AI芯片市场需要一把火还是一桶冰？

最近，AI芯片市场明显“冷”了下来。

作为芯片市场的一哥，英伟达刚刚发布的Q1季度报告表现就十分不理想。数据显示，截至2019年4月28日，英伟达当季收入22.20亿美元，环比增长1%，同比下跌31%，毛利率58.4％，环比提高3.7个百分点，同比减少6.1个百分点；净利润3.94亿美元，环比下跌31％，同比下跌68％。数据一出，整个AI芯片市场的心态都很难不受影响。

英伟达营收下跌的因素有很多，作为高端芯片设计巨头，就像是早年苹果显著优势被不断追赶上一般，现在英伟达也处在这样的困局之中，创新无力，优势渐失。因此，它的利润下跌暗示出两个信号：1.整个市场平均水平上升了；2.高端AI芯片市场产品性能发展“停滞不前”。可见，形势已然生变。

人人可做的AI芯片

从应用角度来看，AI芯片主要应用在云、边缘和端侧。其中云上最为常见的产品是AI加速器，其主要用于加速深度学习训练和推理；而在边缘和端侧，则根据在智能手机、安防、汽车等领域应用场景的不同出现各类AI芯片。其中云端训练需求大约占AI芯片市场的50%，云端推理需求约占AI芯片市场的25%，边缘和端侧占据25%。

数据显示，AI芯片市场规模在未来5年将会增长10倍，到2022年达到35亿美元，可以说是一个相当可观的市场。

但是入局者很多，尤其是在应用端，国内原本做安防、语音语义、人脸识别、云计算等领域解决方案的公司纷纷开始了自研芯片的道路，从百度、阿里到思必驰、云天励飞。而2018年大批AI算法公司开始转向各自所在领域的AI芯片研究，这也不再让人感到惊奇。

开先河的人是谁？似乎是特斯拉。大家应该都还记得，马斯克“嫌弃”英伟达芯片之后自己默默地就研发了用于自动驾驶的芯片，速度很快就换下了英伟达芯片，完全是一副“很容易做”的态势。

公开数据显示，截止2018年底，国内芯片设计公司规模已经发展到近1700家，虽然受经济影响，增速大不如前两年，但是仍然有不少人想要抢夺这块蛋糕。在AI的大背景下，人人可做芯片成为一个再正常不过的现象，这也让这部分尚未成型的市场争夺格外激烈。

2018年是格外热闹的一年，包括云知声、思必驰、出门问问等国内不少AI初创企业纷纷推出了自己的芯片或模组。而今年年初，云知声更是一口气发布了三款芯片：第二代物联网语音AI芯片雨燕Lite，面向智慧城市的支持图像与语音计算的多模态AI芯片海豚(Dolphin)以及面向智慧出行的车规级多模态AI芯片雪豹(Leopard)；而思必驰也携手中芯国际发布AI语音芯片TAIHANG。如此之类，比比皆是。

可以看出，尤其是在终端应用上，芯片设计巨头的优势正在逐渐消失。

为什么AI芯片人人可做？

“做神经网络芯片并不难。”在刚刚结束的CAIS大会上，赛灵思人工智能业务资深总监姚颂公开表示。

言下之意，现在应用于深度学习算法的AI芯片开发起来并不是一件困难的事情。因为应用在特定领域，对于初创公司来说，专用架构设计已经没有太高门槛，早期的初创公司如寒武纪、地平线等公司也都已经开始比拼工程能力和客户能力。

那AI芯片到底为何如此容易做？

回答这个问题还需要回到AI芯片是什么这个话题上。

说起AI芯片，它是一个比较宽泛的概念，且至今为止都没有一个明确的定义。从广义范畴上讲，面向AI计算应用的芯片都可以称为AI芯片。除了以GPU、FPGA、ASIC为代表的AI加速芯片（基于传统芯片架构，对某类特定算法或者场景进行AI计算加速），还有比较前沿性的研究，例如类脑芯片、可重构通用AI芯片等。

但后者距离大规模商用还有较长距离，暂时不会对市场造成太大影响。因此一般情况下，当我们谈论AI芯片，我们通常指的是以GPU、FPGA、ASIC为代表的AI芯片，而它们本质上就是AI加速器或计算卡，即专门用于加速AI应用中的大量计算任务的模块（其他非计算任务仍由CPU负责）。

如业内人所分析，因AI芯片就是用于计算的芯片，效率高，功能相对单一，且不涉及IP授权问题，应用起来更节约资源且门槛要比通用芯片低，故而进场者众多。

当然，除了技术本身，AI芯片市场发展的停滞不前也为入局者留有了足够的时间。有业内人调侃说，“我去年把工作重心放在了5G，今年转回来去做AI芯片，发现还是没有多大变化。”

可以看出，门槛低、专用性强、AI芯片再难创新等因素都直接促使了AI公司纷纷去做自己的AI芯片。

市场混战，谁能胜出？

不同于传统芯片市场，AI芯片专用性强，进入门槛也相对较低，且基础架构设计没有特定限制，因此整个硬件市场颇为“混乱”，资源也比较分散。

发展两年下来，“鱼龙混杂”成为AI芯片市场的发展现状，不再抱着参数和性能说话，走竞价路线成为芯片厂商不得不做的转变。

在谈到这一问题时，姚颂也明确表示认可。

他认为公司在做AI芯片时其实就是在做产品，“能不能用、好不好用和用户能不能离得开”成为衡量AI芯片的三大标准。

“底层技术过关是基础，赢得市场还是要看软件服务乃至生态。而一款芯片到底好不好，性能参数并没有那么重要，重要的是其在具体应用中的表现。”

在举例时，姚颂提到，即便是在赛灵思做的最不为人知的汽车领域，其芯片在实测场景中也已经能够达到每一百万芯片中低于2颗芯片的缺陷数和每10^9小时内发生错误数大概在12次的优秀表现。没有参数，没有性能，只有客户与应用数据，而这就是最大的“话语权”。

确实，对于早期进场且有了众多芯片产品的AI芯片公司们，如寒武纪、地平线、百度，甚至包括英伟达，都开始沉下心来做市场，同时在下一代芯片的定义和设计上，他们也都谨慎和冷静了许多。

用一句话描述2019年的市场，AI芯片产业相对平静，“热度”都传导到了应用市场。

AI芯片困局：竞争力与差异化

目前，无论是初创公司还是芯片设计巨头，压力都是与日俱增。一般而言，只要有应用场景的支持、足够的资金和工程能力，AI芯片做出来不会成为大的问题。但对于AI芯片这一新兴市场而言，谈市场布局实在有些为时过早，大家心中都明白这将是一场持久战，而产业真正的未来和发展方向还是取决于创新。

从现有的市场情况来看，2019年整个产业趋于平静也反应出了大家已经逐渐从保证功能的粗放设计转变为提高竞争力和差异性的精耕细作了，但要做出竞争力和差异化却不容易。

如何提高竞争力？

上文提到，想要赢得客户，做服务、建生态是当下打开市场的出路，但是“硬件好做，软件难”却是大家普遍反映的问题。

有业内人指出，无止境的软件工具优化让大家备受困扰，从单核、多核到多芯片、多板卡，再到神经网络算法与非NN算法、异构系统、软硬件联合优化，软件工程师会遇到各种问题，这都将为大家不断深耕上层的带来阻力。

最近，台湾成立的“台湾AI芯片联盟”（AI on Chip Taiwan Alliance，简称AITA）就是为了合力为AI芯片的开发构建相对完善的软件开发环境和生态，以推动芯片的商业化。

而做出差异性就更是一件难上加难的事情，尽管这很可能是AI芯片公司发展的最终出路。

对于差异化这件事，尤其是在现有的商用AI芯片基础上，业内普遍认可的是AI芯片架构创新。但有前车之鉴，对于现在AI芯片架构热潮会不会重蹈三十年前的体系架构热潮的失败，谁也不敢保证。

不过从业内各人士发出的声音来看，向通用方向发展成为最易落地的方案。百度昆仑芯片的架构师欧阳剑就结合他们的研发经验指出通用性会越来越重要，同时曾经力挽展讯于狂澜之中的芯片设计工程师李力游就称未来云—端通用的芯片将不会是梦，而这必将打破现有的市场格局。

最后

从全球市场覆盖率来看，虽然如今英伟达的优势逐渐被赶超，但云端的训练和推理市场几乎被英伟达包下，边缘和端侧的应用则主要被三星、高通、英特尔、英伟达等厂商占据，除了华为，鲜有国内厂商出现在市场占有率前沿的名单上，这是不争的事实。

此外，国内第一梯队的AI芯片设计公司在高性能芯片上尚未形成强竞争力也是需要关注的地方。可见，卖片只是第一步，路漫漫其修远兮。