中國AI晶片有可能彎道超車
文章推薦指數： 80 %
寬鬆的數據管理制度會讓中國在人工智慧晶片產業上占據非常有利的位置，從而達成「彎道超車」的目標
（經過近40年的高速發展，中國已經初步具備了一定規模的微電子人才儲備和巨大的市場，正符合發展人工智慧晶片的兩項基本條件。
圖/中新）
文|陳怡然 陳逸中
過去數年之間，信息技術產業曾經接連興起過幾大熱門領域，包括大數據（Bigdata）、物聯網（IoT）、工業4.0以及增強和虛擬現實（AR/VR）等。
但直到以深度學習神經網絡模型為基礎的人工智慧技術出現後，這幾大熱門領域才第一次被整合進人工智慧這一更大的發展框架內。
當前，人工智慧技術仍舊需要海量數據來訓練神經網絡模型，從而使得計算機能夠代替人類從事各種數據處理與判斷。
飛速發展的物聯網技術首先提供了大量的數據來源，經過設計和訓練好的人工智慧系統則提供了工業4.0最需要的智能控制系統，也為增強和虛擬現實場景的落地提供了數據處理的技術手段。
晶片是人工智慧系統最關鍵的技術,中國發展人工智慧晶片產業的突破口到底在哪？這是人們普遍關心的問題。
晶片產業是一門具有高集成性和高成本特性的科技產業，進入門檻非常之高。
隨著晶片製造技術進入「x納米」（個位數納米製程）時代，每個晶圓代工廠的造價動輒百億美元起，運營與折舊成本驚人。
單個晶片的設計所需要的工程師數目從幾十到數百不等，開發成本少則數千萬美元，多則上億美元，周期長達1年－2年。
但是，一個成功的晶片項目所帶來的不僅僅是銷售晶片本身的利潤，還有伴隨晶片設計、製造以及銷售整套流程中產生的支撐產業與生態系統，從而帶動軟硬體發展、行業標準制定、智慧財產權銷售、甚至相關的機械製造和化工等產業發展。
現代晶片設計，尤其是以「片上系統」（System-on-Chip，SoC）為主體的高端晶片，已經可以影響乃至引領某一產業走向及其戰略發展，甚至遏制該產業的正常運行。
由於人工智慧應用的場景千變萬化，而所應用的算法更是有相當的差異，可以預期未來各項應用將有不同的定製化晶片，出現人工智慧晶片百家爭鳴的盛況。
人工智慧晶片的另一大特點在於它所面對的是一個全新的、還未被大公司充分定義的新的業務場景。
即使是NVIDIA，也只是在雲計算這一領域有一定的壟斷地位。
因此，人工智慧晶片發展有著巨大的不確定性和機會。
人工智慧晶片發展很像中國另一新興晶片產業——比特幣礦機上的發展歷程：比特幣礦機2010年初主要用的還是以CPU為主的晶片，但是從2012年起就逐漸過渡到以圖形處理器（GPU）為主，利用其強大的向量計算能力來採礦。
兩年以後的 2014年，大家開始通過算法優化並導入現場可編程邏輯陣列（FPGA）提升效能功耗比來達到更高挖礦效益。
時至今日，絕大多數的高採礦效益的礦機均是以定製化晶片為主，如比特大陸的螞蟻礦機。
依照這一類似的發展趨勢，我們可以期待2018年將是應用導向人工智慧晶片開始躍進的一年。
中國可能彎道超車
GPU和CPU晶片設計注重通用性，但其高功耗、相對較低的單位效能以及高昂的價格並不適合於類似物聯網或工業4.0這樣的普及化應用。
應用導向的人工智慧晶片是將抽象的神經網絡算法以硬體方式加以固化來達到加速運算的效果。
這樣的設計有助於提升單位晶片面積上算力的密度，降低功耗和成本，從而有助於將人工智慧系統更普遍地運用到各個場景。
但晶片的開發一般需要高質量的人才基礎並有強大市場的需求來攤薄晶片開發的高昂成本：通常一款晶片的生命周期大約為三年，而真正產生利潤的時間僅為12個－18個月。
晶片企業要在這短短的時間內完成利潤積累，進行下一代產品的成功開發與研製，進入新一輪的疊代周期。
經過近40年的高速發展，中國已經初步具備了一定規模的微電子人才儲備和巨大的市場，正符合發展人工智慧晶片的兩項基本條件。
除此之外，中國還有一樣更為突出的優勢：大量使用數字化設備及人口數帶來的龐大數據。
在以應用為主體的開發概念下，每一個應用都需有各自對應的數據集來訓練神經網絡，有效數據的採集速度會是影響開發周期長短的最關鍵的因素之一。
海量高質量的訓練數據集可以幫助工程人員快速有效地訓練神經網絡，加速模型的定型，縮短人工智慧晶片的設計周期。
在各國數據採集管理法規日趨收緊，尤其是歐盟最近出台通用數據保護規範（GDPR）的大環境下，寬鬆的數據管理制度會讓中國在人工智慧晶片產業上占據非常有利的位置，從而達成「彎道超車」的目標。
面臨多重挑戰
人工智慧系統可以粗分為雲端和終端兩大應用。
其硬體系統按照功能則可相應分為訓練機和推理機兩種。
在過去較長一段時間，人工智慧應用主要在雲端，包括訓練與推理兩部分。
雲端系統的人工智慧晶片能依算法與數據形態的不同來處理各式應用。
考慮到海量數據的處理需求，數據中心高昂的建設和運營成本，以及應用的多樣性，雲端人工智慧晶片通常要求具有高集成性、高效能，以及高密度算力等特點，而且需要有一定的通用性。
晶片對應各種應用場景所需的軟體支持也是一項設計重點。
雲端通用型人工智慧晶片主要的開發難點在於如何針對業務所需的神經網絡模型做相應的計算體系結構改良並同時考量通用性與應用導向設計之間的取捨。
這屬於晶片開發中門檻較高的項目，而且所設計的人工智慧晶片的規模通常較大，技術難度也較高。
除了對應用場景有深刻理解之外，設計者也需要有長期晶片設計與流片經驗的累積才能夠保證拿出成熟的產品。
國內公司在經驗上與國外其他領跑企業如英特爾、高通、NVIDIA等應該說還有一段差距。
但國內頭部企業的疊代速度非常快，加上與代工廠（比如TSMC）和後端設計服務公司的緊密合作，對於先進工藝流片經驗掌握的速度非常之快。
國內寒武紀和比特大陸兩家公司在未來的表現非常值得期待。
預計再經過一兩代的開發即能迎頭趕上世界最前沿產品，並可望大量使用於數據中心。
以目前發展趨勢來看，終端應用將會在未來2年－3年伴隨著5G網絡的大量普及有爆炸性成長。
終端產品的應用範圍非常廣，許多從雲端延伸至終端的應用將會是首先被導入的產品。
終端人工智慧晶片並不如雲端晶片般對通用性有較高需求，而是綜合考慮功耗、計算能力、面積（PPA）在終端場景下的平衡。
也因為如此，終端人工智慧晶片並非一定需要採用最先進的製造工藝，成熟且低成本的工藝可能更適合普及化的應用。
終端應用中人工智慧推理機晶片的應用可以粗略分成影像、聲音和判斷三大方向。
由於應用與算法的碎片化與多樣性，人工智慧晶片在未來一段時間將會是一個以細分市場為主的產業結構。
這一特點將會在商業模式上給傳統晶片設計公司帶來新的挑戰和機會。
大量的應用需要更多種類，滿足不同具體需求的智慧財產權，或是將智慧財產權定製化以應付各類不同需求。
其中一種可能是走類似ARM的道路，通過提供基本智慧財產權給客戶做針對具體應用場景的二次定製化開發。
人工智慧的廣泛應用也帶來了龐大產業升級晶片需求，有可能扶植許多新創公司來提供各類應用專屬的智慧財產權。
終端應用中訓練機的需求也日漸增長，其主因是許多應用由於現場特殊性，需要本地訓練或是雲端訓練不能反映時間的要求。
無人駕駛系統、先進輔助駕駛系統和智能工廠等都有大量此類需求。
在終端系統中，訓練機既有可能和推理機使用同一組人工智慧晶片，有能以單獨的晶片形式來達到更高效的訓練效率。
由於終端的訓練機將會對功耗和成本有更高的要求，因此終端訓練機在通用性和應用導向設計之間的取捨將會更為困難。
除了傳統的晶片架構分析和設計技巧外，通過神經網絡算法的改良與簡化來降低設計複雜度也是近些年來研究的重點。
如前所述，晶片的生態系統是面對開發者最重要的一環，並直接影響工程人員對於晶片的接受度和所應用技術的普及度。
在軟體設計上，程式語言和主流編程框架的支持能提高開發者意願並能與其他平台接軌。
同時，人工智慧晶片的開發也是要與軟體或算法的進步而同步更新，提供諸如更高效更靈活的智慧財產權。
在硬體設計上，未來人工智慧晶片將逐步整合其他系統，注重如感測器、通訊和協同處理器等其他相關硬體的系統整合。
對於終端應用而言，整合後的平台將有可能達到系統各部分的高度協同，提高計算效率，增加產品的通用性。
此外，建立和維護使用者社群，提供類似於開源社區那樣的開放式開發平台會使得整體開發速度提升，加快系統設計的疊代速度。
最近有許多新創公司聚焦於降低硬體設計的門檻，以程式語言來取代硬體語言實現晶片設計，或是以軟硬體協同設計來降低晶片設計的門檻，也有助於這一目的。
最後則是智慧財產權 (IP)的重複使用，尤其是功能和需求驗證通過後的智慧財產權，將會是人工智慧晶片在各種應用中快速布局的助力之一。
站在巨人和獨角獸的肩膀上
人工智慧應用對於算力的高要求使得我們在具體實踐中必須將算法、數據與計算平台緊密結合，從而設計出針對具體需求的高度優化的計算平台。
因此，許多擁有數據和算法的傳統軟體及網際網路公司如微軟、谷歌、亞馬遜等最近都紛紛跨界到晶片設計。
晶片行業的沙場老將們如英特爾、高通等也都看準了商機，以自身已有的生態系統和智慧財產權為基礎快速布局於各種人工智慧晶片應用中。
雨後春筍般出現的人工智慧晶片獨角獸更是遍布於各個開發層級，利用創新的科研成果與傳統行業相競爭，形成了百家爭鳴的局面。
我們粗略統計整理了國內外著名的人工智慧晶片公司的主要技術方案和其所針對的應用場景，絕大多數公司尤其是初創公司紛紛看好在終端應用（尤其是終端推理）上的發展機會，以期待人工智慧技術引入傳統行業之後所帶來的巨大商機。
在未來數年，人工智慧技術的應用場景將會更加明確。
賽道上的主流公司及其所代表的各種技術也會隨之通過公司收購、兼并等手段逐漸融合至少數高度集成的技術平台。
初創公司的重點也將轉移至類似終端訓練這樣的新型應用場景。
在技術發展上，未來人工智慧晶片則可能採用更為先進的製造工藝，甚至是諸如憶阻器或者神經形態計算這樣全新的納米器件和計算架構。
這將成為AI晶片下一階段競爭的風向標。
（作者陳怡然為美國杜克大學電子計算機工程系教授、陳逸中為美國紐約州立大學教授，編輯：謝麗容）
（本文首刊於2018年6月25日出版的《財經》雜誌）
