英偉達GPU笑傲AI晶元江湖，三大類晶元都有搏一搏的機會？

OFweek智能硬體網訊 去年11月的時候第一次思考這個題目，今年3月做過一次更新。短短几個月，AI晶元領域變化不斷，新聞不斷，有必要再更新一下這個討論。希望這次能把一個更為完整的分析呈現給大家。

我認為相關的市場主要可分成三大類。第一類是Data Center（Cloud）中用於training和inference的專用晶元或者FPGA（非GPU／CPU晶元）。第二類是需要較強智能的終端晶元（面向手機，安防監控，無人機，機器人，自動／輔助駕駛，VR／AR等），或許可以叫「泛手機終端晶元」。這類應用主要也是inference功能，不排除未來有training的需求；第三，是智能需求較低的終端晶元（穿戴，玩具，智能家居等等），以下叫「弱智能終端晶元」。當然，終端設備對智能的需求是相對的，可能覆蓋很大範圍。這裡說的第三類實際上也可以看作是指受到成本，功耗等因素限制的inference需求。

還是先說結論：

Cloud training／inference（專用晶元／FPGA）：可以一搏；

泛手機終端晶元：機會很小；

弱智能終端晶元：充滿變數；

先說說第二類吧。為什麼說第二類對於初創公司基本沒有機會？因為這是目前晶元產業競爭最激烈的戰場。手機晶元大廠（高通，MTK，海思，展訊，蘋果，三星）已經非常強大，而且還在不斷把自己的技術能力推廣到無人機，機器人，安防監控，自動駕駛，VR／AR等領域。很難想象會有初創公司能夠再擠進來。

那麼以IP形式進入是否有機會？個人的看法也是機會很小。第一，從技術能力來講，這些公司都有實力（多年做通信基帶和多媒體的經驗）自己設計複雜的加速器或者專用處理器；第二，傳統的IP廠商，比如CEVA，Synopsys，Cadence（tensilica）和Vericilicon也都盯著AI IP這個機會。最近這些公司也都頻繁發布支持AI應用的DSP和硬體加速器產品（參考神經網路DSP核的一桌麻將終於湊齊了）。初創公司的IP如果有一定的技術特點和價格上的靈活性，有可能在大廠預熱過程中得到試用的機會。但最終出現在量產晶元中的可能性非常小。第三，目前很多帶AI性質的應用，要麼是在cloud端實現，要麼就直接拿現有的硬體資源來實現，比如ARM CPU／GPU或者已有的multimedia DSP來實現。手機晶元巨頭都在定義AI相關的user case，是否有killer app需要在手機晶元中增加額外的硬體代價還有待觀察。最後，ARM前段時間也推出了面向AI的DynimicIQ方案，其中定義了CPU和DL加速器的介面；後續還可能有更多動作，可能會對這個領域有很大的衝擊。而Nvidia開源xavier DLA，會進一步拉低inference實現的門檻（從Nvidia開源深度學習加速器說起）。最近MTK最近也有所動作，可以看出AI在其未來戰略中的重要性。

不過在這個Deep Learning IP領域，國內的一個Startup可能會給我們帶來好消息，值得期待。

第三類弱智能計算應用，實際上可以也和第二類應用一起叫做邊緣計算應用。這裡加以區別，是因為這類應用對功耗、成本甚至尺寸的壓力更大，主要包括一些物聯網，可穿戴應用。其硬體平台的處理器能力非常有限（傳統的MCU領域）。這類應用的總量很大，但差異化明顯，需求五花八門，存在很多變數，技術上很難用一種架構來實現。相對泛手機晶元而言，這類晶元的資金投入門檻不高。隨著Nvidia開源DLA，如果配合開源的RSIC－V CPU，門檻可能會進一步降低（當然，用開源的東西，技術門檻可能會更高）。所以，能不能成功的關鍵還得看晶元的spec定義是不是合理，能不能在市場出現的時候及時拿出晶元。相信未來可以看到不少初創公司在這個領域出現和死亡。目前看得比較清楚的是智能語音應用，從技術的可行性到市場的驅動都已經具備了晶元化的條件。

在這個領域，我還是比較看好由應用驅動晶元研發的公司。目前國內有很多Startup在圖像處理，聲音處理的演算法和應用方面已經有了不錯的積累。如果它能在某個細分領域獲得領導地位，並根據應用定義和開發自己的晶元，鞏固技術優勢，則是一個比較好的狀態。簡而言之，就是順勢而為，水到渠成，而不是為了做晶元而做晶元。