8月中旬，人工智能芯片初创公司寒武纪获得1亿美元的A轮融资，至此成为该领域的第一个“独角兽”，紧接着，9月初，华为在IFA 2017上正式发布了全球首款面向手机的人工智能芯片“麒麟970”。

就在这前后不到一个月的时间里，“人工智能芯片”成为了人人争相热议的一个产品、一个产业。

人工智能芯片热度渐升，多家公司早已着手布局

前段时间，因为被看做是当前智能家居的入口之一，“智能音箱”一下子受到了人们的极大关注，而随着小爱同学、天猫精灵等产品的相继推出，更是将这股热潮推上了顶端。

就在这股浪潮渐渐平稳的时候，“人工智能芯片”紧跟而上，引起了人工智能领域的又一波新的浪潮。事实上，在这第三次的人工智能浪潮中，作为让人工智能技术更快、更好运行的基础硬件设施，人工智能芯片必然是未来智能化时代的一种趋势。也因此，虽然人工智能芯片相比于其他人工智能技术和应用显得低调得多，但它的布局依旧是众多厂商眼中不能错过的“机遇”：

买买买的英特尔——至今，为了不再错过人工智能芯片，英特尔陆陆续续收购了Altera、Yogitech、Nervana、Movidius、Mobileye等多家公司，拿下了他们的FPGA等多种技术。

GPU在手，谁与争锋的英伟达——凭借着GPU在人工智能应用中的先天性优势，英伟达已经走在了人工智能芯片的前列。不过，就在最近，黄仁勋也发布了一款针对深度学习而打造的芯片Tesla V100。

紧盯FPGA的微软——微软把重心放在FPGA人工智能芯片上，已经被用在Bing搜索的支持上。另外，其也推出了基于FPGA的视觉芯片A－eye，让摄像头具有视觉理解能力，可应用在机器人、汽车和无人机等多种智能产品。

与此同时，国内的厂商也是蠢蠢欲动。

首个独角兽“寒武纪”——因为高达1亿美元的A轮融资，寒武纪成为了人工智能芯片领域的首个独角兽，通过的IP授权的形式，其技术已经在华为人工智能芯片麒麟970上面得到了商业化；

主打“嵌入式”的地平线机器人—— 地平线机器人致力于打造基于深度神经网络的人工智能“大脑”平台，包括软硬件。在硬件上，其此前曾表示旗下的人工智能芯片“盘古”已经成功流片商用；

……

从上面多家企业的布局和产品来看， 我们能够清晰地认知到，虽然“人工智能芯片”相比于语音识别等技术并没有得到大众更多的关注，但是作为人工智能的基础硬件设施，其已经成为诸多公司抢夺市场、占据风口的一大战略制胜点。

人工智能加速，人工智能专用芯片是未来趋势

深度学习算法是实现人工智能技术和应用的核心，其在运行过程中需要对海量的数据进行运算处理——用已有的样本数据去训练人工神经网络、用训练好的人工神经网络去运算其他数据。对于传统计算架构而言，这将是一个极大的挑战。

面对深度学习算法这一计算新需求，GPU（图形处理器）、FPGA（可编程门阵列）、ASIC（专用集成电路）等成为了人工智能芯片领域的“被追捧者”。比如GPU，相比于CPU，其具有高并行结构，拥有更多的ALU（Arithmetic Logic Unit，逻辑运算单元）用于数据处理，适合对密集型数据进行并行处理。

值得我们注意的事，不管是让英伟达一举闻名的GPU，抑或是当前与GPU不分伯仲的FPGA，在属性上，它们都只能算是人工智能通用芯片。相比于一开始就是“私人订制”的ASIC，在深度学习算法的运行上，GPU和FPGA或多或少都有着一些局限：

GPU局限：GPU能够游刃有余的训练人工神经网络，但在输出应用时，它一次只能处理一张图像；相比于FPGA的灵活，GPU硬件结构固定，不具备可调整性；在实现相同性能的功耗上，GPU远大于FPGA以及ASIC。

FPGA局限：为了实现可重构特性，FPGA内部有大量极细粒度的基本单元，但是每个单元的计算能力都远远低于GPU中的ALU模块；在深度学习算法的运行速度和功耗上，FPGA表现的都不如ASIC；FPGA价格较为昂贵，在某些情况下甚至会高于ASIC。

不可否认，对于当前人工智能的发展，GPU和FPGA都做出了不小的贡献，但是从未来发展趋势来看，人工智能专用芯片才是未来的核心。

从上面的一些比较我们可以看出，在功耗和速度上，GPU、FPGA与ASIC之间还是有着一定差距的。

针对人工智能芯片的通用与专用的区别，地平线机器人芯片专家马凤翔称，相比于通用芯片，专用芯片是为特定场景而定制的，具备低功耗、低成本、高性能的优势。再通俗一点讲，就如寒武纪创始人之一的陈云霁所举出的例子，普通的处理器就好比“瑞士军刀”，虽然通用，但不专业，造成浪费，但是做菜的时候，还是菜刀得心应手，而专业的深度学习处理器就是这把更高效、更快捷的“菜刀”。

与此同时，不仅仅是性能的要求，随着人工智能技术的发展，其应用范围也将进一步扩大。未来，自动驾驶、机器人、智能家居等等终将充斥我们的生活，这其中所隐藏的将是一个无可估量的市场需求。届时，不管是所需要处理的数据，抑或是运算速度，与现在相比都将不是一个量级，若想做的更好，就只能向人工智能专用芯片靠拢。