目前的AI芯片市場，幾乎全都在談論深度學習。深度學習（DL）是機器學習之中，能讓AI應用在現實世界中實現價值的最佳范例，而這其中又以加速（accelerating）深度學習最受關注，因為加速是訓練與推理過程所必需的。

AI芯片市場的參與者目前呈爆炸式增長：在最近的一份研究報告中，我們統計出全球約80家初創公司坐擁投資者的105億美元，與大約34家成熟的參與者競爭。顯然，這種狀況是不會長久的，但我們需要對市場進行剖析，以更好地理解為什么會形成目前這種狀況、它會如何變化，以及這一切意味著什么。

將時光倒流至2010年左右，當時英偉達（Nvidia）在其圖形處理單元上推出了高端通用計算（GPGPU，現在簡稱為GPU）。它引發了深度學習的興起，將大型神經網絡的訓練時間從幾個月或幾周減少到幾天幾小時，甚至更少。英偉達自此成功轉型為AI計算公司，并開發出了數十億美元的新業務。

這也刺激了其他芯片公司和芯片架構師開始思考——如何從一張白紙開始，構建一個專門用于運行AI工作負載的架構，還要比針對多種工作負載設計的GPU更好？

如今，AI工作負載僅僅意味著運行深度學習，這是目前的市場需求所在。

但市場需求是多變的。盡管大多數AI訓練都在數據中心（包括超大規模云端）和工作站上進行，但AI推理卻隨處可見：在云端、在工作站、在邊緣……尤其是邊緣端。

人工智能芯片市場如何細分

無論一個初創企業決定加入哪個細分市場，競爭都將非常激烈。我發現將這個市場映射為一個三角形非常有用。三角形的每個頂點都有自己的一組標準來代表獨特的市場需求。

三角形的頂點是數據中心、云端和HPC環境對AI芯片的需求。Cerebras公司很好地抓住了這一市場，它制造了世界上最大的芯片，晶圓級引擎（Wafer Scale Engine，WSE）。這個細分市場需要最高的計算能力，而功耗和成本則是次要的。初創企業面臨的挑戰是他們要與超大規模企業和老牌企業競爭，比如英偉達就在穩步發布其不斷改進的架構，其最新版本（Ampere）已于2020年5月發布。

三角形的下端主要涉及推理，企業可以在保持準確性的同時，構建較低精度的芯片。其對產品的需求和三角形頂點有所不同，主要包括芯片大小、低延遲、低功耗和低單位成本。特別是小邊緣市場，這是所有初創企業最活躍的市場，像英偉達這樣的大牌公司不太會參與這個市場的競爭，英偉達也曾表示它不打算涉足大宗商品推理市場。但是，處于這個角落的玩家不僅要與競爭對手競爭，而且還要與潛在客戶斗智斗勇，因為客戶可能會決定自己創建一家公司或購買一家初創公司。

人工智能芯片的下一步發展

AI芯片領域中有太多的競爭者，看看圖1中三角形的每個頂點就知道，最好的全方位設計才會勝出。除了我們已提到的各種因素，還需要添加成熟的軟件開發堆棧、針對市場的愿景以及將深度學習應用嵌入產品中的更大潛力，這樣才能使市場合理化。

不過，這個市場中已經有犧牲者了，最近的是Wave Computing于2020年4月宣布破產。

競爭導致市場上出現更快、更高性能的AI芯片，AI研究人員將從中受益來實現他們奇思妙想。我也更期待出現新的算法取代深度學習當前的霸主地位——AI研究的長期愿景是創建像人類一樣的人造大腦，很顯然深度學習是死胡同。新算法不可避免地會出現（有些已經出現，但不是本文涵蓋的內容），而這些下一代算法可能需要不同類型的加速器。

深度學習在實際案例中的應用廣度，使這些芯片擁有數十億美元的市場，隨著5G的推出，還將不斷增長。這個市場需要AI硬件加速器。AI芯片市場將趨于合理化，然后整個游戲將隨著下一代AI算法的崛起而發生改變，不過，沒人清楚這個改變什么時候會發生。
責任編輯:tzh