

深度學習不僅在傳統(tǒng)的語音識別、圖像識別、搜索/推薦引擎、計算廣告等領域證明了其劃時代的價值，也引爆了整個人工智能生態(tài)向更大的領域延伸。由于深度學習的訓練(training)和推斷(inference)均需要大量的計算，人工智能界正在面臨前所未有的算力挑戰(zhàn)，而其始作俑者，是摩爾定律的失效。

由于結構所限，CPU性能近年來未能呈現(xiàn)如摩爾定律預測的定期翻倍，于是具有數(shù)量眾多計算單元和超長流水線、具備強大并行計算能力與浮點計算能力的GPU，成為了深度學習模型訓練的標配。GPU可以大幅加速深度學習模型的訓練速度，相比CPU能提供更快的處理速度、更少的服務器投入和更低的功耗，并成為深度學習訓練層面的事實工具標準。

但是，隨著人工智能產(chǎn)業(yè)鏈的火速延伸，GPU并不能滿足所有場景(如手機)上的深度學習計算任務，GPU并不是深度學習算力痛點的唯一解。算力的剛需，吸引了眾多巨頭和初創(chuàng)公司紛紛進入人工智能芯片領域，并形成了一個自下而上的生態(tài)體系，本文希望通過不太長的篇幅，系統(tǒng)呈現(xiàn)這個繽紛而有趣的人工智能芯片生態(tài)。

1、人工智能芯片分類

一項深度學習工程的搭建，可分為訓練(training)和推斷(inference)兩個環(huán)節(jié):訓練環(huán)境通常需要通過大量的數(shù)據(jù)輸入，或采取增強學習等非監(jiān)督學習方法，訓練出一個復雜的深度神經(jīng)網(wǎng)絡模型。訓練過程由于涉及海量的訓練數(shù)據(jù)(大數(shù)據(jù))和復雜的深度神經(jīng)網(wǎng)絡結構，需要的計算規(guī)模非常龐大，通常需要GPU集群訓練幾天甚至數(shù)周的時間，在訓練環(huán)節(jié)GPU目前暫時扮演著難以輕易替代的角色。

推斷(inference)環(huán)節(jié)指利用訓練好的模型，使用新的數(shù)據(jù)去"推斷"出各種結論，如視頻監(jiān)控設備通過后臺的深度神經(jīng)網(wǎng)絡模型，判斷一張抓拍到的人臉是否屬于黑名單。雖然推斷環(huán)節(jié)的計算量相比訓練環(huán)節(jié)少，但仍然涉及大量的矩陣運算。在推斷環(huán)節(jié)，除了使用CPU或GPU進行運算外，F(xiàn)PGA以及ASIC均能發(fā)揮重大作用。

FPGA(可編程門陣列，F(xiàn)ieldProgrammableGateArray)是一種集成大量基本門電路及存儲器的芯片，可通過燒入FPGA配置文件來來定義這些門電路及存儲器間的連線，從而實現(xiàn)特定的功能。而且燒入的內(nèi)容是可配置的，通過配置特定的文件可將FPGA轉變?yōu)椴煌奶幚砥?，就如一塊可重復刷寫的白板一樣。

因此FPGA可靈活支持各類深度學習的計算任務，性能上根據(jù)百度的一項研究顯示，對于大量的矩陣運算GPU遠好于FPGA，但是當處理小計算量大批次的實際計算時FPGA性能優(yōu)于GPU，另外FPGA有低延遲的特點，非常適合在推斷環(huán)節(jié)支撐海量的用戶實時計算請求(如語音云識別)。

ASIC(專用集成電路，ApplicationSpecificIntegratedCircuit)則是不可配置的高度定制專用芯片。特點是需要大量的研發(fā)投入，如果不能保證出貨量其單顆成本難以下降，而且芯片的功能一旦流片后則無更改余地，若市場深度學習方向一旦改變，ASIC前期投入將無法回收，意味著ASIC具有較大的市場風險。但ASIC作為專用芯片性能高于FPGA，如能實現(xiàn)高出貨量，其單顆成本可做到遠低于FPGA。

從市場角度而言，目前人工智能芯片的需求可歸納為三個類別:首先是面向于各大人工智能企業(yè)及實驗室研發(fā)階段的訓練環(huán)節(jié)市場;

其次是數(shù)據(jù)中心推斷(inferenceoncloud)，無論是亞馬遜Alexa還是出門問問等主流人工智能應用，均需要通過云端提供服務，即推斷環(huán)節(jié)放在云端而非用戶設備上;

第三種是面向智能手機、智能安防攝像頭、機器人/無人機、自動駕駛、VR等設備的設備端推斷(inferenceondevice)市場，設備端推斷市場需要高度定制化、低功耗的人工智能芯片產(chǎn)品。如傳聞華為即將在Mate10的麒麟970中搭載寒武紀IP，旨在為手機端實現(xiàn)較強的深度學習本地端計算能力，從而支撐以往需要云端計算的人工智能應用。

我們圍繞上述的分類標準，從市場及芯片特性兩個角度出發(fā)，可勾畫出一個人工智能芯片的生態(tài)體系，整個生態(tài)體系分為訓練層、云端推斷層和設備端推斷層。

2、Training層芯片生態(tài)

毫無疑問在深度學習的Training階段，GPU成為了目前一項事實的工具標準。由于AMD今年來在通用計算以及生態(tài)圈構建方面都長期缺位，導致了在深度學習GPU加速市場NVIDIA一家獨大的局面。根據(jù)NVIDIA今年Q2年報顯示，NVIDIA的Q2收入為達到22.3億美元，毛利率更是達到了驚人的58.4%，其中數(shù)據(jù)中心(主要為面向深度學習的Tesla加速服務器)Q2收入4.16億美元，同比上升達175.5%。

面對深度學習Training這塊目前被NVIDIA賺得盆滿缽滿的市場，眾多巨頭紛紛對此發(fā)起了挑戰(zhàn)。Google今年5月份發(fā)布了TPU2.0，TPU是Google研發(fā)的一款針對深度學習加速的ASIC芯片，第一代TPU僅能用于推斷(即不可用于訓練模型)，并在AlphaGo人機大戰(zhàn)中提供了巨大的算力支撐。

而目前Google發(fā)布的TPU2.0除了推斷以外，還能高效支持訓練環(huán)節(jié)的深度網(wǎng)絡加速。根據(jù)Google披露，Google在自身的深度學習翻譯模型的實踐中，如果在32塊頂級GPU上并行訓練，需要一整天的訓練時間，而在TPU2.0上，八分之一個TPUPod(TPU集群，每64個TPU組成一個Pod)就能在6個小時內(nèi)完成同樣的訓練任務。

目前Google并沒急于推進TPU芯片的商業(yè)化。Google在TPU芯片的整體規(guī)劃是，基于自家開源、目前在深度學習框架領域排名第一的TensorFlow，結合Google云服務推出TensorFlowCloud，通過TensorFlow加TPU云加速的模式為AI開發(fā)者提供服務，Google或許并不會考慮直接出售TPU芯片。如果一旦Google將來能為AI開發(fā)者提供相比購買GPU更低成本的TPU云加速服務，借助TensorFlow生態(tài)毫無疑問會對NVIDIA構成重大威脅。

當然TPU作為一種ASIC芯片方案，意味著其巨大的研發(fā)投入和市場風險，而其背后的潛在市場也是巨大的:一個橫跨訓練和云端推斷的龐大云服務，但目前恐怕只有Google才有如此巨大的決心和資源稟賦，使用ASIC芯片去構筑這一布局--如果將來TPU云服務無法獲得巨大的市場份額從而降低單顆TPU的成本，Google將難以在這一市場盈利。

但市場的培育除了芯片本身顯然是不足夠的，還包括讓眾多熟悉GPU加速的研究/開發(fā)者轉到TPU云計算平臺的轉換成本，這意味著Google要做大量的生態(tài)系統(tǒng)培育工作。

除了Google外，昔日的GPU王者AMD目前也奮起直追，發(fā)布了三款基于RadeonInstinct的深度學習加速器方案，希望在GPU深度學習加速市場分回一點份額，當然AMD是否能針對NVIDIA的同類產(chǎn)品獲得相對優(yōu)勢尚為未知之數(shù)。

對于現(xiàn)任老大NVIDIA而言，目前當務之急無疑是建立護城河保衛(wèi)其市場份額，總結起來是三方面的核心舉措。一方面在產(chǎn)品研發(fā)上，NVIDIA耗費了高達30億美元的研發(fā)投入，推出了基于Volta、首款速度超越100TFlops的處理器Tesla，主打工業(yè)級超大規(guī)模深度網(wǎng)絡加速;

另外一方面是加強人工智能軟件堆棧體系的生態(tài)培育，即提供易用、完善的GPU深度學習平臺，不斷完善CUDA、cuDNN等套件以及深度學習框架、深度學習類庫來保持NVIDIA體系GPU加速方案的粘性。第三是推出NVIDIAGPUCloud云計算平臺，除了提供GPU云加速服務外，NVIDIA以NVDocker方式提供全面集成和優(yōu)化的深度學習框架容器庫，以其便利性進一步吸引中小AI開發(fā)者使用其平臺。

核心驅動能力:對于深度學習訓練這個人工智能生態(tài)最為關鍵的一環(huán)，我們可以看到競爭的核心已經(jīng)不是單純的芯片本身，而是基于芯片加速背后的整個生態(tài)圈，提供足夠友好、易用的工具環(huán)境讓開發(fā)者迅速獲取到深度學習加速算力，從而降低深度學習模型研發(fā)+訓練加速的整體TCO和研發(fā)周期。

一言蔽之，這個領域是巨頭玩家的戰(zhàn)場，普通的初創(chuàng)公司進入這個領域幾乎沒有任何的機會，接下來的核心看點，是Google究竟是否能憑借TensorFlow+GoogleCloud+TPU2.0生態(tài)取得對NVIDIA的相對優(yōu)勢，以市場份額的量變引起質變。

畢竟相比主打通用計算的NVIDIAGPU，TPU的ASIC方案當出貨量突破一定閾值后，其單顆價格和功耗比均能構成無法忽視的競爭優(yōu)勢。當然，這取決于兩個前提條件:一是深度學習主流框架在今后幾年不發(fā)生重大變化，比如深度學習變得不再高度依賴矩陣運算，否則一顆寫死的ASIC將失去幾乎一切價值。二是Google能構筑出足夠好用的生態(tài)，讓眾多AI研究/開發(fā)者從CUDA+GPU轉向Google，打破業(yè)界對NVIDIA的路徑依賴，而這點才是真正艱難的道路。

3、InferenceOnCloud層芯片生態(tài)

當一項深度學習應用，如基于深度神經(jīng)網(wǎng)絡的機器翻譯服務，經(jīng)過數(shù)周甚至長達數(shù)月的GPU集群并行訓練后獲得了足夠性能，接下來將投入面向終端用戶的消費級服務應用中。由于一般而言訓練出來的深度神經(jīng)網(wǎng)絡模型往往非常復雜，其Inference(推斷)仍然是計算密集型和存儲密集型的，這使得它難以被部署到資源有限的終端用戶設備(如智能手機)上。

正如Google不期望用戶會安裝一個大小超過300M的機器翻譯APP應用到手機上，并且每次翻譯推斷(應用訓練好的神經(jīng)網(wǎng)絡模型計算出翻譯的結果)的手機本地計算時間長達數(shù)分鐘甚至耗盡手機電量仍然未完成計算。這時候，云端推斷(InferenceOnCloud)在人工智能應用部署架構上變得非常必要。

雖然單次推斷的計算量遠遠無法和訓練相比，但如果假設有1000萬人同時使用這項機器翻譯服務，其推斷的計算量總和足以對云服務器帶來巨大壓力，而隨著人工智能應用的普及，這點無疑會變成常態(tài)以及業(yè)界的另一個痛點。由于海量的推斷請求仍然是計算密集型任務，CPU在推斷環(huán)節(jié)再次成為瓶頸。

但在云端推斷環(huán)節(jié)，GPU不再是最優(yōu)的選擇，取而代之的是，目前3A(阿里云、Amazon、微軟Azure)都紛紛探索云服務器+FPGA芯片模式替代傳統(tǒng)CPU以支撐推斷環(huán)節(jié)在云端的技術密集型任務。

亞馬遜AWS在去年推出了基于FPGA的云服務器EC2F1;微軟早在2015年就通過Catapult項目在數(shù)據(jù)中心實驗CPU+FPGA方案;而百度則選擇與FPGA巨頭Xilinx(賽思靈)合作，在百度云服務器中部署KintexFPGA，用于深度學習推斷，而阿里云、騰訊云均有類似圍繞FPGA的布局，具體如下表所示。當然值得一提的是，F(xiàn)PGA芯片廠商也出現(xiàn)了一家中國企業(yè)的身影--清華系背景、定位于深度學習FPGA方案的深鑒科技，目前深鑒已經(jīng)獲得了Xilinx的戰(zhàn)略性投資。

云計算巨頭紛紛布局云計算+FPGA芯片，首先因為FPGA作為一種可編程芯片，非常適合部署于提供虛擬化服務的云計算平臺之中。FPGA的靈活性，可賦予云服務商根據(jù)市場需求調(diào)整FPGA加速服務供給的能力。比如一批深度學習加速的FPGA實例，可根據(jù)市場需求導向，通過改變芯片內(nèi)容變更為如加解密實例等其他應用，以確保數(shù)據(jù)中心中FPGA的巨大投資不會因為市場風向變化而陷入風險之中。

另外，由于FPGA的體系結構特點，非常適合用于低延遲的流式計算密集型任務處理，意味著FPGA芯片做面向與海量用戶高并發(fā)的云端推斷，相比GPU具備更低計算延遲的優(yōu)勢，能夠提供更佳的消費者體驗。

在云端推斷的芯片生態(tài)中，不得不提的最重要力量是PC時代的王者英特爾。面對摩爾定律失效的CPU產(chǎn)品線，英特爾痛定思痛，將PC時代積累的現(xiàn)金流，通過多樁大手筆的并購迅速補充人工智能時代的核心資源能力。首先以167億美元的代價收購FPGA界排名第二的Altera，整合Altera多年FPGA技術以及英特爾自身的生產(chǎn)線，推出CPU+FPGA異構計算產(chǎn)品主攻深度學習的云端推斷市場。

另外，去年通過收購擁有為深度學習優(yōu)化的硬件和軟件堆棧的Nervana，補全了深度學習領域的軟件服務能力。當然，不得不提的是英特爾還收購了領先的ADAS服務商Mobileye以及計算機視覺處理芯片廠商Movidius，將人工智能芯片的觸角延伸到了設備端市場，這點將在本文余下部分講述。

相比Training市場中NVIDIA一家獨大，云端推斷芯片領域目前可謂風起云涌，一方面英特爾希望通過深耕CPU+FPGA解決方案，成為云端推斷領域的NVIDIA，打一次漂亮的翻身仗。另外由于云端推斷市場當前的需求并未進入真正的高速爆發(fā)期，多數(shù)人工智能應用當前仍處于試驗性階段，尚未在消費級市場形成巨大需求，各云計算服務商似乎有意憑借自身云服務優(yōu)勢，在這個爆發(fā)點來臨之前布局自己的云端FPGA應用生態(tài)，做到肥水不流外人(英特爾)田。

另外一個不可忽視的因素，是Google的TPU生態(tài)對云端推斷的市場份額同樣有巨大的野心，也許這將會是一場徹頭徹尾的大混戰(zhàn)。

4、InferenceOnDevice層芯片生態(tài)

隨著人工智能應用生態(tài)的爆發(fā)，將會出現(xiàn)越來越多不能單純依賴云端推斷的設備。例如，自動駕駛汽車的推斷，不能交由云端完成，否則如果出現(xiàn)網(wǎng)絡延時則是災難性后果;或者大型城市動輒百萬級數(shù)量的高清攝像頭，其人臉識別推斷如果全交由云端完成，高清錄像的網(wǎng)絡傳輸帶寬將讓整個城市的移動網(wǎng)絡不堪重負。

未來在相當一部分人工智能應用場景中，要求終端設備本身需要具備足夠的推斷計算能力，而顯然當前ARM等架構芯片的計算能力，并不能滿足這些終端設備的本地深度神經(jīng)網(wǎng)絡推斷，業(yè)界需要全新的低功耗異構芯片，賦予設備足夠的算力去應對未來越發(fā)增多的人工智能應用場景。

有哪些設備需要具備InferenceOnDevice能力?主流場景包括智能手機、ADAS、CV設備、VR設備、語音交互設備以及機器人。

智能手機--智能手機中嵌入深度神經(jīng)網(wǎng)絡加速芯片，或許將成為業(yè)界的一個新趨勢，當然這個趨勢要等到有足夠基于深度學習的殺手級APP出現(xiàn)才能得以確認。傳聞中華為即將在Mate10的麒麟970中搭載寒武紀IP，為Mate10帶來較強的深度學習本地端推斷能力，讓各類基于深度神經(jīng)網(wǎng)絡的攝影/圖像處理應用能夠為用戶提供更加的體驗。

另外，高通同樣有意在日后的芯片中加入驍龍神經(jīng)處理引擎，用于本地端推斷，同時ARM也推出了針對深度學習優(yōu)化的DynamIQ技術。對于高通等SoC廠商，在其成熟的芯片方案中加入深度學習加速器IP并不是什么難事，智能手機未來人工智能芯片的生態(tài)基本可以斷定仍會掌握在傳統(tǒng)SoC商手中。

ADAS(高級輔助駕駛系統(tǒng))--ADAS作為最吸引大眾眼球的人工智能應用之一，需要處理海量由激光雷達、毫米波雷達、攝像頭等傳感器采集的海量實時數(shù)據(jù)。作為ADAS的中樞大腦，ADAS芯片市場的主要玩家包括今年被英特爾收購的Mobileye、去年被高通以470億美元驚人價格收購的NXP，以及汽車電子的領軍企業(yè)英飛凌。隨著NVIDIA推出自家基于GPU的ADAS解決方案DrivePX2，NVIDIA也加入到戰(zhàn)團之中。

CV(計算機視覺，ComputerVision)設備--計算機視覺領域全球領先的芯片提供商是Movidius，目前已被英特爾收購，大疆無人機、?？低暫痛笕A股份的智能監(jiān)控攝像頭均使用了Movidius的Myriad系列芯片。需要深度使用計算機視覺技術的設備，如上述提及的智能攝像頭、無人機，以及行車記錄儀、人臉識別迎賓機器人、智能手寫板等設備，往往都具有本地端推斷的剛需，如剛才提及的這些設備如果僅能在聯(lián)網(wǎng)下工作，無疑將帶來糟糕的體驗。。而計算機視覺技術目前看來將會成為人工智能應用的沃土之一，計算機視覺芯片將擁有廣闊的市場前景。目前國內(nèi)做計算機視覺技術的公司以初創(chuàng)公司為主，如商湯科技、阿里系曠視、騰訊優(yōu)圖，以及云從、依圖等公司。在這些公司中，未來有可能隨著其自身計算機視覺技術的積累漸深，部分公司將會自然而然轉入CV芯片的研發(fā)中，正如Movidius也正是從計算機視覺技術到芯片商一路走來的路徑。

VR設備、語音交互設備以及機器人--由于篇幅關系，這幾個領域放在一起介紹。VR設備芯片的代表為微軟為自身VR設備Hololens而研發(fā)的HPU芯片，這顆由臺積電代工的芯片能同時處理來自5個攝像頭、一個深度傳感器以及運動傳感器的數(shù)據(jù)，并具備計算機視覺的矩陣運算和CNN運算的加速功能。

語音交互設備芯片方面，國內(nèi)有啟英泰倫以及云知聲兩家公司，其提供的芯片方案均內(nèi)置了為語音識別而優(yōu)化的深度神經(jīng)網(wǎng)絡加速方案，實現(xiàn)設備的語音離線識別。機器人方面，無論是家居機器人還是商用服務機器人均需要專用軟件+芯片的人工智能解決方案，這方面典型公司有由前百度深度學習實驗室負責人余凱創(chuàng)辦的地平線機器人，當然地平線機器人除此之外，還提供ADAS、智能家居等其他嵌入式人工智能解決方案。

在InferenceOnDevice領域，我們看到的是一個繽紛的生態(tài)。因為無論是ADAS還是各類CV、VR等設備領域，人工智能應用仍遠未成熟，各人工智能技術服務商在深耕各自領域的同時，逐漸由人工智能軟件演進到軟件+芯片解決方案是自然而然的路徑，因此形成了豐富的芯片產(chǎn)品方案。但我們同時觀察到的是，NVIDIA、英特爾等巨頭逐漸也將觸手延伸到了InferenceOnDevice領域，意圖形成端到端的綜合人工智能解決方案體系，實現(xiàn)各層次資源的聯(lián)動。

2017年8月25日，億歐智庫正式發(fā)布《2017人工智能賦能醫(yī)療產(chǎn)業(yè)研究報告》，該報告總結八大應用場景，從產(chǎn)品形態(tài)、業(yè)務模式、公司現(xiàn)狀等角度對各場景進行深度解析，進而對我國醫(yī)療人工智能公司宏觀數(shù)據(jù)和巨頭企業(yè)布局進行盤點，最后提出"人工智能+醫(yī)療"未來發(fā)展機遇與挑戰(zhàn)。了解更多報告內(nèi)容，請點擊:《2017人工智能賦能醫(yī)療產(chǎn)業(yè)研究報告》

更多資訊請關注工業(yè)機器人頻道