当想做AI芯片，就该考虑量产的时机是否已经到来

连续两周都有密集的人工智能芯片峰会，大家都探讨了人工智能芯片方面的进展。由于人工智能芯片领域是新兴的事物，整个产业链很不完整，必须提供芯片/硬件、软件SDK、到应用的解决方案，以及打造自己的生态系统，这一点基本都达成共识。这也与我在以前写的《新兴芯片领域创业认知的理解》以及《新兴领域创业的挑战》中的观点一致。但这样就够了吗？我觉得肯定还有其他方面的东西需要思考。所以先抛出自己的一些观点，当然不一定正确，欢迎一起探讨。

首先需要考虑的是，当前做AI芯片，特别是量产的时机是否已经到来？从技术上来说，目前在深度学习的算法上，虽然都有推出Caffee, Tensor Flow等各种框架和算法，但是围绕着很多方面，都一直有很多算法的变化，这些变化可能会影响到对芯片的定义，因为芯片是硬件的东西，一旦固定很难更改。在不同的应用场合需要不同的算法以及算力的考虑，目前做芯片是否能满足这些变化的要求，或者说在某个可以看到的具有较大量支撑的领域，比如安防领域，对算法和算力的要求，目前是否已经相对定型，围绕这块领域的芯片设计的时机是否已经到来？我相信在更多细分的领域，比如在工业的机器视觉领域，FPGA或者其他通用AP可能是更合适的方式，特别是在FPGA上，可以针对某个应用做硬件的更好优化，加上本身工具链的进一步成熟，ASIC芯片在算力上很可能还不如FPGA，FPGA作为可选择的方案可能长期存在。当然FPGA有其自身的弱点，在功耗、面积等方面。所以从价格、成本投入、上市周期、功耗、性能等方面，仍然需要多角度考虑。当然我不否认做芯片的价值，只有先tapeout芯片，才能更清楚地想明白很多问题，也才能通过向应用需求端不断的磨合，做出更好的产品，所以我一直觉得这一步是必不可少的。但是一方面芯片tapeout本身就是一个大的投入，更何况量产。在时机未成熟的情况下，FPGA一直是更好的选择。

再一个考虑的是切入的领域问题。目前大家大致的方向是比如安防、汽车、服务器、智能家居等几个大的方向。在大的赛道上也意味着竞争对手更强，比如在安防领域会碰到海思，也可能会碰到下游的海康、大华，它们也很可能会切入。当然你很可能会说，这一块大家都有机会，就看谁先做出更好的符合要求的产品。我不否认，但是有可能在现在看得到的主流赛道上会很拥挤，在整个产业链上需要牵扯的各种复杂的因素太多，反而影响自己的快速发展。是否有在目前想不到的领域，不同的应用场景，有强和弱人工智能应用之分，比如安防某细分领域，汽车某细分领域，服务器某细分领域，或者其他某领域，会促成自己在该领域快速发展，积累起自己深厚的资本。比如比特大陆，因为切入的领域没有发现竞争者，市场快速起来，芯片居然越卖越贵，赚得盆满钵满，快速奠定自己的江湖地位。突然想起前几天看文章，马云说的一句话，“有了一张战略图之后，一定要找到一个地方是一刀捅进去就会流血的，闻到血腥味大家自然会冲上来，这张皮一定能被撕开，如果4、5个点都是拿小钉子敲，敲了3年下来没有一个点是敲破的，所有人都崩溃了。重要的是一定要找到一个点切入，把它做深做透，彻底的把这个桩打进去。”

第三点是在前端的人工智能芯片上，如果只有深度学习算力的芯片应该还是过度性产品，最终是要SoC化的，即加入更多的模块、接口，在前端上做成单一集成的芯片方案，因为那样最经济。当前对深度学习的研究很热，在很短的时间里面达到很高的高度，也培养了很多人才。所以如果再往前发展，在某些领域算法很有可能算法已经不是稀缺的要素，这时候天平就会倒向工程化的人才，在芯片上具有多年经验的人才会更有优势，因为他们更熟悉芯片的供应链，以及设计方面的细节问题。就好比20年前，做网页设计的月收入也能有8000块，可现在呢？同时，在SoC上，很可能其他要素才是更稀缺的，比如针对AI的ISP技术，要知道熟悉ISP算法的人才，从某种意义上来说是更为稀缺的。所以在产业演进的过程中，要一直考虑好自己的核心竞争力，人工智能芯片的价值很可能在深度学习算法之外。