一份布滿愁云的財報，暗示著芯片廠商們的又一場戰(zhàn)事拉開序幕。

7月24日，英特爾在今年2季報中宣布，因7nm芯片工藝存在缺陷，進展落后與原計劃的6個月，同時量產日期也被推遲了近一年。

當天，英特爾收盤暴跌16.24%。

另有媒體報道，英特爾已將2021年6nm芯片代工訂單交于臺積電，后者還有望獲得5nm、3nmCPU芯片的代工。

受該利好消息刺激，7月27日臺積電創(chuàng)下83.4美元/股的歷史新高。截至7月29日收盤，臺積電的市值高達4289億美元，是當天英特爾收盤市值的兩倍多。

一憂一喜間，暗示著英特爾自銷自產的時代落幕。曾經的CPU芯片巨頭如今陷入頹靡。但江湖中，后浪們正在奮起追逐。

7月20日，國產AI芯片第一股寒武紀登陸A股科創(chuàng)板，當天大漲229.9%。

當人工智能進入越來越多人的生活，這片江湖爭奪或許會聚焦于AI芯片上。

根據Gartner預測，全球AI芯片的市場規(guī)模將有望從2018年的42.7億美元上升到2023年的323億美元，2019-2023年平均增速約為50%。

如果說，英特爾和英偉達象征著CPU、GPU芯片的榮光，那么在AI芯片賽道中，誰會是下一個霸主?

01

從CPU、GPU到xPU

深度學習是目前AI的神經網絡主流算法，需要處理大量非結構化數(shù)據和“蠻算”。這對芯片的多核并行運算、片上存儲、帶寬、低延時訪存等提出了較高需求。

事實上，CPU芯片可以用于AI運算，適用于邏輯復雜的串行計算。由于CPU中有晶體管用于構建控制電路和高速緩沖存儲器，縮減了計算單元的空間，也在一定程度上限制了算力。

目前深度學習下的圖像識別、語音識別的計算主要涉及矩陣向量乘法、加法，計算邏輯也不復雜，主要靠數(shù)據大量多次計算，因此相比串行運算的CPU，具有并行運算能力的GPU芯片性能更高，更適合深度學習。

這是為什么GPU一哥英偉達能在AI芯片市場占有一席之地。據廣證恒生研報數(shù)據，英偉達在數(shù)據中心GPU市場占有率超過80%。2019年度，英偉達數(shù)據中心業(yè)務收入占比增長至接近三成。

除了CPU、GPU外，ASIC被認為是下一代AI芯片主流架構。針對特定任務專門設計框架，ASIC芯片能在快速提升算力的同時降低能耗。

谷歌的TPU(張量處理單元)便是其中之一。谷歌定義了十幾個為神經網絡計算而設計的高級指令，采用單線程控制，避免緩存、多道處理等問題，提高了深度學習運算效率。不過，和所有ASIC芯片一樣，TPU是一款非通用芯片。

在眾多xPU芯片中，Graphcore推出的IPU(智能處理單元)是一款激進產品。

這款專為AI訓練、推理任務設計的新型處理器，運用大規(guī)模并行同構眾核架構。

加州大學圣芭芭拉分校教授謝源曾表示，在運算過程中，把數(shù)據從內存搬到處理單元所需能量占比非常大，而數(shù)據搬運效率不會因摩爾定律發(fā)展而提高。

IPU采用的是大規(guī)模分布式片上SRAM(靜態(tài)隨機存取儲存器)，數(shù)據不儲存在片外，意味著運算過程中可以直接調動，節(jié)省能耗和時延。不過，一旦供電不足，會導致部分數(shù)據缺失。為此，IPU相應減少了用于機器學習運算單元面積。

日前，Graphcore已發(fā)布第二代IPU GC200，晶體管數(shù)量高達594億個，內部有1472個獨立的處理器內核，能夠執(zhí)行8832個獨立的并行線程，均由900MB的RAM支持。

此外，IPU GC200芯片另一亮點為能適用于稀疏樣本數(shù)據的深度學習。

新的架構有的方法是為每個處理核心配備了專用存儲單元，能更有效分散和搜集信息，避免部分數(shù)據被過濾。

Graphcore曾被多家媒體對標為下一家英偉達。

介紹這款特立獨行的產品時，高級副總裁兼中國區(qū)總經理盧濤表示，“IPU不是GPU，但現(xiàn)在很多芯片公司做的其實還是GPU，在某些領域，未來一段時間里，IPU可能會和GPU呈現(xiàn)競爭膠著狀態(tài)，“這是最大的挑戰(zhàn)，也是最大的機會。”

02

垂直領域突圍戰(zhàn)

對于不少中國AI芯片企業(yè)而言，選擇做專用芯片還是通用芯片，是一道難題。

億歐科創(chuàng)事業(yè)部商業(yè)分析師張繼文直言，目前行業(yè)中還沒有誕生一款真正意義上的AI通用芯片，因為不同場景下，對芯片算力有不同要求。

比如，安防領域對圖像處理要求比較高，智能家居對語音處理要求很高，而自動駕駛需要多模態(tài)處理。

“現(xiàn)階段設計者仍在具體場景下摸索，建議做垂直領域的芯片。”她表示。

如果你是一個不走心的芯片設計師，做出芯片并不難。如果不愿意付ARM框架授權費用，可以選開源的Risk-V框架，去除無用功能后，從GitHub下載代碼，交由芯片廠家做模型轉換。

但在中科院自動化研究所研究員王金橋看來，這樣的算法無法保證算法的精度。

設計芯片時，設計師需要對網絡規(guī)模、參數(shù)、效果等選項不斷調整，提高芯片的適配能力。如果芯片已經固定了支持的網絡結構，之后要想更換，只會前功盡棄。

根據億歐智庫數(shù)據，ASIC芯片的開發(fā)費用高達800-2500萬美元以上，開發(fā)周期長達1-3年。這是耗費的資本。

這便是專注于ASIC芯片研發(fā)，寒武紀的困頓。在招股書上，寒武紀預計今年凈利潤虧損4億元至6.5億元。尋求資本市場融資，是這次寒武紀上市的緣由。

據悉，寒武紀計劃分別以IPO募集資金7億元、6億元、6億元和9億元用于投資云端訓練芯片及系統(tǒng)、新一代云端推理芯片及系統(tǒng)、新一代邊緣端人工智能芯片及系統(tǒng)和補充流動資金。

比資本更重要的，還有人才。王金橋感慨AI芯片領域設計人才稀缺。在成為芯片設計師前，需要至少3-5年的工作經驗。

行業(yè)一流的設計師，起碼要在生產線上跟過10年，以防流片失敗。

芯片生產過程中，流片是從設計走向量產的關鍵一步，這需要按照圖紙在晶圓上進行蝕刻、制定晶圓尺寸，工藝復雜，整個過程有40多道工序，每一步細小失誤的累積，便會功虧一簣。

此前小米澎湃S2流片失敗5次，被報道稱燒掉十多億元。這是流片背后的痛。

目前AI領域稀缺的是設計，懂算法的，不懂硬件，反之亦然，這需要建立好生態(tài)，改變高校課程結構。

王金橋表示看好寒武紀的成長，這個團隊來自中科院，有核心技術，只是成立不過5年，仍顯稚嫩。“中國會有一家像英偉達一樣的企業(yè)，雖然還有很長的路要走。”他說。

關鍵詞： 芯片