虽然“缺芯少魂”，但AI芯片的战争才刚刚开始丨亿欧全球视角

芯片，目前在我国是一个高热度话题。尤其是在贸易战之后，每天有大量的报道充斥在我们周围：一边是我国芯片陷入“缺芯少魂”的绝境，一边又是我国AI芯片“赶超欧美”的欣喜。这些在对立面的报道大大增加了人们的疑惑，到底谁说的对，我国芯片行业目前真实的状态究竟是怎样？ 

其实，这两种看似对立的声音都是正确的，都是我国芯片行业目前真实的现状。只是有些人混淆了传统芯片与AI芯片的概念。

传统芯片，指的是中央处理器（CPU），它是一块超大规模的集成电路，是一台计算机的运算核心（Core）和控制核心（Control Unit）。它的功能主要是解释计算机指令以及处理计算机软件中的数据。

在传统芯片领域，美国一家独大，占全球市场份额的60%以上。美国的英特尔、AMD、高通、博通、英伟达等都是全球顶尖的芯片制造商。在这一方面，中国的确落后于美国，并且在短时间内极难追赶。“缺芯少魂”的说法也由此而来。 

但在AI芯片领域，却呈现出一副截然不同的画面。 

AI芯片并非广义的芯片

AI芯片并不是真正意义上的芯片，从某种意义上来说，能实现AI加速功能的半导体器件都可以被称为“AI芯片”。它可以被封装成芯片的形态，也可以被制成板卡的形态，所以AI芯片也被称为AI加速器或计算卡，是专门用于处理人工智能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）。 

图：CPU的内部结构及工作原理      来源：百度百科 

如图所示，以往CPU负责整个系统的基本计算和运行。但当整个系统都需要使用人工智能这项功能时，就需要消耗大量的算力。如果这时候仍由CPU的运算单元来提供算力，可能就会出现因为算力不足而“死机”的情况。 

AI芯片就是为了完成这些额外计算任务而诞生的。 

目前，根据芯片的架构，以及通用性和计算性能的差异，我们通常把AI芯片分为： GPU 、ASIC、FPGA、类脑芯片四大类。

GPU采用的是单指令、多数据处理结构，主要处理图像领域运算加速的任务。但GPU无法单独工作，必须由CPU进行控制调用才能工作。CPU可单独作用，处理复杂的逻辑运算和不同的数据类型，但当需要大量地处理类型统一的数据时，则可调用GPU进行并行计算。 

ASIC芯片是供专门应用的集成电路芯片技术，在集成电路界被认为是一种为专门目的而设计的专用AI芯片。除了不能扩展以外，在功耗、可靠性、体积等方面都有优势，尤其在高性能、低功耗的移动端。 

FPGA，即现场可编程门阵列。它是专用集成电路（ASIC）领域中的一种半定制电路，既解决了定制电路不足的问题，又克服了原有可编程器件门电路数有限的缺点，适用于多指令，单数据流的分析，常用于预测阶段，如云端。FPGA是用硬件实现软件算法，因此在实现复杂算法方面有一定的难度，缺点是价格比较高。 

由于人脑结构精密且复杂，芯片想要模仿人脑的工作模式并不容易，所以目前类脑芯片只有个别传统芯片巨头在从事相关研发工作。 

国产崛起，拉开战争序幕

纵观全球AI芯片格局，老牌芯片公司依然占据主导地位，但中国企业正在迅猛向前。  

2018年，市场研究和咨询公司Compass Intelligence发布了年度全球AI芯片公司排名报告。根据报告显示，英伟达排名第一，英特尔、IBM、Google、苹果、AMD、ARM、高通、三星、恩智浦等公司位列2-10名。在Top24的榜单排行中，已有六家中国公司入围。分别是：第12位华为（海思）、第14位联发科（MediaTek）、第20位瑞芯微（Rockchip）排名第20位、第21位芯原（Verisilcon）、第23位寒武纪（Cambricon）排名第23位、第24位地平线（Horizon）。 

由于CUDA开发平台的普及和较早研发GPU，英伟达的GPU是目前应用最广的通用AI硬件计算平台，它也牢牢地占据了榜单的第一名。 

除了英伟达，其他老牌的芯片巨头也没“闲”着，特别是英特尔。通过收购Altera，英特尔获得了基于FPGA的AI方案，这让英特尔得以跻身行业第一梯队。

虽然中国企业暂时排名较后，但崛起的可能性无限。

如果从使用场景来看，AI芯片主要可分为两类：一个是在数据中心部署的云端，一个是在消费者端部署的终端。其中，云端主要以训练（Training）任务为主，终端以推理（Inference）任务为主。

训练任务即用大量标记过的数据来“训练”相应的系统，使之可以适应特定的功能。例如给系统海量的“人脸”的图片，系统会通过训练记住每张“人脸”的特点、细节、差异。 

推理任务即用训练好的系统来完成任务。接上面的例子，就是你将一张图给之前训练过的系统，之后系统就会自动分辨出特定的“人脸”。 

训练和推理在目前大多数的AI系统中，是相对独立的过程，两者对计算能力的要求也不尽相同。 

完成训练任务，需要极高的计算性能，需要较高的精度，需要能处理海量的数据，需要有一定的通用性，以便完成各种各样的学习任务。所以拥有大量原始数据的中国芯片厂家，将会在此脱颖而出。 

相对来说，推理任务对性能的要求并不高，对精度要求也要更低，在特定的场景下，对通用性要求也低，能完成特定任务即可。但因为推理的结果直接提供给终端用户，所以用户体验方面的优化更为重要。这也给了大量注重用户体验的中国企业新的超越机会。 

在今年8月的人工智能大会上，华为的麒麟810、麒麟910、