由此，一些企业将目光投向专用处理芯片，专用处理芯片可以分为定制的ASIC和半定制的FPGA两大类， FPGA的前期启动成本低，后期可以进行再编程，但这种优势是以更高总成本、功耗以及牺牲性能为代价；ASIC运行速度比FPGA快，但设计和制造周期更长，适应性差，目前边缘计算和嵌入式应用市场应用较多。很多初创公司则往往从门槛较低的专用芯片入手。

在AI技术日趋复杂，用于实现智能化的神经网络架构越来越多的今天，“通用”才是AI的未来。它最理想化的方式是淡化人工干预的通用智能芯片，必须具备可编程性、架构的动态可变性等特点。就目前而言，实现通用AI的主要直面两大挑战：一是通用性（算法和架构），二是实现的复杂度。通用AI芯片的复杂度来自于任务的多样性和对自学习、自适应能力的支持。因此，我们认为通用AI芯片的发展方向不会是一蹴而就地采用某一种芯片来解决问题，因为理论模型和算法尚未完善。最有效的方式是先用一个多种芯片设计思路组合的灵活的异构系统来支持，各取所长，取长补短。一旦架构成熟，就可以考虑设计SoC来在一个芯片上支持通用AI。

目前，在AI芯片领域，由于在图形处理方面的出色表现，英伟达处于一家独大的局面，占据全球AI芯片50%以上市场份额。此外，英特尔作为多年的芯片巨头，英伟达保持了极大的投入力度，快速提高GPU的核心性能，增加新型功能，保持了在AI训练市场的霸主地位。

3.挑战英伟达

如果说云端训练芯片是NVIDIA一家独大，那云端推理芯片则是百家争鸣，各有千秋。 相比训练芯片，推理芯片考虑的因素更加综合：单位功耗算力，时延，成本等等。AI发展初期推理也采用GPU进行加速，目前来看，竞争态势中英伟达依然占大头，但由于应用场景的特殊性，依据具体神经网络算法优化会带来更高的效率，FPGA/ASIC的表现可能更突出。除了英伟达、谷歌、英特尔、赛灵思等传统芯片大厂涉足云端推理芯片以外，越来越多的初创公司也加入竞争，其中有一家以色列芯片公司Habana Labs十分突出。以英伟达在图形处理和算力方面的绝对优势，在人工智能芯片领域甚至未将英特尔、谷歌当作竞争对手，英特尔专注CPU、谷歌则精力多在于AI落地，这二者都不会对英伟达超过一半的市场份额造成冲击，英伟达方面曾提到，对自己未来在AI领域市场份额造成冲击的反而是一些新兴芯片企业，Habana就是其中之一。

相关报道: