阿里巴巴也發布了AI芯片？

作為一個芯片和AI行業從業者，首先，這確實是一件可喜可賀的事，但是，要辯證的看這個問題。

AI的興起是隨著Google的alpha GO通過圍棋大戰戰勝了李世石，名聲大噪，讓人們看到了人工智能達到人類認知能力的可能，但這僅僅是一種可能性。

AI的實現有三個重要的組成方面，

一、算法

深度學習算法是這一輪AI興起的主要推動力。通過神經網絡實現多層邏輯分析，從而達到類似人類思考的一種實現方法。簡單來說，就是讓機器通過大量的數據進行總結，得出規律，達到認知的目的和效果。目前這類算法已經很成熟來，乃至GitHub上很多開源的算法都達到了半商業化的水平。國內外做得比較好的算法公司從Google、amazon、商湯、曠視等的鳳毛麟角到現在的百家爭鳴，由于得到了政府和資本方的支持，發展確實都很好。

二、數據

數據是支撐深度學習算法準確率的必要條件。從前機器學習算法也可以通過數據學習對圖形圖像等內容進行分析，從而在第一次識別后對某個物體進行識別，但是請注意，這里用的是“某個物體”而不是某類物體，也就是并不具有分析推理的能力。深度學習算法結合海量數據以后，就具備了總結的能力，同時，算法學習過的數據類型越多，識別準確率也就越高，最近十年以來，由于互聯網的高速發展，積累的大量的數據，也側面推動了AI的到來，alpha go的算法就是通過一百多萬盤棋局進行深度學習，才實現了現在的能力。

三、算力

第一代alpha go的實現使用了大量的GPU來實現深度學習算法。英偉達公司生產GPU原本是對圖形圖像進行處理的運算單元，因為這類運算都是簡單但是海量的并行運算，所以非常適合深度學習算法。通過使用并行運算的GPU替代穿行運算的CPU實現深度學習算法，大大的提高了算法訓練以及實現的效率，才讓AI算法的快速實現成為了可能。（由于CPU和GPU的區別需要篇幅較大，此處做簡單類比：CPU類似于一個博士生，可以進行非常復雜的運算，但是他每次只能進行一種類型的運算，而GPU類似于成百上千哥小學生，每次可以進行很多個簡單的加減乘除，這種方式大大的提高了深度學習算法的運算效率）。

這樣就到了題主關心的這個問題，華為、阿里所發布的芯片就是此處所寫的算力芯片。其實算力芯片的概念也挺大的，CPU\GPU\FPGA\ASIC等都屬于算力芯片，但是從對于AI運算市場目前的主流來看，就是GPU\FPGA和ASIC。我們來看下這三種芯片簡單的區別，然后再來看華為和阿里發布的這兩顆芯片。

1、GPU

上文提到了GPU本來是圖像處理運算單元，現在被廣泛應用于AI領域，也是目前最為好用的AI芯片。但本質上GPU是一類通用芯片，他可以用來做顯卡、挖礦等應用于很多領域，也就是說GPU并非專用于AI的一類芯片。同時，經過多年的積累，GPU的大部分專利技術集中在Nvidia和AMD手里，國內想要通過這種技術實現AI算力芯片難度很大。

2、FPGA

FPGA是可編程邏輯門電路的縮寫，本質上是一種通用芯片。學弱電的同學應該都學過這類芯片，主流廠家就是Xlink、摩托羅拉、Intel、IBM等。FPGA使用單獨的編程語言VHDL，實現起來比高級語言C/JAVA等復雜得多，可能實現某一行C語言的功能需要上百行甚至上千行的VHDL語言，所以對于本來就很復雜的深度學習算法，使用FPGA作為AI芯片的廠家并不多。但FPGA也有一個優點，就是通用性，對于創業公司可以省去芯片流片的很多資金，像國內做得比較好的深鑒公司就是使用FPGA實現了一顆AI芯片的大部分功能，不過比較可惜的是，深鑒目前已經被Intel收購，成為了一家外企。

3、ASIC

ASIC是專用集成電路。簡單說就是這種芯片只能實現固定的功能，固化后就無法更改。這種芯片的優點是集成度非常高，性能可以充分發揮、功耗可以得到很好的控制。但同時，缺點也顯而易見，就是前期單顆芯片的成本很高，如果沒有很大的出貨量，很難平攤成本。所以，創業公司想作出AI芯片其實很難，因為融資之后一旦出現一點偏差，就很可能出現資金鏈斷裂，此處不再展開。目前，7nm的ASIC工藝制成已經得到了廣泛應用，手機CPU芯片、挖礦機芯片等領域早在去年就有了很大突破，今年各大廠商已經在突破5nm甚至3nm的芯片，從而可以在性能和功耗上有進一步的提升。

題目中說到華為升騰系列和阿里的含光系列都屬于ASIC芯片。其實國內也不僅僅華為和阿里做了AI芯片，像網絡上流行一種說法叫“AI芯片四杰”，就包含了寒武紀、比特大陸、地平線和云天勵飛。一顆芯片的發布到可用其實是一個漫長的過程。阿里的芯片不對外出售，我們無法具體分析，拿華為的升騰310來說，從發布到如今已經過了大半年時間，其實落地的項目也寥寥無幾，這主要又是由于芯片設計初衷和工具鏈易用性的問題。其實從歷史上看，一家公司發布的第一款芯片，往往都是試驗品，像華為麒麟的第一代產品，現在我還能想起使用華為P6的痛苦回憶。知道華為P8的麒麟935才到了真正日常使用的程度，而從P6到P8已經經歷了3年的時間。工具鏈也一樣，工程師的設計理論和真實用戶的使用習慣肯定是有區別的，而把算法從常用的GPU移植到ASIC芯片又是比較復雜的過程，同時客戶眾多，芯片廠家對客戶的支持力度也很難達到細致入微。

所以從0到1和從1到∞是個很漫長的過程，有大企業帶頭開創國產及自主可控路線固然是好事，但大家也不要過于樂觀了，因為這確實是一個很漫長的過程，AI是一個很復雜的學科，芯片的復雜度也不必說，所以我們雙面看到，共同努力，為祖國實現彎道超車加油，也給企業們一點時間。