2020年看点：AI芯片的“落地”遇到困难，如何破解？

2020年看点：AI芯片的“落地”遇到困难，如何破解？

• 来源:网络
• 更新日期:2020-09-23

摘要：AI芯片的发展，离不开人工智能技术的发展。人工智能从1956年诞生至今，共经历过三次大的浪潮。进入21世纪，随着计算机性能的提升和海量数据的产生，机器学习和CNN网络(卷积神经网络

AI芯片的发展，离不开人工智能技术的发展。人工智能从1956年诞生至今，共经历过三次大的浪潮。进入21世纪，随着计算机性能的提升和海量数据的产生，机器学习和CNN网络(卷积神经网络)获得突破，算法、算力和数据满足了人工智能的商业化落地需求，人工智能迎来了高速发展的阶段。

前几年的“人工智能热”让大小厂商陆续跳入AI芯片的研发大军中，而当这股潮水褪去，当初的50多家公司大多数都黯然退出历史舞台，如今只剩10家左右。AI芯片的风口已然过去。据艾瑞咨询发布的2019年《AI芯片行业研究报告》指出，目前AI芯片行业接近Gartner技术曲线泡沫顶端，只有通过市场检验和筛选的优质团队才能够继续获得产业、政策和资本的青睐与支持。

随着AI芯片进入深水区，人们更关注的不再是单纯的算力，还有对应用落地和商业化的支持：进入了哪些场景？合作了哪些客户？有没有软硬一体化方案？是否已经有实际案例？……“AI落地难”已成行业共识。

AI芯片为何落地难？

首先，放眼当前AI芯片的格局。目前市面上AI芯片主要分为云端AI芯片与终端AI 芯片，云端AI芯片主要部署在大型服务器中，可支持图像、语音等不同类别的AI 应用；终端芯片则被放在音箱、摄像头等硬件设备中。由于云端芯片起步较早，且所需要协同的CPU/GPU等硬件成本投入规模高，该领域已被英伟达、Intel等巨头瓜分殆尽；国内一众AI从业者大多选择发力在终端芯片领域，如自动驾驶、安防、零售、智能硬件等。但AI芯片终端市场细分化、碎片化、应用场景不明确也是一大难题。

至于AI芯片落地难的原因可能有无数个。例如，芯片研发比AI语言的更迭速度慢，当芯片面市时，其采用的AI语言可能已经过时了。这种问题首先体现在量产，但归根结底，缺乏杀手级应用场景才是最致命的。AI芯片厂商高投入研发过后，却不知道自己的产品要卖给哪些客户或者说应用到哪些产品上，无法找到可持续性的落地场景。

再者，用户接受度也不高，AI应用所需要的数据闭环难以形成。需要明确的是，AI应用开发模式与传统软件开发流程不同，传统软件开发可清晰定义功能，通过编程就能实现；而AI应用则要通过示例（数据）来定义功能再进行开发，需要形成数据闭环，且自动迭代。

破解AI芯片落地的关键

落地，既是今年AI芯片的看点，也是难点。当前AI的行业应用迟迟没有大规模爆发，AI芯片创业公司依旧面临产品难以落地、研发和应用还没有很有效地衔接起来等问题。芯片专用化趋势越来越明显，而应用落地则成为迫切需求。

在业内人士看来，AI芯片的挑战主要有三个，首先是怎样在整个体系架构上做到能耗比的最优,怎样突破冯诺依曼内存墙？其次是做好软硬一体，最后是要理解应用场景。

总所周知，算法（Algorithm）、数据（Big data）和计算能力（Computing）并成为新AI时代三大驱动力，AI在追求更好性能的同时要实现低功耗、低延迟和低成本，这就亟需高能效计算和高带宽数据技术。

据了解，国内的芯动科技Innosilicon提供的一系列技术和服务就能助力AI芯片落地，而且早已打破国外垄断，他们不仅率先攻克顶级难度的GDDR6高带宽显存技术瓶颈，成功量产高性能计算GPU，而且推出4K/8K显示的HDMI2.1 IP和高速32Gbps SerDes Memory。同时，在今年，率先推出国产自主标准的INNOLINK Chiplet和HBM2E技术，并即将首发全定制云计算智能渲染GPU芯片。

与此同时，提供市场上最快的AI存储加速芯片，使SOC数据的存储带宽增加四倍以上，支持高性能国产CPU/GPU/NPU等各种HPC应用场景。

未来，AI赛道比拼，影响的绝不仅是手机端，边缘侧、云侧的硬件算力、数据算法等元素无一不处于白热化的竞赛之中。