观AI芯片分布格局，可有中国的一席之地？

如果说2016年3月份AlphaGo与李世石的那场人机大战只在科技界和围棋界产生较大影响的话，那么2017年5月其与排名第一的世界围棋冠军柯洁的对战则将人工智能技术推向了公众视野。阿尔法狗（AlphaGo）是第一个击败人类职业围棋选手、第一个战胜围棋世界冠军的人工智能程序，由谷歌（Google）旗下DeepMind公司戴密斯·哈萨比斯领衔的团队开发，其主要工作原理是“深度学习”。

其实早在2012年，深度学习技术就已经在学术界引起了广泛地讨论。在这一年的ImageNet大规模视觉识别挑战赛ILSVRC中，采用5个卷积层和3个全连接层的神经网络结构AlexNet，取得了top-5（15.3%）的历史最佳错误率，而第二名的成绩仅为26.2%。从此以后，就出现了层数更多、结构更为复杂的神经网络结构，如ResNet、GoogleNet、VGGNet和MaskRCNN等，还有去年比较火的生成式对抗网络GAN。

不论是赢得视觉识别挑战赛的AlexNet，还是击败围棋冠军柯洁的AlphaGo，它们的实现都离不开现代信息技术的核心——处理器，不论这个处理器是传统的CPU，还是GPU，还是新兴的专用加速部件NNPU（NNPU是Neural Network Processing Unit的简称）。

在计算机体系结构国际顶级会议ISCA2016上有个关于体系结构2030的小型研讨会，名人堂成员UCSB的谢源教授就对1991年以来在ISCA收录的论文进行了总结，专用加速部件相关的论文收录是在2008年开始，而在2016年达到了顶峰，超过了处理器、存储器以及互联结构等三大传统领域。而在这一年，来自中国科学院计算技术研究所的陈云霁、陈天石研究员课题组提交的《一种神经网络指令集》论文，更是ISCA2016最高得分论文。

在具体介绍AI芯片国内外之前，看到这里有部分读者或许会产生这样的疑惑：这不都是在说神经网络和深度学习吗？那么我觉得有必要对人工智能和神经网络的概念进行阐述，特别是2017年工信部发布的《促进新一代人工智能产业发展三年行动计划（2018-2020年）》中，对发展目标的描述很容易让人觉得人工智能就是神经网络，AI芯片就是神经网络芯片。

人工智能整体核心基础能力显著增强，智能传感器技术产品实现突破，设计、代工、封测技术达到国际水平，神经网络芯片实现量产并在重点领域实现规模化应用，开源开发平台初步具备支撑产业快速发展的能力。

其实则不然。人工智能是一个很老很老的概念，而神经网络只不过是人工智能范畴的一个子集。早在1956年，被誉为“人工智能之父”的图灵奖得主约翰·麦卡锡就这样定义人工智能：创造智能机器的科学与工程。而在1959年，Arthur Samuel给出了人工智能的一个子领域机器学习的定义，即“计算机有能力去学习，而不是通过预先准确实现的代码”，这也是目前公认的对机器学习最早最准确的定义。而我们日常所熟知的神经网络、深度学习等都属于机器学习的范畴，都是受大脑机理启发而发展得来的。另外一个比较重要的研究领域就是脉冲神经网络，国内具有代表的单位和企业是清华大学类脑计算研究中心和上海西井科技等。

好了，现在终于可以介绍AI芯片国内外的发展现状了，当然这些都是我个人的一点观察和愚见，管窥之见权当抛砖引玉。

国外技术寡头，优势明显

由于具有得天独厚的技术和应用优势，英伟达和谷歌几乎占据了人工智能处理领域80%的市场份额，而且在谷歌宣布其Cloud TPU开放服务和英伟达推出自动驾驶处理器Xavier之后，这一份额占比在2018年有望进一步扩大。其他厂商，如英特尔、特斯拉、ARM、IBM以及Cadence等，也在人工智能处理器领域占有一席之地。

当然，上述这些公司的专注领域却不尽相同。比如英伟达主要专注于GPU和无人驾驶领域，而谷歌则主要针对云端市场，英特尔则主要面向计算机视觉，Cadence则以提供加速神经网络计算相关IP为主。如果说前述这些公司还主要偏向处理器设计等硬件领域，那么ARM公司则主要偏向软件，致力于针对机器学习和人工智能提供高效算法库。

注：上述表格中所给为截止到2017年各研制单位公开可查的最新数据。