但在長篇累牘的報道中，能簡單明快地把復雜“芯”事講清楚，又不失專業性的文章寥寥無幾。
從周三開始，尋找中國創客(ID：xjbmaker)開始推出圍繞 “創客芯事”的系列策劃報道。目前，已經有《中興被禁，“中芯”何從》(點擊看原文)、《阿里要做的“中國芯”，是不是能救中國的那顆“芯”》(點擊看原文)、《芯片行業你應該知道的幾個冷知識》(點擊看原文)等報道面世。接下來，我們還將從創業角度，為你呈現更多有料、專業的“創客芯事”報道，盡請關注。
中興被禁攪起的自研芯片風波一直未停息。國內不少創業公司甚至互聯網巨頭借勢宣布了進軍 AI 芯片領域的消息，但其實，即便沒有中興事件，研發AI 專用芯片也已經被提上這些企業的日程。
這是因為，人工智能的快速發展離不開三個核心要素：數據、算法和計算力?？紤]到AI算法開源的發展趨勢以及巨頭對數據的壟斷優勢，計算力層面的AI芯片可能成為人工智能新的戰略高地。
憑借著在深度學習領域性能強大的 GPU，英偉達在人工智能時代一騎絕塵，收割了 AI 第一波紅利。但 AI 芯片這塊蛋糕著實誘人，再加上壟斷人工智能訓練市場的英偉達 GPU 實在太貴，即便是有英偉達這座大山橫亙在前，也攔不住創業者和互聯網巨頭從中尋找自己的機會。
國內緣何在此時掀起 AI 芯片創業大潮? AI芯片泡沫之下到底是誰在裸泳? 而中國是否有機會出現“國產英偉達”?
風起
4月19日，阿里巴巴對外透露，阿里巴巴達摩院正在研發一款神經網絡芯片——Ali-NPU。這款芯片將運用于圖像視頻分析、機器學習等AI推理計算。
緊接著，一直被認為是人工智能硬件公司的 Rokid ，其CEO 也在朋友圈宣布自研 AI 芯片，“打響中美貿易反擊戰第二槍”。Rokid一周前剛剛宣布原三星半導體(中國)所長周軍加盟，擔任Rokid基礎平臺副總裁。外界猜測這一舉動大概率是在為 AI 芯片做準備。
而在去年10月深鑒科技 A+輪融資發布會上，深鑒官方表示，由深鑒自主研發的芯片“聽濤”、“觀海”將在2018年第三季度推出，算算時間，差不多也就剩兩個月了。
不久前，脫胎于伯克利大學、以低功耗端計算 (Edge Computing) AI芯片為核心技術的硅谷創業團隊 OURS 也宣布于今年正式進入中國市場。值得一提的是，OURS創始人譚章熹是新晉圖靈獎得主David Patterson院士的兩個華人門徒之一，David Patterson是RISC 架構標準的開創者之一，谷歌TPU團隊的主要傳道者之一，也是OURS目前的顧問。
算上已經流片(像流水線一樣通過一系列工藝步驟制造芯片)的寒武紀、地平線科技、比特大陸等初創公司，以及華為、海康威視、大華、大疆等著名硬件廠商，人工智能芯片市場更熱鬧了。
從2017年底，AI 芯片創業就迎來大爆發。到2018年，這一勢頭有增無減，賽道上參與者眾。
AI 芯片，緣何在此時迎來爆發?
溯源
“英偉達的 GPU 實在是太貴了!”國內一家人工智能創業公司 CEO 向記者抱怨。
這個貴表現在兩方面：一方面是本身售價高。比如使用在自動駕駛汽車上的Drive PX2，公開售價1.5萬美元，也就是說只要使用這一自動駕駛平臺，每臺車售價就增加了近十萬元人民幣。另一方面，GPU 作為通用芯片，考慮到通用性和修改的靈活性，在設計的時候需要加入很多預留的模塊，所以功耗會很高，換句話說，也就是電費極其貴。
除了功耗高以外，通用AI 芯片由于針對性、反應速度也不如專用芯片。
隨著物聯網的發展以及人工智能走向應用層面，低功耗、高效率的 AI 芯片成為市場新痛點，出于節省成本和提高效用的需求，很多 AI 創業公司決定自己做芯片。
同時，AI 芯片在世界范圍內發展歷史短、技術研發門檻低，也是國內 AI 芯片賽道玩家眾多的原因之一。“從整體上看，中美芯片水平差距在十年以上，AI相關領域是難得的同一起跑線的行業了。”芯片行業一不愿具名的內部人士表示。
而造成 AI 芯片看起來如此繁榮的另一個原因，Rokid 創始人祝銘明毫不諱言：“大部分聲稱做 AI 芯片的都是假的。”
這一觀點也得到另一 AI 芯片公司 CEO 的認可。“從創業公司角度來看，市面上八九成以上聲稱做 AI 芯片的其實都是噱頭，為了融資而已。”
“雖然做芯片門檻不低，但AI 芯片依然泡沫不少。”多名芯片產業相關人士向記者表達了類似觀點。一些聲稱在自研AI 芯片的團隊，既不具備相關人才儲備，也難以查到流片信息，聯想到芯片行業著名的“漢芯事件”(2003年2月，陳進負責的團隊推出的“漢芯一號”，不過是從美國一家公司買回的芯片，雇人將芯片表面的原有標志用砂紙磨掉，然后加上“漢芯”標志“研制”而成，卻因為其欺騙成功，被鑒定為“完全擁有自主知識產權的高端集成電路”，是“我國芯片技術研究獲得的重大突破”)，這些團隊是否真的在自研芯片，外界都有疑問。
前景
國內的 AI 芯片公司大多瞄準的是執行推斷任務的推斷層芯片，尤其是端側 AI 芯片(即使用在終端設備上的芯片)。
深度學習分為模型訓練與智能推斷兩個階段。
訓練階段需要輸入大量數據，或采取增強學習等非監督學習方法，訓練出一個復雜的深度神經網絡模型。中國發展人工智能在大數據方面的優勢也集中體現在訓練階段。
訓練階段就像是人的學習階段，需要通過大量外界信息來形成自己的判斷邏輯。由于涉及海量的訓練數據和復雜的深度神經網絡結構，這一階段需要的計算規模非常龐大，通常需要GPU集群訓練幾天甚至數周的時間。
在訓練環節，英偉達GPU目前扮演著難以取代的角色。目前，國內所有人工智能公司在訓練階段都離不開 GPU。
訓練所需芯片不僅開發周期長、投入成本巨大，而且除硬件本身外，還需建立芯片背后的整個完整生態，為開發者提供足夠友好、易用的工具環境，讓他們能夠迅速獲取到深度學習加速算力。
也就是說，訓練層芯片是巨頭的戰場，普通初創公司在這一領域難以看到機會。
而推斷環節則是指利用訓練好的模型，使用新的數據去“推斷”出各種結論，類似人類運用已經學到的知識解決具體問題。
按照推斷環節放在云端還是用戶設備上，推斷又可具體劃分為云側推斷和端側推斷(即邊緣計算)。
BAT 在云端皆早有布局，初創玩家入局，只能從端側入手。
并且，隨著物聯網的發展以及人工智能應用場景的擴展，在諸如自動駕駛等一些領域，云端計算弊端凸顯。
一方面，與云端進行大量的數據傳輸將產生極大的功耗，需要支付高昂電費，同時也給數據傳輸網絡帶來壓力;另一方面，存在延遲、實時性不強也是云端 AI 的弊端所在。
邊緣計算(即端側計算)的需求日益增強，低功耗端側 AI 芯片或成創業公司下一個戰場。
“但AI 芯片領域泡沫還是存在的，借用巴菲特的話說，只有當潮水退去的時候,才知道是誰在裸泳。”OURS 創始人譚章熹如是說。
京公網安備 11010502049343號