上周，百度宣布了自家首款云端AI芯片的进展。一石激起千层浪，芯片热潮再次走进了人们的视线。从国内的情况来看，中国目前已经涌现出了地平线、寒武纪、深鉴科技、中芯微等一批明星初创企业。而在国外，随着PC芯片需求量下滑，连续几年走下坡路的芯片巨头英特尔也开始了向AI芯片的转型。此外，互联网巨头谷歌、车企巨头特斯拉、社交巨头Facebook也纷纷加入了芯片战场。在人工智能革命的影响下，一场新的芯片军备竞赛即将展开。

多年来，半导体世界似乎已经有了一种稳定的平衡状态：英特尔击败了服务器领域几乎所有RISC处理器，让其x86系列成为了主导者。而GPU领域起步较晚的英伟达，在上世纪90年代就已淘汰了大部分的竞争对手，如今只剩下ATI、AMD在该市场上仍占据一小部分份额。

在较新的移动领域，似乎也是一个这样的垄断故事：ARM领导着这个市场。英特尔曾尝试用Atom处理器与之竞争，但最后还是在2015年选择了放弃。

即使这样，似乎一切又都有所改变。如今，AMD重新成为了x86的竞争对手；现场可编程门阵列（FPGA）引领了一个新的利基市场；而人工智能和机器学习的出现也让芯片市场发生了动荡。可以说，随着这些新兴技术的出现，大量的新处理器已经到来。

小智君整理如下：

1、2016年，英特尔收购创业公司Nervana Systems进入AI芯片市场，随后又收购了Movidius开发图像处理AI；

2、微软正在为其HoloLens VR ／ AR耳机开发AI芯片，并有可能在其他设备中使用；

3、谷歌自研了一款用于神经网络的AI芯片——张量处理单元（TPU），用于谷歌云平台上的AI应用程序；

4、有报道称，亚马逊正在为其Alexa开发AI芯片；

5、苹果正在开发一款名为神经引擎（Neural Engine）的AI处理器，为Siri和FaceID提供动力；

6、ARM最近推出了两款新处理器，专注于图像识别的ARM机器学习处理器和ARM物体检测（Object Detection）处理器；

7、IBM正在开发专门的人工智能处理器，还从英伟达获得NVLink许可，用于人工智能和机器学习的高速数据传输；

8、即使像特斯拉这样的非传统科技公司也希望进入这一领域，去年该公司首席执行官埃隆·马斯克承认前AMD和苹果芯片工程师Jim Keller （现已离职）将负责硬件制造。

这还是没有将初创企业计入在内的情况。纽约时报称曾报道称，按照不完全统计，目前专注于芯片领域的初创公司已经达到了45家。那为什么在芯片制造停滞多年之后，又突然爆发了呢？毕竟，在多数人看来，英伟达的GPU对AI而言是够用的。

答案有点复杂，就如人工智能本身。

原因一：投资、功耗和能效

虽然x86目前仍然是计算机的主要芯片架构，但它对于要执行高度专业化任务的AI来说，还是太普通了。研究员们对AI的终极目标是构建一个通用的服务器平台，因此，AI需要擅长一切。事实上，处理AI的实际任务与标准计算或GPU处理是完全不同的，因此研究人员认为定制AI芯片是必要的。

通常情况下，科学计算是以确定的方式进行的。比如，你想知道2加3等于5，并计算到所有的小数部分——x86和GPU做得很好。但人工智能的本质是，在不经过实际计算的情况下，可以学会2．5加3．5等于6。换句话说，人工智能的重要之处在于数据中的发现模式，而非确定性计算。

人工智能和机器学习的定义是从过去的经验中汲取教训并改进。一旦通过AI展开学习，便不会再需要进行重新学习了，这是机器学习的标志（人工智能更高定义的一个子集）。机器学习的核心是用算法解析数据，从中学习后根据数据进行判断或预测。

比如AlphaGo通过大量的围棋比赛来进行自我提升；Facebook的面部识别技术经过多年训练学会了标签照片；自动驾驶汽车的AI不是通过确定的事物来判断周围物体的活动路径，而是通过以往的经验表示曾有另一辆车以这种方式行驶。

这种预测性问题解决的结果是AI计算可以通过单精度计算完成。因此，虽然CPU和GPU都能很好地完成，但它们对于任务来说是多余的。单精度芯片可以承担这项任务，并在更小，更低功耗的情况下完成。

毫无疑问，功耗和范围对于芯片来说是一个大问题，特别是对人工智能，因为一个尺寸并不能适用于该领域的所有情况。人工智能包含了机器学习，而机器学习包括了深度学习，所有技术都可以通过不同的设置部署到不同的任务中。