人工智能专用芯片是大势所趋，而IP授权是当前实现商业化的最佳选择

8月中旬，人工智能芯片初创公司寒武纪获得1亿美元的A轮融资，至此成为该领域的第一个独角兽，紧接着，9月初，华为在IFA2017上正式发布了全球首款面向手机的人工智能芯片麒麟970。

就在这前后不到一个月的时间里，人工智能芯片成为了人人争相热议的一个产品、一个产业。

人工智能芯片热度渐多家公司早已着手布局

前段时间，因为被看做是当前智能家居的入口之一，智能音箱一下子受到了人们的极大关注，而随着小爱同学、天猫精灵等产品的相继推出，更是将这股热潮推上了顶端。

就在这股浪潮渐渐平稳的时候，人工智能芯片紧跟而上，引起了人工智能领域的又一波新的浪潮。事实上，在这第三次的人工智能浪潮中，作为让人工智能技术更快、更好运行的基础硬件设施，人工智能芯片必然是未来智能化时代的一种趋势。也因此，虽然人工智能芯片相比于其他人工智能技术和应用显得低调得多，但它的布局依旧是众多厂商眼中不能错过的机遇：

买买买的英特尔至今，为了不再错过人工智能芯片，英特尔陆陆续续收购了Altera、Yogitech、Nervana、Movidius、Mobileye等多家公司，拿下了他们的FPGA等多种技术。

GPU在手，谁与争锋的英伟达凭借着GPU在人工智能应用中的先天性优势，英伟达已经走在了人工智能芯片的前列。不过，就在最近，黄仁勋也发布了一款针对深度学习而打造的芯片TeslaV100。

紧盯FPGA的微软微软把重心放在FPGA人工智能芯片上，已经被用在Bing搜索的支持上。另外，其也推出了基于FPGA的视觉芯片A-eye，让摄像头具有视觉理解能力，可应用在机器人、汽车和无人机等多种智能产品。

与此同时，国内的厂商也是蠢蠢欲动。

首个独角兽寒武纪因为高达1亿美元的A轮融资，寒武纪成为了人工智能芯片领域的首个独角兽，通过的IP授权的形式，其技术已经在华为人工智能芯片麒麟970上面得到了商业化；

主打嵌入式的地平线机器人地平线机器人致力于打造基于深度神经网络的人工智能大脑平台，包括软硬件。在硬件上，其此前曾表示旗下的人工智能芯片盘古已经成功流片商用；

从上面多家企业的布局和产品来看，我们能够清晰地认知到，虽然人工智能芯片相比于语音识别等技术并没有得到大众更多的关注，但是作为人工智能的基础硬件设施，其已经成为诸多公司抢夺市场、占据风口的一大战略制胜点。

人工智能加速人工智能专用芯片是未来趋势

深度学习算法是实现人工智能技术和应用的核心，其在运行过程中需要对海量的数据进行运算处理用已有的样本数据去训练人工神经网络、用训练好的人工神经网络去运算其他数据。对于传统计算架构而言，这将是一个极大的挑战。

面对深度学习算法这一计算新需求，GPU（图形处理器）、FPGA（可编程门阵列）、ASIC（专用集成电路）等成为了人工智能芯片领域的被追捧者。比如GPU，相比于CPU，其具有高并行结构，拥有更多的ALU（ArithmeticLogicUnit，逻辑运算单元）用于数据处理，适合对密集型数据进行并行处理。

值得我们注意的事，不管是让英伟达一举闻名的GPU，抑或是当前与GPU不分伯仲的FPGA，在属性上，它们都只能算是人工智能通用芯片。相比于一开始就是私人订制的ASIC，在深度学习算法的运行上，KUKA机器人示教器维修，GPU和FPGA或多或少都有着一些局限：

GPU局限：GPU能够游刃有余的训练人工神经网络，但在输出应用时，它一次只能处理一张图像；相比于FPGA的灵活，GPU硬件结构固定，不具备可调整性；在实现相同性能的功耗上，GPU远大于FPGA以及ASIC。

FPGA局限：为了实现可重构特性，FPGA内部有大量极细粒度的基本单元，但是每个单元的计算能力都远远低于GPU中的ALU模块；在深度学习算法的运行速度和功耗上，FPGA表现的都不如ASIC；FPGA价格较为昂贵，在某些情况下甚至会高于ASIC。

不可否认，对于当前人工智能的发展，GPU和FPGA都做出了不小的贡献，但是从未来发展趋势来看，人工智能专用芯片才是未来的核心。

从上面的一些比较我们可以看出，在功耗和速度上，GPU、FPGA与ASIC之间还是有着一定差距的。

针对人工智能芯片的通用与专用的区别，地平线机器人芯片专家马凤翔称，相比于通用芯片，专用芯片是为特定场景而定制的，具备低功耗、低成本、高性能的优势。再通俗一点讲，就如寒武纪创始人之一的陈云霁所举出的例子，普通的处理器就好比瑞士军刀，虽然通用，但不专业，造成浪费，但是做菜的时候，还是菜刀得心应手，而专业的深度学习处理器就是这把更高效、更快捷的菜刀。

与此同时，不仅仅是性能的要求，随着人工智能技术的发展，其应用范围也将进一步扩大。未来，自动驾驶、机器人、智能家居等等终将充斥我们的生活，这其中所隐藏的将是一个无可估量的市场需求。届时，不管是所需要处理的数据，抑或是运算速度，与现在相比都将不是一个量级，若想做的更好，就只能向人工智能专用芯片靠拢。

人工智能专用芯片商业化IP授权是当前的最佳出路

随着寒武纪成为AI芯片领域首个独角兽、华为麒麟970的推出，以及后面苹果、三星等多家重量级厂商相继宣布AI芯片的规划，如何实现技术、产品的商业化落地就成为了接下来需要厂商们亟待解决的问题。

目前，运用ASIC架构的人工智能专用芯片中，最典型、最具代表性的当属寒武纪旗下的产品和谷歌的TPU了，不同的是，前者服务的对象是广大客户，而后者则是服务于自己的人工智能系统Tensor-flow。

谈及商业化，虽然中星微、寒武纪的产品此前都有所流片，但是从当前的整体来看的话，相比于流片，IP授权或许更适合人工智能专用芯片，尤其是对于创企而言。至于原因，可以总结为两点：

第一，与其急着流片实现商业化，不如缓下脚步达到芯片生态圈

的确，对于企业来说，流片是一种能够快速实现商业化的方法，并且收获的利润也是可观的。但是，这样一来难免显得有些激进，一不小心或许就会造成失误。相比之下，通过IP授权来慢慢拉拢客户构建生态圈、蚕食人工智能芯片市场显得更为从容有序。

说到IP授权，我们第一个想到的就是ARM，作为后起之秀的它通过IP授权的策略打败了当时的业内老大Intel。ARM大中华区总裁吴雄昂曾一句话总结成功建立了一个有强大活性和创新力的生态圈，为生态圈的合作伙伴提供了一种共赢模式，参与其中的企业有很高的成功率和利润空间。另外，ARM生态圈的成员并不受限于ARM平台，在此基础上可以有无限的创新空间。