人工智慧晶元領域的再思考

連續兩周都有密集的人工智慧晶元峰會，大家都探討了人工智慧晶元方面的進展。由於人工智慧晶元領域是新興的事物，整個產業鏈很不完整，必須提供晶元/硬體、軟體SDK、到應用的解決方案，以及打造自己的生態系統，這一點基本都達成共識。這也與我在以前寫的《新興晶元領域創業認知的理解》以及《新興領域創業的挑戰》中的觀點一致。但這樣就夠了嗎？我覺得肯定還有其他方面的東西需要思考。所以先拋出自己的一些觀點，當然不一定正確，歡迎一起探討。

首先需要考慮的是，當前做AI晶元，特別是量產的時機是否已經到來？從技術上來說，目前在深度學習的演算法上，雖然都有推出Caffee, Tensor Flow等各種框架和演算法，但是圍繞著很多方面，都一直有很多演算法的變化，這些變化可能會影響到對晶元的定義，因為晶元是硬體的東西，一旦固定很難更改。在不同的應用場合需要不同的演算法以及算力的考慮，目前做晶元是否能滿足這些變化的要求，或者說在某個可以看到的具有較大量支撐的領域，比如安防領域，對演算法和算力的要求，目前是否已經相對定型，圍繞這塊領域的晶元設計的時機是否已經到來？我相信在更多細分的領域，比如在工業的機器視覺領域，FPGA或者其他通用AP可能是更合適的方式，特別是在FPGA上，可以針對某個應用做硬體的更好優化，加上本身工具鏈的進一步成熟，ASIC晶元在算力上很可能還不如FPGA，FPGA作為可選擇的方案可能長期存在。當然FPGA有其自身的弱點，在功耗、面積等方面。所以從價格、成本投入、上市周期、功耗、性能等方面，仍然需要多角度考慮。當然我不否認做晶元的價值，只有先tapeout晶元，才能更清楚地想明白很多問題，也才能通過嚮應用需求端不斷的磨合，做出更好的產品，所以我一直覺得這一步是必不可少的。但是一方面晶元tapeout本身就是一個大的投入，更何況量產。在時機未成熟的情況下，FPGA一直是更好的選擇。

再一個考慮的是切入的領域問題。目前大家大致的方向是比如安防、汽車、伺服器、智能家居等幾個大的方向。在大的賽道上也意味著競爭對手更強，比如在安防領域會碰到海思，也可能會碰到下游的海康、大華，它們也很可能會切入。當然你很可能會說，這一塊大家都有機會，就看誰先做出更好的符合要求的產品。我不否認，但是有可能在現在看得到的主流賽道上會很擁擠，在整個產業鏈上需要牽扯的各種複雜的因素太多，反而影響自己的快速發展。是否有在目前想不到的領域，不同的應用場景，有強和弱人工智慧應用之分，比如安防某細分領域，汽車某細分領域，伺服器某細分領域，或者其他某領域，會促成自己在該領域快速發展，積累起自己深厚的資本。比如比特大陸，因為切入的領域沒有發現競爭者，市場快速起來，晶元居然越賣越貴，賺得盆滿缽滿，快速奠定自己的江湖地位。突然想起前幾天看文章，馬雲說的一句話，「有了一張戰略圖之後，一定要找到一個地方是一刀捅進去就會流血的，聞到血腥味大家自然會衝上來，這張皮一定能被撕開，如果4、5個點都是拿小釘子敲，敲了3年下來沒有一個點是敲破的，所有人都崩潰了。重要的是一定要找到一個點切入，把它做深做透，徹底的把這個樁打進去。」

第三點是在前端的人工智慧晶元上，如果只有深度學習算力的晶元應該還是過度性產品，最終是要SoC化的，即加入更多的模塊、介面，在前端上做成單一集成的晶元方案，因為那樣最經濟。當前對深度學習的研究很熱，在很短的時間裡面達到很高的高度，也培養了很多人才。所以如果再往前發展，在某些領域演算法很有可能演算法已經不是稀缺的要素，這時候天平就會倒向工程化的人才，在晶元上具有多年經驗的人才會更有優勢，因為他們更熟悉晶元的供應鏈，以及設計方面的細節問題。就好比20年前，做網頁設計的月收入也能有8000塊，可現在呢？同時，在SoC上，很可能其他要素才是更稀缺的，比如針對AI的ISP技術，要知道熟悉ISP演算法的人才，從某種意義上來說是更為稀缺的。所以在產業演進的過程中，要一直考慮好自己的核心競爭力，人工智慧晶元的價值很可能在深度學習演算法之外。

暫時就想到這三點，希望對大家，特別是對人工智慧晶元公司的戰略決策者有用。

本公眾號發布電子信息領域產業研究的文章，與相關人士探討產業發展之道，迎接新硬體時代（硬體、軟體和數據的融合）的到來。

微信掃碼打賞（請在備註標明身份，以供感謝）

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！