本篇重点讲述何为AI芯片，AI芯片的分类，不同AI芯片的对比，AI芯片的主流技术路线，AI芯片产业概况，国外国内AI芯片和企业发展情况，最后小结AI芯片发展的预期。
世间事分为可以计算和不可以计算，例如你给你女朋友买的礼物是可以计算的，但是您对你女朋友的爱是不可以计算的。类似在科技网络领域更狠的事是，即使不可以计算也需要算力来告诉不可以计算，所以现在几乎所有工作的背后都会涉及到算力：AI芯片。
所以对于对科技网络感兴趣的人懂不懂芯片，芯片都无时无刻的存在着，并支撑着我们的PC、手机、汽车、轮船、交通、工业制造等等生活工作的方方面面。
且随着深度学习（DNN）算法需要海量数据的训练，而传统计算架构无法支撑深度学习算法的大规模计算需求，因此AI技术的发展对计算芯片提出了新的需求，
本篇重点讲述何为AI芯片，AI芯片的分类，不同AI芯片的对比，AI芯片的主流技术路线，AI芯片产业概况，国外国内AI芯片和企业发展情况，最后小结AI芯片发展的预期。
什么是AI芯片？
以下3种情况都属于AI芯片：
第一种是能处理AI通用任务且具有核心知识产权（IP）的处理器；
第二种是融合运营AI算法的普通处理器；
第三种是较高效提升了语音、图像一项或者多项效率和迭代能力的处理器。
AI芯片的分类
AI芯片按使用场景分为云端、终端两类。
云端有CPU、GPU、FPGA；
终端有ASIC、DSP。
其中云端主要以训练为主，终端以推理任务为主。
AI芯片的对比
不同AI芯片的对比图：
从上图可见，不同架构的芯片在通用/专用性、性能、功耗方面有各自的优点和缺点。
CPU 通用性最强，但时延严重、散热高、效率最低；
GPU 相比其他芯片，通用性稍强、速度快、效率高，但是在神经网络的执行阶段效率低；
DSP 速度快、能耗低，但是任务单一，目前成熟商品仅作为处理器 IP 核使用；
FPGA 具有低能耗、高性能以及可编程等特性，相对于 CPU 与 GPU 有明显的性能与能耗优势；
ASIC 可以更有针对性地进行硬件层次的优化，从而获得更好的性能。
当然，ASIC 芯片的设计和制造需要大量的资金、较长的时间周期和工程周期，而且深度学习算法也在快速迭代。ASIC 类芯片一旦定制无法再次进行写操作，FPGA 具有硬件可升级、可迭代的优势。所以当前阶段，GPU 配合 CPU 将是人工智能芯片的主流，而后随着视觉、语音、深度学习的算法在 FPGA 上的不断优化，之后会固化到 ASIC 上以降低成本。
AI芯片的主流技术路线
时下AI芯片的2条技术路线：
像处理器（GPU）到数字信号处理器（DSP），再到半定制电路（FPGA）和全定制电路（ASIC），这 5 种类型的芯片通用性依次递减，为升级方向；
另一条路径是遵循非冯诺依曼计算架构，以类脑芯片为代表，采用人脑神经元的结构来提升计算能力，但是从落地情况来看，若实现真正产业化还需要搭建生态系统，包括建立起一整套编程环境、编译器等工具。
技术路线的趋势是，从通用到专用，然后再由专用到另一个域的通用。
AI芯片的产业分析
从产业的角度来看，不同技术路线的企业有不同的特点。
细节如下图：
AI芯片的国外国内情况比对
从上图可见，国际科技网络巨头公司谷歌、脸书，亚马逊等等在AI芯片领域从云端训练到终端产品应用，在开源框架赋能产业行业上有一定的领先优势。
但是国内的AI芯片在业务场景上有后发优势，例如：阿里巴巴根据业务场景定制化AI芯片的平头哥半导体公司，及其刚刚从脸书挖掘的AI框架人才贾杨青等来看，国内的企业也在打造从AI芯片注重云端训练+AI芯片终端响应+AI算法框架开源的生态体系。
AI发展预期
未来面对垂直细分领域的 AI 芯片市场前景广阔，随着人工智能应用场景的细分市场越来越多，专门为某些应用场景定制的芯片性能优于通用芯片，终端芯片呈现碎片化、多样化的特点，并且目前尚未形成市场垄断，机会较多。
一个既知的事实是摩尔定律已经接近物理的极限，而AI的任务之一是深度学习，深度学习对数据的读写操作很多时候是高于计算功耗。所以未来是一方面提升AI芯片的架构性能，另外一方面提升芯片的存取单元，例如：未来需要更好的容器架构师。
AI内核有数据+算法+算力三个部分构成，本篇讲的就是内核之一的AI芯片。
期待更多分享详情见笔者的新书《AI赋能：AI重新定义产品经理》和 http://996.pm/7bjab
