AI芯片百家争鸣，谁能走到最后？
InfoQ记者罗燕珊
讲述：丁婵大小：7.75M时长：05:39
你好，欢迎收听极客视点。
算力、算法和数据被称作 AI 发展的三要素，其中为算力提供支撑的底层硬件便是 AI 芯片。过去几年随着 AI 应用的发展，行业掀起了 AI 芯片热潮，一批 AI 初创芯片公司应运而生。对这些公司而言，AI 发展需要专用芯片的加持，当下迎来的是重要的历史性机遇，但同时，芯片行业又是最现实的行业之一，投入大、产出慢，更需要能落地并且被市场认可的结果，而这对很多芯片初创企业来说，并非易事。
峰值算力不等于有效算力
有效算力和高性能是 AI 芯片的关注焦点，通过提高算力峰值来提高性能是方法之一，但往往需要付出不小的成本。在 AI 芯片通用时代还未到来之前，针对不同应用场景，很大几率需要不同的 AI 芯片来支持，各家芯片公司正试图从不同维度突破更具性价比的“有效算力”。
地平线曾提出，不应该把传统芯片常用的 TOPS 作为衡量 AI 芯片性能的标准，能够全面体现 AI 芯片真实性能的应该是能效、利用率、算法能力的乘积，因此不仅要对芯片和算法进行优化，还要对连接两者的编译器等中间环节进行优化，最终达成全面优化。
而鲲云科技认为，有可能实现 10 倍以上突破的下一代 AI 芯片指标是芯片利用率，即芯片实测算力与芯片峰值算力的比值，这需要从计算平台底层架构进行创新。
“但创新很难，没有既定的人和路线可以模仿，所有事情都要自己去探索，需要在这个行业不断积累和了解，然后继续往前走。” 鲲云科技创始人兼 CEO 牛昕宇坦言，数据流这个路线不止鲲云在走，美国有 Sambanova、Wave Computing 和 Groq 在做，但都还未推出产品。据称，目前鲲云是全球第一家将数据流 AI 芯片落地的厂商，接下来，其首款数据流 AI 芯片 CAISA 将以加速卡的形态相继落地于智能遥感、电力、工业检测、智慧城市等领域。
终端芯片市场机遇更大
机器学习算法流程又分为训练和推理两大环节，不同的环节对 AI 芯片有不同要求。训练主要在云端进行，通常计算量巨大因此对性能要求很高，而推理在云、边缘和终端均可进行，更侧重芯片的低成本和低功耗。
集邦咨询分析师姚嘉洋向 InfoQ 表示，目前训练芯片方面，英伟达居于领先位置；推理芯片方面，投入的企业非常多，重点是要聚焦哪种应用场景。不同的终端应用所需要的 AI 运算也会有所不同，如何进一步聚焦特定应用并加以发展，会是 AI 推理芯片从业者必须要思考的课题。
从行业现状来看，对于 AI 芯片企业，尤其是初创企业而言，终端 / 边缘侧的机会多于云端。
耐能（Kneron）也是从一开始就专注终端市场的 AI 芯片公司。耐能创始人兼 CEO 刘峻诚日前接受 InfoQ 采访时亦指出，云端市场份额很有可能都被大公司拿下，小公司在这个领域没有太大的机会。但终端市场不同，终端下面又细分了很多子领域，不像云那样能用一个架构“吃掉”，所以耐能选择了终端方向，切入消费电子领域的 AI 芯片，比如智能门锁、智能门铃、 IoT、智慧家居等。
德勤预测，至 2024 年，边缘人工智能芯片销量预计将超过 15 亿片，甚至可能远远超过这一数据，年销量增长率将达到 20%，是半导体行业整体长期预测的 9% 复合年均增长率的两倍以上。而这些边缘 AI 芯片很大可能将流向日益增多的消费级设备，如高端智能手机、平板电脑、智能音箱及可穿戴设备等，同时也将应用于多个企业市场——机器人、摄像头、传感器及其他物联网设备。
落地与盈利的终极问题
毫无疑问，AI 芯片投入大、研发周期长，要博得一席之地并非易事。尤其对规模较小的创业公司来说，若没有清晰的落地应用和商业模式，就连生存都是问题。
创业公司还要面对来自大公司的压力，像英特尔、英伟达和高通这些芯片巨头近些年都在 AI 领域持续布局，谷歌、亚马逊、百度等互联网公司也纷纷借助自有业务来支撑芯片研发工作和落地。
另外，软件工具链和生态的打造，一直是专用处理器设计的巨大挑战。在这方面，英伟达是业内公认的绝对标杆，其推出的统一编程框架 CUDA 已有十几年的积累，由于完整的配套生态、良好的易用性和高效的更新迭代速度而广受机器学习应用开发者和框架开发者欢迎。在这方面，AI 初创企业们还有相当长的路要走。
以上就是今天的内容，你对 AI 芯片行业热潮有何看法呢？
公开
同步至部落
取消
完成
0/2000
荧光笔
直线
曲线笔记
复制
AI
- 深入了解
- 翻译
- 解释
- 总结
该免费文章来自《极客视点》，如需阅读全部文章，
请先领取课程
请先领取课程
免费领取
© 版权归极客邦科技所有，未经许可不得传播售卖。 页面已增加防盗追踪，如有侵权极客邦将依法追究其法律责任。
登录 后留言
精选留言
由作者筛选后的优质留言将会公开显示，欢迎踊跃留言。
收起评论