必一运动官方网站这一新兴技术既为科技巨头的业务升级和拓展带来转机，也给了新创企业颠覆现有格局的机会。
作为人工智能产业的重中之重，AI芯片已经成了最热门的投资领域，各种AI芯片层出不穷。
为了进行大数据处理，当前的方案一般采用高性能的处理器辅助MCU进行计算，但是随着摩尔定律时间周期拉长，处理器上可集成的器件数量会达到极限，因此需要通过架构的变化来满足数据量的增长，这就是人工智能芯片推出的背景。
从技术架构来看，人工智能芯片分为通用性芯片（GPU）、半定制化芯片（FPGA）、全定制化芯片（ASIC）、类脑芯片四大类。
GPU是单指令、多数据处理，采用数量众多的计算单元和超长的流水线，主要处理图像领域的运算加速。
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，但当需要大量的处理类型统一的数据时，则可调用GPU进行并行计算。
FPGA适用于多指令，单数据流的分析，与GPU相反，因此常用于预测阶段，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。
对比FPGA和GPU可以发现，一是缺少内存和控制所带来的存储和读取部分，速度更快。二是因为缺少读取的作用，所以功耗低，劣势是运算量并不是很大。结合CPU和GPU各自的优势，有一种解决方案就是异构。
ASIC是为实现特定要求而定制的专用AI芯片。除了不能扩展以外，在功耗、可靠性、体积方面都有优势，尤其在高性能、低功耗的移动端。
类脑芯片架构是一款模拟人脑的新型芯片编程架构，这一系统可以模拟人脑功能进行感知、行为和思考，简单来讲，就是复制人类大脑。
很多人认为ASIC是人工智能芯片的一个主要发展方向，但也有另一部分人认为真正的人工智能芯片未来发展的方向是类脑计算。
要做类脑芯片非常难，IBM、高通、英特尔等公司的芯片策略都是用硬件来模仿人脑的神经突触。
总的来说：GPU未来的主攻方向是高级复杂算法和通用性人工智能平台，其发展路线分两条走：一是主攻高端算法的实现，对于指令的逻辑性控制要更复杂一些，在面向需求通用的AI计算方面具有优势;二是主攻通用性人工智能平台，GPU的通用性强，所以应用于大型人工智能平台可高效完成不同的需求。
ASIC芯片是全定制芯片，长远看适用于人工智能。因为算法复杂度越强，越需要一套专用的芯片架构与其进行对应，而ASIC基于人工智能算法进行定制，其发展前景看好。
在深度学习的训练阶段需要极大的数据量和大运算量，单一处理器无法独立完成，因此训练环节只能在云端实现。
云AI芯片的特点是性能强大、能够同时支持大量运算、并且能够灵活地支持图片、语音、视频等不同AI应用。
我们现在使用的各种互联网AI能力（比如在线翻译、人证比对），背后都有云AI芯片在发挥作用或提供算力。
英特尔、IBM等老牌云服务器芯片厂商同样在积极布局这一市场，各自通过并购、投资、研发等方式不断切入云AI芯片市场。
在设备端，智能终端的数量庞大，而且需求差异较大，推理环节无法在云端完成，要求设备有独立的推理计算能力。这便需要有嵌入到设备内部的端AI芯片，让设备不需要联网就能具备AI能力。
它们的特点是体积小、耗电少，而且性能不需要特别强大，通常只需要支持一两种AI能力。
现在手机里的芯片、摄像头里的芯片、甚至你家电饭煲里的芯片都开始陆续AI化。
云端格局应该变化不大，但是在终端方面变数未定，边缘计算值得关注。云端市场已被巨头瓜分殆尽，创业公司生存空间几乎消失。倒是终端市场群雄割据，机会尚存。
训练是指通过大数据训练出一个复杂的神经网络模型，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。推理是指利用训练好的模型B-Sports，使用新数据推理出各种结论。
训练和推理在目前大多数的AI系统中，是相对独立的过程，其对计算能力的要求也不尽相同。
总的来说：训练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。
推理相对来说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，所以更关注用户体验的方面的优化。
训练将在很长一段时间里集中在云端，推理的完成目前也主要集中在云端，但随着越来越多厂商的努力，很多的应用将逐渐转移到终端。
在人工智能芯片领域，国外芯片巨头占据了绝大部分市场份额，不论是在人才聚集还是公司合并等方面，都具有领先优势。而国内人工智能公司则也呈现百家争鸣的局面。
2018年5月，市场研究顾问公司Compass Intelligence发布了关于AI芯片最新调研报告。这份报告总计对100多家公司进行评估，最终名单包括24家排名最高的公司。
在企业排名表中，前三名为英伟达、英特尔和恩智浦。该排行榜有七家中国人工智能（AI）芯片公司入围榜单Top24。华为排12名，成中国大陆地区最强芯片厂商。其余六家中国公司分别为：联发科、Imagination、瑞芯微、芯原、寒武纪、地平线。
英伟达一直致力于设计各种GPU：针对个人和游戏玩家的GeForce系列，针对专业工作站的Quadro系列，以及针对服务器和高性能运算的Tesla系列。
英伟达占据了全球AI芯片市场的50%以上份额，旗下产品线遍布自动驾驶汽车、高性能计算、机器人、医疗保健、云计算、游戏视频等众多领域。
由于在AI领域的一家独大，英伟达的股价在过去一年的时间里狂涨了300%。
2017年，从游戏、数据中心到人工智能，市场对英伟达芯片的需求一路上升。
英特尔作为传统PC芯片的老大，也在积极向PC以外的市场转型。在AI芯片方面，英特尔专注于计算机视觉优化方面的VPU（Vision Processing Unit）。
为了加强在人工智能芯片领域的实力，英特尔以 167 亿美元收购 FPGA 生产商 Altera ，以 153 亿美元收购自动驾驶技术公司 Mobileye，以及机器视觉公司 Movidius和为自动驾驶汽车芯片提供安全工具的公司Yogitech。
IBM很早以前就发布过watson，早就投入了很多的实际应用中去。除此之外，还启动了对类人脑芯片的研发，那就是TrueNorth。
Google在2016年宣布独立开发一种名为TPU的全新的处理系统。在2016年3月打败了李世石和2017年5月打败了柯杰的的阿尔法狗，就是采用了谷歌的TPU系列芯片。
通过降低芯片的计算精度，减少实现每个计算操作所需的晶体管数量，从而能让芯片的每秒运行的操作个数更高，这样经过精细调优的机器学习模型就能在芯片上运行得更快，加深了人工智能在学习和推理方面的能力，进而更快地让用户得到更智能的结果。
在iPhone 8和iPhone X的发布会上，苹果明确表示其中所使用的A11处理器集成了一个专用于机器学习的硬件——“神经网络引擎（Neural Engine）”，每秒运算次数最高可达6000亿次。
这块芯片将能够改进苹果设备在处理需要人工智能的任务时的表现，比如面部识别和语音识别等。
AMD首先挑战的是x86服务器市场，试图在这个领域寻找立足点。AMD在去年6月正式推出全线的超智能服务器处理器产品——EPYC（霄龙）。
时隔两个月，AMD又将全套EPYC 7000系列数据中心处理器家族带到中国。
值得注意的是包括腾讯、京东、百度、联想、曙光等十余家产业链合作伙伴带着产品和合作成果为AMD回归服务器的中国站活动见证，可见中国市场将是AMD复兴之路的一个重要阵地。
另外，去年12月，相争50多年的Intel和AMD宣布将联手推出一款结合英特尔处理器和AMD图形单元的笔记本电脑芯片，一时间业内哗然。Intel和AMD的合作或许会对Nvida产生一些影响。
ARM曾在去年推出了一套全新芯片架构技术DynamIQ，这套IP套件可以与其无缝集成。
DynamIQ不仅采用了新的指令集，专门针对人工智能进行了优化；而且同时可容纳8个核，并且提高了芯片架构的灵活性，支持大小核的灵活配置B-Sports。
今年又推出了一套全新的Mali多媒体IP套件，适用于手机、平板、电视等芯片。
据高通提供的资料显示，其在人工智能方面已投资了Clarifai公司和中国“专注于物联网人工智能服务”的云知声。
而早在2015年CES上，高通推出了一款搭载骁龙SoC的飞行机器人——Snapdragon Cargo。高通认为在工业、农业的监测以及航拍对拍照、摄像以及视频新需求上，公司恰好可以发挥其在计算机视觉领域的能力B-Sports。
此外，高通的额骁龙820芯片也被应用于VR头盔中。事实上，高通已经在研发能在本地完成深度学习的移动设备芯片。
2017年，华为海思推出了麒麟970芯片，据知情人士透露，为了对标华为，三星已经研发了许多种类的人工智能芯片。
三星计划在未来三年内自家智能手机中都采用人工智能芯片，并且他们还将为人工智能设备建立新的组件业务。
在资本和媒体的热捧之下，国内AI芯片创业市场逐渐升温加热，顺势而为的创业者也不在少数。
仅仅是在2017年10月-11月这两个月间，国内就有四家AI芯片公司同时宣布获得千万美元以上的巨额融资。在去年下半年的几个月时间里，至少有十几款AI芯片面市。
芯片产品升级周期普遍长达12-24个月，如今这样密集火热的市场轰炸，简直有如一场AI芯片的集体狂欢。
官方微信
官方微博
