中国AI芯片产业难改依附式生存现状的原因有哪些？

日前，全球最大的可编程芯片（FPGA）厂商赛灵思宣布收购中国 AI 芯片领域的明星创业公司—深鉴科技。此消息一出立即在业内引起了强烈反响。尽管双方认为这是双赢的结局，但我们还是从中看到了当下如日中天的中国AI芯片产业的依附式生存。原因何在？

众所周知，芯片定义了产业链和生态圈的基础计算架构，正如CPU是IT产业的核心一样，芯片也是人工智能产业的核心。截止到目前，业界公认的AI主流芯片，除了CPU以外，还有GPU、FPGA和ASIC。而熟悉芯片产业的业内人士看到这些，就知道，所谓现在五花八门的AI芯片最终的基础架构（或者是流派）无非如此，当在上述这些基础架构上，格局已定。

CPU自不用说，英特尔占据着绝对领先的优势，基本在此架构之上突围的可能性微乎其微。

至于GPU，目前全球GPU行业的市场份额有超过70％被英伟达公司占据。而应用在人工智能领域的可进行通用计算的GPU市场则基本被英伟达公司垄断。据悉，世界上目前约有3000多家AI初创公司，大部分都采用了英伟达提供的硬件平台。

再看FPGA，虽然其市场前景诱人，但是门槛之高在芯片行业里无出其右。全球有60多家公司先后斥资数十亿美元，前赴后继地尝试登顶FPGA高地，其中不乏英特尔、IBM、德州仪器、摩托罗拉、飞利浦、东芝、三星这样的行业巨鳄，但是最终登顶成功的只有位于美国硅谷的四家公司：Xilinx（赛灵思）、Altera（阿尔特拉）、Lattice（莱迪思）、Microsemi（美高森美），其中，赛灵思与Altera这两家公司共占有近90％的市场份额，专利达到6000余项之多，如此之多的技术专利构成的技术壁垒当然高不可攀。而赛灵思始终保持着全球FPGA的霸主地位。

正是由于芯片基础架构格局已定，所谓国内的AI芯片企业（包括初创企业）实际上做得只是基于上述基本架构的二次开发或者优化。

以此次被赛灵思并购的深鉴科技为例，自 2016 年成立以来，深鉴科技就一直基于赛灵思的技术平台开发机器学习解决方案，两家公司合作密切。深鉴科技推出的两个用于深度学习处理器的底层架构—亚里士多德架构和笛卡尔架构的 DPU 产品，都是基于赛灵思 FPGA 平台。

另外，由于赛灵思此前是深鉴科技的投资方之一，我们认为深鉴科技更像是为赛灵思FPGA做优化的厂商或者或合作伙伴的角色。原因很简单，一旦脱离了赛灵思 FPGA 平台，深鉴科技将是无本之木，无水之源。

当然，除了深鉴科技，据称中国另外一家知名AI芯片初创企业地平线的所谓AI芯片BPU也是基于FPGA上的二次开发。既然是基于FPGA，那么最核心的底层架构就离不开我们上述的赛灵思、阿尔特拉、莱迪思和美高森美FPGA平台的借鉴和支持。即便是真的具有核心架构颠覆性的创新，由于FPGA已经被这四家企业瓜分，也难有可以维持生存的立足之地。

最会再看ASIC。在国外大厂几近垄断CPU、GPU和FPGA市场的情况下，再加上技术壁垒很高，中国AI芯片厂商在芯片领域一直缺乏关键核心自主技术，仅凭市场、企业单方面的力量难以在CPU、GPU和FPGA方面有所突破，只能另辟蹊径。从目前来看，中国AI芯片厂商更多的是以中小公司为主，与实际应用需求结合，集中于设备端的AI ASIC开发，就某一垂直领域进行优化，以低功耗低成本取胜。例如中国知名的AI芯片初创企业寒武纪就是此类。

这里我们并非说ASIC在AI芯片领域没有前景，恰恰相反，此前名扬业内的谷歌TPU就是基于ASIC。不过需要说明的是，谷歌之所以开发TPU，是基于其自身数据中心的应用规模，而规模是决定采用ASIC效益的关键。

尽管自身庞大应用规模的TPU在业内引起了好评，但谷歌首席科学家Greg Corrado在此前召开的谷歌AI技术分享会上还是提出了不同的观点，他说，“至少迄今为止，我也没有看到完全不同于传统计算芯片的成功案例。相反，我们认为应对现有的芯片做AI方面专门的优化，使现在的芯片完成AI任务时速度更快，功耗更低，整体的效益更高。”这也是为何谷歌有了TPU，但依然会在其数据中心采用CPU和GPU的原因。言外之意，TPU只是针对数据中心某些应用相对于CPU和GPU的补充和优化，并不能成为主流。

具体到中国，为了规避ASIC开发周期长和投入大的风险，基于ASIC开发的所谓AI芯片基本是采取SoC＋IP的模式，即相比ASIC，SoC＋IP模式的上市时间短，成本较低，并且IP可以更灵活地满足用户需求。IP公司专注于IP模块的设计，SoC公司则专注于芯片集成，分工合作，提高效率。此前华为麒麟芯片与寒武纪IP结合在智能手机上的应用就属此种模式。但前提是规模（华为手机巨大的出货量）及SoC的支持。那么对于中国市场而言，能有多少像华为这样的规模用户。ASIC独木难成林。

更让ASIC前景难料的是，业内有一种分析和观点认为，FPGA受益于芯片NRE费用指数级上升带来的规模效应。随着制程工艺不断提高，芯片NRE费用指数级上升，越来越多的ASIC芯片将由于达不到规模经济而被迫放弃，从而转向直接基于FPGA开发设计。

据Tractica估计显示，到去年为止，深度学习应用中还几乎找不到FPGA的身影，但是，到2025年，它的部署会和CPU的部署量相当（如果不能超过CPU的话）。其结果就是，到2025年，FPGA将会在总规模达122亿美金的深度学习芯片组市场获得显著的市场份额。

所谓万变不离其宗。虽然目前AI芯片的叫法五花八门，但依然没有脱离CPU、GPU、FPGA和ASIC这些核心，而在这些核心中，显然仍是那些传统芯片厂商，例如英特尔、英伟达、赛灵思等国外厂商的天下。

而通过此次赛灵思并购深鉴科技，我们看到那些所谓中国的AI芯片企业有相当数量仅是在人家的架构之上再做些二次开发，优化和应用层面的事情，只是换了个新奇的名称和叫法而已，与传统的芯片产业竞争一样，表面锣鼓喧天的中国AI芯片依然是依附性的生存模式。