AI晶元市場廣闊 但絕大多數創業公司恐無法存活

不久前，谷歌在I/O大會發布了其第三代TPU，並宣稱其性能比去年的TUP 2.0提升8倍之多，達到每秒1000萬億次浮點計算，同時谷歌展示了其一系列基於TPU的AI應用。

可以說，AI已經成為科技行業除了區塊鏈之外最熱門的話題。AI晶元作為AI時代的基礎設施，也成為目前行業最熱門的領域。

下面這個表是媒體統計的部分AI晶元企業融資情況：

可以看到，AI晶元已經成為資本追逐的最熱門領域，資本對半導體晶元的熱情被AI技術徹底點燃。在創業公司未真正打開市場的情況下，AI晶元初創企業已經誕生了不少的獨角獸，多筆融資已經超過億元。

AI技術的革新，其從計算構架到應用，都和傳統處理器與演算法有巨大的差異，這給創業者和資本市場無限的遐想空間，這也是為什麼資本和人才對其趨之若鶩的原因。

但是，產業發展還是要遵循一定的產業規律，「商業技術評論」認為，絕大多數AI晶元公司都將成為歷史的炮灰，最後，在雲端和終端只剩下為數極少的幾個玩家。

目前對AI晶元的需求主要集中在哪些方面？

先來講講AI目前晶元大致的分類：從應用場景角度看，AI晶元主要有兩個方向，一個是在數據中心部署的雲端，一個是在消費者終端部署的終端。從功能角度看，AI晶元主要做兩個事情，一是Training（訓練），二是Inference（推理）。

目前AI晶元的大規模應用主要還是在雲端。雲端的AI晶元同時做兩個事情：Training和Inference。

Training即用大量標記過的數據來「訓練」相應的系統，使之可以適應特定的功能，比如給系統海量的「貓」的圖片，並告訴系統這個就是「貓」，之後系統就「知道」什麼是貓了；

Inference即用訓練好的系統來完成任務，接上面的例子，就是你將一張圖給之前訓練過的系統，讓他得出這張圖是不是貓這樣的結論。

Training和Inference在目前大多數的AI系統中，是相對獨立的過程，其對計算能力的要求也不盡相同。

Training需要極高的計算性能，需要較高的精度，需要能處理海量的數據，需要有一定的通用性，以便完成各種各樣的學習任務。

Inference相對來說對性能的要求並不高，對精度要求也要更低，在特定的場景下，對通用性要求也低，能完成特定任務即可，但因為Inference的結果直接提供給終端用戶，所以更關注用戶體驗的方面的優化。

Training將在很長一段時間裡集中在雲端，Inference的完成目前也主要集中在雲端，但隨著越來越多廠商的努力，很多的應用將逐漸轉移到終端。

目前的市場情況

雲端市場已被巨頭瓜分殆盡，創業公司生存空間幾乎消失

雲端AI晶元無論是從硬體還是軟體，已經被傳統巨頭控制，給新公司預留的空間極小。

下面這張圖是Compass Intelligence公布了全球AI晶元榜單。因為AI晶元目前在終端應用極少，所以榜單頭部的排名可以近似的認為就是雲端AI晶元的目前市場格局。

我們可以看到，晶元巨頭Nvidia（英偉達）已經牢牢佔據AI晶元榜首，由於CUDA開發平台的普及，英偉達的GPU是目前應用最廣的通用AI硬體計算平台。除了有實力自研晶元的企業（全世界也沒幾家），如果需要做AI相關的工作，必定需要用到Nvidia的晶元。

Nvidia的晶元應用普遍，現在所有的AI軟體庫都支持使用CUDA加速，包括谷歌的Tensorflow，Facebook的Caffe，亞馬遜的MXNet等。

除了一騎絕塵的英偉達，其他老牌的晶元巨頭都沒閑著，特別是Intel通過買、買、買奮力的將自己擠到了頭部玩家的位置。微軟在最新的Build大會上公布了基於英特爾FPGA的AI方案，而英特爾的FPGA業務正是通過收購Altera獲得的。

除此之外，我們可以看到像Google這樣的互聯網廠商也亂入了前五。

這當然要歸功於上面提到的TPU，雖然谷歌不直接售賣晶元，但是谷歌通過雲服務提供TPU的調用服務。谷歌很早就開源了Tensorflow軟體平台，這使得Tensorflow成為最主流的機器學習軟體平台，已經成了事實上行業的軟體平台標準。而Tensorflow最佳的計算環境必定就是谷歌自己的雲服務了，通過軟體、硬體（或者說雲）環境的打通，谷歌妥妥的成為AI晶元領域的一方霸主。

現在業界爭論的焦點是AI晶元的處理器架構用哪種是最好的，有前面提及的有GPU、FPGA、DSP和ASIC，甚至還有更前沿的腦神經形態晶元。現在GPU可以認為是處於優勢地位，但其他幾種的處理器架構也各有優勢。

Intel則是多方下注，不錯過任何一種處理器架構。谷歌在TPU（其實就是一種ASIC）方面的巨大投入帶來了硬體效能的極大提高，目前看來對GPU的衝擊將是最大的，原因不單單是因為專用架構帶來的效率優勢，還有商業模式方面帶來的成本優勢。

在半導體行業內的普遍觀點是，一旦AI的演算法相對穩定，ASIC肯定是最主流的晶元形態。看看挖礦晶元的進化歷程，這個觀點非常有說服力。

在雲端，互聯網巨頭已經成為了事實上的生態主導者，因為雲計算本來就是巨頭的戰場，現在所有開源AI框架也都是這些巨頭髮布的。在這樣一個生態已經固化的環境中，留給創業公司的空間實際已經消失。所以地平線的余凱在前幾年就對「商業技術評論」表示，雲端市場是巨頭的禁臠，創業公司沒有任何機會。

終端市場群雄割據，機會尚存

上面說到了Inference現在主要是在雲端完成的，這主要是因為現在終端上基本沒有合適的處理單元可以完成相應功能。所以我們發現很多AI功能都需要聯網才可以使用，這大大限制了AI的使用場景。所以將Inference放到終端來，讓一些功能可以本地完成，成了很多晶元廠商關注的領域。

華為的麒麟970便是最早將AI處理單元引入到終端產品的晶元，其中該晶元中的AI核心，是由AI晶元創業公司寒武紀提供的IP（知識產權）。該晶元的引入，可以幫助華為手機在終端完成一些特定的AI應用，比如高效的人臉檢測，相片的色彩美化等。

此後，蘋果，三星都宣布了在其處理器中引入相應的AI處理單元，提升手機終端的AI應用能力。

在終端上，由於目前還沒有一統天下的事實標準，晶元廠商可以說是八仙過海各顯神通。

給手機處理器開發AI協處理器是目前看來比較靠譜的方式，寒武紀Cambricon-1A集成進入麒麟970就是一個很好的例子。由於華為手機的巨大銷量，寒武紀迅速成為AI晶元獨角獸。

而另外一家創業公司深鑒科技此前獲得了三星的投資，其AI晶元IP已經集成到三星最新的處理器Exynos 9810中。

然而能獲得手機大廠青睞的AI晶元廠商畢竟是少數，更多的AI晶元廠商還需要找到更多的應用場景來使自己的晶元發光發熱。

一些傳統AI服務廠商很容易想到將自己的服務進行垂直拓展，比如的自然語音處理廠商雲知聲從自己的傳統語音業務出發，開發了自己的晶元UniOne語音AI晶元，用於物聯網IOT設備。

相對於語音市場，安防更是一個AI晶元扎堆的大產業，如果可以將自己的晶元置入攝像頭，是一個不錯的場景，也是很好的生意。包括雲天勵飛、海康威視、曠視科技等廠商都在大力開發安防領域的AI嵌入式晶元，而且已經完成了一定的商業化部署。

相對於雲端，終端留給AI晶元創業公司更廣闊的市場。但是於此同時，由於應用環境千差萬別，沒有相應的行業標準，各個廠商各自為戰，無法形成一個統一的規模化市場，對於投入巨大的晶元行業來說，是好故事，但不一定是個好生意。

怎樣的AI晶元企業會有機會？

AI晶元的誕生，源於一種全新的計算需求，傳統的計算架構很難滿足AI計算的要求，所以新的晶元成為業界追逐的熱點，這和多年前的顯卡市場非常像。

曾經的PC並沒有3D處理能力，CPU幾乎包攬了所有的功能，但是由於人們對於3D處理需求的逐漸增加，帶有3D加速功能的圖形處理器越來越成為人們關注的重點。

於是一大批圖形處理器企業如雨後春筍搬冒了出來。

3D顯卡誕生初期市場上的玩家

然而最後，只有Nvidia（也是目前的AI晶元巨頭）作為獨立的3D圖形處理器供應商活了下來。

ATI被AMD收購，仍然耕耘3D圖形市場，和Nvidia正面作戰，但常年的虧損也一直困擾著這個千年老二。

Intel早早退場，放棄了獨立顯卡產品線，但由於其控制了中央處理器，其顯示核心一直以集成的方式變相的和Nvidia以及AMD曲線作戰。

Nvidia之所以獲得成功，有以下幾方面原因：

首先在性能上，始終保持在第一梯隊，在最開始幾代失敗的產品後，Nvidia一直是最先進圖形技術的代名詞。當然，光有性能是不夠的，當時世面上還有很多性能差不多的產品。Nvidia在當時做了一件現在看來很平常的事情，就是推出了專屬驅動程序——雷管，並定期的更新，使其不斷的兼容最新的遊戲。這在當時顯卡標準混亂，遊戲兼容一塌糊塗的情況下，一舉奠定了其領先位置。

於此同時，Nvidia擁抱了當時最大軟體平台微軟推出的3D 圖形API介面——Driect 3D，在此之前，每家顯卡都有自己的3D API介面，標準極度不統一，也讓開發者非常頭痛，Driect 3D出現結束了這個局面，所以誰對DirectX支持好，誰就更受市場歡迎。Nvidia和ATI一直和微軟合力推動DriectX 和顯卡的換代升級，也因此坐穩了了PC顯卡的領先位置。

晶元是一個贏者通吃的市場，由於高昂的研發費用，只有市場第一才能形成規模優勢從而轉化成成本優勢，最後將其他玩家趕凈殺絕，無論是傳統的GPU行業還是CPU行業，都存在相同的情況。

然後我們再過來看AI晶元市場，AI雲端市場，其實更接近於顯卡市場的末期，主導的軟硬體生態已經形成，巨頭控制整個軟硬體和服務市場。如果AI技術在理論層面沒有新的突破，依然是以深度學習為基礎進行迭代升級的話，這個局面並不容易打破。

在終端市場，更接近於顯卡市場發展的初期，沒有統一的API介面，沒有統一的基準測試，沒有成熟的應用場景。

所以終端市場對於AI晶元創業公司來說，還是值得一搏的，但這也是一場硬仗，你必須在核心性能上擁有優勢，或是處理速度，或是功耗控制，總得有拿的出手的殺手鐧。第二，必須賭對標準，站到勝利者一邊，並藉此快速佔領市場。誰都想成為標準的制定者，但很多時候，你必須擁護其他人的標準，甚至是競爭對手的標準，才能贏得市場。

頭部玩家將吃下幾乎所有市場

晶元產業是一個資金密集型的產業，無論是研發，還是後期的生產，都要求極高的資金投入。如果產品沒有辦法規模化，將無法消化前期的高額開銷，將企業拖入虧損的泥潭。

拿PC行業CPU和顯卡領域的千年老二AMD為例，雖然常年坐二望一，偶爾爆發短期超越，但其財報可謂慘不忍睹，虧多盈少，經常以虧損減少為榮，基本不提盈利。但也因為晶元行業能保持市場第二，已經屬於不易，所以AMD即使常年虧損，其戰略地位仍然極具價值，仍然是晶元行業重要玩家。

至於老三，好像是不存在的（就是台灣的威盛，已經毫無市場存在感）。

移動晶元領域也存在類似的情況，高通和聯發科幾乎壟斷了整個市場，除了蘋果、華為、三星、依託自己的終端優勢，撐起了自己的晶元業務，其他純粹的晶元玩家已經基本被清場，又是一個和圖形處理器市場發展非常相似的過程，從百家爭鳴到寡頭壟斷。

而在AI晶元領域，這種情況也將繼續。頭部玩家將吃下幾乎所有市場，而第三名以外的玩家，即使能活下來，也只有喝湯的份了。

秦始皇統一中原，奠定了中國大一統帝國的統治基礎，但讓人神往的卻是之前的諸子百家。在那個思想激昂的年代，各種思潮不斷湧現，為後人提供了無限的精神財富。

在微軟統治PC操作系統之前，還有很多偉大的操作系統，比如OS/2、VMS，BeOS、Netware等。雖然這些系統在商業上失敗了，卻給整個行業留下了寶貴的財富，系統不只有一種實現方法，還有更多的可能。

AI晶元創業者們，正在用他們認為可行的方式，探索著行業的各種可能，雖然我們知道在最後，絕大多數的嘗試都將失敗，但這些失敗將成為推動整個產業發展的動力，將技術快速轉化成真正的應用，推動社會的發展。

若干年以後，當人們回顧AI行業的發展，可能會發現，最精彩的故事就發生在這個群雄並起的時代。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！