9月2日消息，華為的首款人工智能芯片如期而至。在德國柏林消費電子展IFA上，華為正式發佈搭載10nm工藝製程的年度旗艦處理器麒麟970。華為消費者BG CEO餘承東表示，這顆帶有強大AI計算力的手機SoC，是業界首顆帶有獨立NPU（Neural Network Processing Unit）專用硬件處理單元的手機芯片。
華為消費者BG CEO餘承東表示，這一帶有強大AI計算力的手機端移動計算平臺，是業界首顆帶有獨立NPU（Neural Network Processing Unit）專用硬件處理單元的手機芯片。餘承東同時提到華為的人工智能發展戰略：Mobile AI=On Device AI + Cloud AI，即人工智能在未來終端上的實現必須通過端雲協同。
據瞭解，這款芯片麒麟，並不是嚴格意義上的純CPU芯片，而是一塊SoC（System-on-chip）芯片。所謂的SoC即芯片上集成了若干不同的功能模塊。上面的每一個這些模塊通常都是SoC廠商上游的技術提供商通過IP（intellectual property，知識產權）提供授權，麒麟970上搭載的寒武紀IP，主要用於深度神經網絡（DNN）中的複雜計算，而深度神經網絡正是目前人工智能技術的半壁江山，這樣一來麒麟970將成為全球首款具備人工智能處理能力的SoC芯片。
而在8月18日由中國科學院計算技術研究所(中科院計算所)陳雲霽、陳天石兩兄弟創立的寒武紀科技(Cambricon Technologies)宣佈完成1億美元A輪融資，由國投創業(A輪領投方)，阿里巴巴創投、聯想創投、國科投資、中科圖靈、元禾原點(天使輪領投方)、湧鏵投資(天使輪投資方)聯合投資。寒武紀科技在A輪融資後已成為全球AI芯片領域第一個獨角獸初創公司。
寒武期板卡：
寒武紀芯片：
寒武紀科技（Cambricon）是中科院計算所孵化的一家獨角獸公司，2016年推出的寒武紀1A處理器（Cambricon-1A）是世界首款商用深度學習專用處理器，面向智能手機、安防監控、可穿戴設備、無人機和智能駕駛等各類終端設備。
華為官方在Twitter也發佈了一張海報，上面寫著一句話：“AI不止是語音助手”，預示華為下一代自研的處理器將擺脫束縛，實現更多人機交互的可能性。餘承東認為：“人工智能時代的來臨，意味著移動互聯網進入到智慧互聯網時代，用戶入口將有由從傳統的APP，向智慧助理+API入口發展。未來的智能手機將成為真正的智慧手機，到2025年超過90%的智能終端用戶將從個性化、智慧化的智能個人助理服務中獲益。”
全球智能芯片領域“搶佔賽道”白熱化
而放眼全球，科技巨頭對於智能芯片追逐和佈局已經到了白熱化的地步：
1. 人工智能顯卡芯片總龍頭英偉達股價2年8倍，繼續領漲美國科技股；
2. 2016年7月20日，軟銀宣佈將以243億英鎊(約合320億美元)，43%的溢價收購移動端芯片總龍頭ARM，英國芯片設計公司ARM；
3. 2016年9月，英特爾收購視覺芯片公司Movidius；
4. 2017年3月，英特爾宣佈以153億美元收購以色列無人駕駛Mobileye；
5.谷歌自主研發人工智能數據中心芯片TPU，搭載AlphaGo應用，橫掃人類圍棋界
“芯片”是站在整個電子產業鏈最頂端的行業，在英特爾芯片壟斷PC時代、ARM芯片稱霸移動互聯網時代的歷史進程中，芯片永遠都是作為產業鏈最上游，是行業先導指標。核心芯片決定一個計算時代的基礎架構！當今谷歌、微軟、IBM、Facebook、英偉達等IT巨頭之所以紛紛投巨資加速人工智能核心芯片的研發，都是意圖從源頭上掌控核心芯片架構，取得人工智能計算時代的主導權。未來3-5年，隨著人工智能定製芯片的突破，所有行業都將實現人工智能化！屆時，智能化市場之規模和容量將數十倍於現今的移動互聯網市場。
在PC時代處於霸主地位的X86架構和移動互聯網時代壟斷全行業的ARM架構的發展歷程表明，核心芯片決定了一個新的計算平臺的基礎架構和發展生態，新的計算時代來臨之時往往是新興企業彎道超車的絕佳機遇，目前使用的GPU、FPGA均非人工智能定製芯片，天然存在侷限性，人工智能專用芯片對於IT巨頭和初創企業是同一起跑線的藍海。
目前以深度學習為代表的人工智能新計算需求，主要採用 GPU、FPGA，AISC定製化芯片等已有適合並行計算的通用芯片來實現加速。
三種主流人工智能芯片方向：GPU, FPGA，AISC定製
GPU：以英偉達為主導的GPU芯片，作為圖像處理器，設計初衷是為了應對圖像處理中需要大規模並行計算。因此，其在應用於深度學習算法時，存在應用過程中無法充分發揮並行計算優勢，硬件結構固定不具備可編程性，運行深度學習算法能效遠低於 FPGA。
FPGA：即現場可編輯門陣列，是一種新型的可編程邏輯器件。其設計初衷是為了實現半定製芯片的功能，即硬件結構可根據需要實時配臵靈活改變。目前的FPGA 市場由 Xilinx 和 Altera 主導，兩者共同佔有 85％的市場份額，其中Altera 在 2015 年被 intel 以 167 億美元收購（此交易為 intel 有史以來涉及金額最大的一次收購案例），另一家Xilinx 則選擇與 IBM 進行深度合作，背後都體現了 FPGA 在人工智能時代的重要地位。
對於機器學習算法的性能和功耗的角度來說：FPGA 可以開發出為機器學習算法專用的架構，但是 FPGA 本身的峰值性能較 GPU 要差很多。
FPGA 實現的機器學習加速器在架構上可以根據特定應用優化所以比 GPU 有優勢，但是 GPU 的運行速度（>1GHz) 相比 FPGA 有優勢 (~200MHz)。所以，對於平均性能，看的就是 FPGA 加速器架構上的優勢是否能彌補運行速度上的劣勢。
AISC定製：ASIC是指依產品需求不同而定製化的特殊規格集成電路，由特定使用者要求和特定電子系統的需要而設計、製造。以谷歌TPU為代表的AISC定製化芯片（包括4個芯片能夠提供180TFLOPs浮點運算的計算能力）就是一種最大化性能需求和成本能耗平衡的重要手段。
打個形象的比方，我們設計一款人工智能芯片就像設計一個某種功能的房子，那麼我們有三種選擇：
1. 買一個已有的比較通用的房子，然後改變內部的軟件設施來讓這個房子達到我們需要的功能，優點是對於用戶代價小，但肯定沒法達到性能最大化，這就對應了通用型GPU芯片；
2. 買一個半成品的房子，我們可以隨時改變房子裡面的各個房間格局，優點是相對第一種房子性能肯定會更貼近我們需求，而且也保證了一定靈活性，如果需求有改變，可以隨時再改變內部房間格局，這對應了FPGA芯片；
3. 完全一塊磚一塊磚按自己需求重新搭建一個房子，這種肯定性能上最能貼近我們的需求，但是一次性投入太大，如果不是確定性需求需要冒風險，這就對應ASIC芯片。
所以我們可以不難理解為什麼大部分創業公司都會採用英偉達GPU這類生態成熟的通用芯片，為什麼在人工智能算法沒有最終成熟需要不斷改進時FPGA會出現在一些應用領域，而谷歌這類財大氣粗自己需求量很大的公司自己用ASIC的TPU。
終端應用的兩種智能芯片應用模式：
一種是通用GPU處理器採用較為通用的處理器，如movidius、英偉達的Jetson系列芯片，通用性較好，能夠運行各類神經網絡算法，但價格相對較高，主要針對高端市場。這類芯片的代表就是剛剛被intel收購的Movidius公司，它們推出 Myriad 系列VPU（視覺處理器）平臺可以用於3D感知及掃描建模的芯片，可以支持室內導航、360度全景視頻處理等機器視覺應用。
第二種是以華為麒麟kirin970為標誌的SoC芯片，將已經訓練好的較為通用的智能識別類算法直接固化為IP，嵌入到SOC芯片中，優點是因為是專用芯片（ASIC）,量產後功耗、價格等都極具優勢，但功能拓展性有限。例如在安防領域，商湯科技的SenseEmbed將深度學習人臉識別算法通過高性能計算極致優化，搭建底層算法最優解決方案，利用商湯科技自主研發的PPL、FastCV高性能異構並行計算組件庫，能將複雜的深度學習算法集成在一張小小的芯片中，進行毫秒級識別速度。目前已支持海思Hi3519/Hi3516A/Hi3516D、飛思卡爾IMX6、ARMCortexA7等多款主流嵌入式芯片，將為硬件設備提供最優深度學習算法引擎。
重點關注：建議分別從硬件和應用兩方面關注具備行業先導指標的意義的公司，人工智能產業發展初期率先啟動、彈性最大的行業。
投資機會有哪些？
*免責聲明：文章內容僅供參考，不構成投資建議
相關推薦
