人工智能爆发性增长是以强大的计算能力为基础的, 而提供计算力的载体是芯片. 近年来国内得到资本热烈追捧的独角兽公司多与AI芯片有着密切的关系, 亦从侧面证明了AI芯片的重要性与广阔的发展前景. 然而, 随着越来越多新创公司, 互联网公司和传统芯片公司开始进入 AI芯片领域, 其中蕴含的风险也需引起重视. AI 芯片会是中国集成电路产业弯道超车的好机会吗?其中含有哪些风险?如何才能抓住这次难得的产业机遇? 尴尬的产业链定位 要说如今科技圈什么最火, 人工智能肯定是其中之一. 而核心芯片则是决定一个新的计算时代的基础. 从源头上掌控核心芯片架构将取得先发优势, 对于取得一个新计算时代主导权有着非常重要的意义. 也正是基于这样的考虑, 谷歌, 微软, 亚马逊, IBM等全球科技巨头才纷纷投入巨资加速人工智能核心芯片的研发, 目标在于抢占新计算时代的战略制高点, 掌控人工智能时代主导权. 中国对于人工智能芯片产业同样高度重视. 工信部正式印发的《促进新一代人工智能产业发展三年行动计划(2018-2020年)》中, 着重强调要在智能传感器, 神经网络芯片, 开源开放平台几个领域率先取得突破. 根据前瞻产业研究院发布的《2018-2023年中国芯片行业市场需求与投资规划分析报告》, 2016年全球人工智能芯片市场规模达到36亿美金, 预计到2021年将达到111亿美金, 年复合增长率达到25%. 结合我国人工智能市场规模, 推算2016年我国人工智能芯片市场规模约为15亿元, 到2022年市场规模将达到50亿元左右, 增长迅猛, 发展空间巨大. 在看好AI芯片发展前景的情况下, 吸引了越多越多互联网公司和 传统芯片公司进入AI芯片领域, 其中蕴含的风险也需引起人们注意. 在近日召开的 '2018年半导体市场年会' 上, 清华大学微电子所所长魏少军在演讲时笑称: '有投资界人士问我, 应不应该投资AI芯片. 我的回答是 '投资可以, 但一定不要成为那个持最后一棒的' . ' 那么, 中国企业投入AI芯片将会面临哪些挑战呢?从产业链角度观察, 人工智能包括了从芯片器件, 计算设备, 程序平台到大数据, 功能层, 应用端等复杂结构. 在这样一个产业生态中, 一些有实力的国际互联网巨头, 如谷歌, Facebook, 亚马逊, 百度以及苹果公司, 是以垂直整合模式介入的, 它们成为最有实力的玩家. 英特尔, 高通, 英伟达等国际芯片龙头则以整合芯片, 计算以及部分软件程序为发展策略, 力求扮演硬件设施平台供应商的角色. 一些有实力的终端品牌公司, 包括近年来得到快速发展的中国智能手机厂商, 如华为, 小米, VIVO, OPPO, 希望AI成为终端设备供应商. 在这样的产业生态里, 中国AI芯片厂商定位相对尴尬. 在技术上他们尚难完全与英伟达, 英特尔这样为云端设备提供人工智能计算解决方案的厂商展开竞争, 更多发展机会存在于终端市场, 即面向不同应用端, 提供针对性的芯片或者IP解决方案. 问题在于, 目前为止整个AI产业依然受到缺少 '杀手级' 应用的困扰. 如果去除智能驾驶, 智能汽车, 智能监控, 人脸识别, 语音识别少数几个应用市场, 我们就很难再找到AI的典型应用场景了, 特别是缺少与人们工作生活密切相关, 又非AI支持不可的应用市场. 这样, 一个重要问题就会出现——是否存在像通用CPU那样独立的AI处理器?如果存在, 它的架构是怎样的?如果不存在的话, 那么中国AI芯片厂商, 向上很难与国际巨头竞争云端市场, 所立足的终端市场又存在细分化, 碎片化, 缺少杀手级应用的挑战. 其结果或许真的会像魏少军所指出的那样: '以满足特定应用为主要目标的中国AI芯片, 未来很可能只能以IP核的形式存在, 最终被各种各样的SoC所集成. ' 如此, 今天的部分, 甚至是大部分AI芯片创业者将成为这场技术变中的 '先烈' . 新时代寻求IC设计新思路 在这样的挑战面前, 架构创新成为中国AI芯片面临的一个不可回避的课题——针对当前AI产业现状, 开发适应市场的芯片架构. 尽管这样的创新工作将非常艰难. 对此, 魏少军提出了 '软件定义芯片' 的概念. 从感知, 传输到处理, 再到传输, 执行, 这是AI芯片的基本逻辑. 软件是实现智能的核心, 芯片是支撑智能的基础. 其中, 软件是实现智能的载体. 技术上要求智能软件具有自己学习的能力, 形成知识和经验的能力, 持续改进和优化的能力, 思维逻辑推理的逻辑以及做出正确判断的逻辑等. 而智能芯片则需要承载所需的计算, 要求其具有高性能的计算能力, 多任务并行计算能力, 极高的能量效率, 灵活高效的存储能力, 实时动态功能变换能力等. 两者的联动, 将重新定义AI芯片的设计理念, 使AI芯片的设计更具灵活性, 也在面向不同AI应用需求时更具可操作性. Synopsys中国董事长兼全球副总裁葛群也表达了同样的看法: '以前芯片设计中硬件与软件的界限比较清晰, 一般采用分层设计和优化的方法, 这有利于简化问题. 然而, 在今天的AI应用中已经很难再将它们分开处理了. 也就是说, 开发一款优秀的芯片和硬件产品必须考虑软件方面的配合和系统层面的配合, 甚至打破层次界限, 进行深度优化. Nvidia的CUDA和GPU, Google的Tensorflow和TPU的成功都是很好的例子. ' 事实上, EDA工具和AI存在密切的互动关系, 对AI芯片的架构创新将发挥至关重要的作用. 无论在云端还是终端设备上, 在差异化的应用需求越来越多地影响芯片设计之际, 针对云端AI训练, 自动驾驶, 安防监控和各种智能IoT设备的解决方案需要从应用软件, 操作系统, 硬件架构, IP, 低功耗, 安全性, 验证和测试等方面适应AI应用的特殊需求, 更为强调整个系统综合的软硬件效率, 安全性和可靠性. EDA工具作为芯片设计的基础平台, 将会更多地把AI应用作为关键的场景, 支持芯片设计者更好地完成各种AI算法和应用在芯片上的高效实现. 根据葛群的介绍, Synopsys从1986年初创开始, 就采用人工智能的思想支撑EDA, 芯片和系统的研发, 目前正在积极探索设计方法学上的创新, 推动AI芯片设计能力的提高. 2017年Synopsys设立了全球人工智能实验室, 就是希望在更加开放的平台上, 与业界共同探索支持人工智能技术落地所必须的AI芯片软硬件协同优化等新问题, 寻求更为有效的方法学, 工具和解决方案. 基于其应用场景的特殊性, AI芯片应当具备以下的基本要素. 可编程能力, 以适应算法的演进和应用的多样化;构架能够动态重构, 在不明显降低效率的前提下, 能够适应不同的算法;高效的架构变换能力;实现高效计算和存储, 低功耗, 低延迟;满足低成本, 小尺寸的要求, 以便能够进入家电和消费类电子, 移动设备和物联网终端市场;应用开发简便. 政府与企业共同推进 今年 3 月初 '人工智能' 被写入《政府工作报告》, 强调要加强新一代 AI 研发的应用, 在医疗, 养老, 教育, 文化和体育等多领域推进 AI 的应用和落地. 这显示了中国政府对于人工智能芯片产业的高度重视. 也抓住了当前AI产业发展中的关键环节. 如果说中国已经逐步发展成为全球AI产业的中心之一, 那么应用缺乏, 数据环境和人才紧缺, 仍然是制约中国AI芯片产业发展面临的主要难题. 在政策上, 从上述三个层面发力, 将可有效推进AI芯片产业的发展. 中国工程院院士倪光南表示: '人工智能是未来很重要的一个发展方向. 因为人工智能还是我们人创造出来的, 因此应该更好地为人类服务, 帮助人类摆脱繁杂的工作, 把重复性的劳动交给人工智能, 人类去做更多有创造力的工作. ' 葛群指出: '这一轮的人工智能爆发是与大数据共生的, 离开有效的数据, 人工智能尤其是深度学习是很难取得进步的. 现在各个行业与不同企事业单位中存在着各种各样的数据孤岛, 而这些数据又都是推进人工智能的关键因素. 政府如能推动打破信息孤岛, 将可极大促进人工智能行业的发展, 对于AI芯片产业也具有巨大的带动作用. ' 无论是芯片, 算法, 还是数据, 应用, 人才, 任何短板都将使人工智能难以实现快速均衡的发展. 国内厂商目前更应该保持一定的定力以及工匠之心, 基础研究千万不能落下. 政府则需要从国家层面进行政策引导和实际的支持. 唯有政府和企业共同推进, 才能让中国的人工智能与半导体产业走得更远.
