目前，整個AI芯片市場都圍繞著深度學習而展開。深度學習(DL)，則正是讓AI應用程序在現實世界中真正發揮作用的最成功的機器學習技術范例。

如今的AI芯片市場把所有注意力都集中在了加速深度學習方面——無論是訓練過程還是推理過程，加速已經成為最核心的訴求。AI芯片市場的參與者也在迅速增加：在最近一份研究報告中，我們統計了全球約80家初創企業，發現投資商為此投入105億美元，已經有34家成熟參與者奮力競爭。很明顯，這種狀態不可能長期持續下去，但我們有必要對AI芯片市場進行剖析，更好地理解為什么一切會是現在這個樣子、未來可能如何變化、這些又意味著什么。

[[337387]]

時光倒轉回2010年左右，當時英偉達在圖形處理單元(GPGPU)領域推出了高端通用計算(即如今的GPU)方案，將大型神經網絡的訓練時間由幾個月縮短至數周、又進一步縮短至幾天乃至幾小時，最終推動深度學習技術的興起。英偉達圍繞AI計算市場拓展出價值數十億美元的新業務，同時也促使更多其他芯片廠商與芯片架構師開始考慮如何從零開始打造一套專門用于運行AI工作負載的架構，并借此更好地支持更多后續工作負載。如今的AI工作負載已經集中為單一的深度學習領域，這也是市場需求所使然。

但市場的需求又呈現出多種多樣的面貌。雖然大多數AI訓練在數據中心(包括超大規模云環境)以及工作站上進行，但AI推理卻是隨處可見：云端、工作站上以及邊緣位置。其中，又以邊緣位置最為重要。

圖一：AI硬件加速器細分市場應用

AI芯片市場的細分方式

無論選擇哪個具體領域，初創企業面臨的競爭都將極為激烈。我發現大家可以參考圖一，將整個市場理解成三角形結構，各個頂點都擁有自己的一套用于代表特殊市場需求的標準。最高點為數據中心、云以及高性能計算(HPC)環境對于AI芯片的需求。Cerebras很好地抓住了這一市場，制造出世界上最大的芯片——即晶圓級引擎。該細分市場只追求計算性能的最大化，功耗與成本都在其次。初創企業在這一領域面臨的最大挑戰，在于超大規模企業與老牌廠商已經牢牢把持住自己的優勢區間——英偉達就在不斷發布新的改進式架構，其最新版本Ampere已經于今年5月正式亮相。

而在以推理為基礎的三角形下邊，生存著能夠在保持一定準確率的同時對精度要求較低的芯片。其限制條件有所不同：芯片尺寸不能太大，延遲要低，功耗越低越好，而且單位成本必須低廉可控。正因為如此，邊緣應用市場可以說是初創企業的活躍區域。這方面的競爭沒有英偉達這類巨鱷級企業的參與，他們也明確表示不打算參與大宗商用推理芯片市場。但競爭對手較弱實際上意味著客戶本身話語權及實力較強，這些客戶甚至有能力隨時建立或者收購一家初創公司。

AI芯片未來將走向何方

我們之前提到過，AI芯片領域存在著太多競爭者，圖一中的各個頂點附近實際上都有廠商在盤踞。而在之前提到的各項因素中，廠商需要打造出成熟的軟件開發棧、建立起投身于市場競爭的明確意愿，同時也要探索將深度學習應用嵌入廣泛產品的可行道路。市場波動已經初現端倪，Wave Computing于今年4月宣布破產正是其中一例。

但好消息是，激烈的競爭為我們帶來速度更快、性能更好的AI芯片。AI研究人員能夠由此獲得助益，安心運行自己的種種新穎模型設計，而未來必將出現的新型算法也將逐步取代深度學習目前的霸主地位。最重要的是，對于希望能夠利用AI重現人類大腦機能的研究者來說，深度學習已經是一條明確走不下去的道路。因此，下一代算法可能迎來重大變革，同時對加速技術類型提出新的要求。