人工智能时代芯片产业迎来大发展

张贝贝

人工智能的应用与发展正在席卷全球，给整个半导体和芯片产业带来了巨大的发展空间与商机，甚至影响着芯片产业的发展走势。

人工智能并非是一个全新概念，在过去的70年中，以阿兰·图灵、马文·明斯基和约翰·麦肯锡为代表的一批计算机科学家逐步奠定了其主要的理论和技术基础，而今天，人们再谈到人工智能，无论是其内涵还是外延，其内容都更加丰富。

在埃森哲发布的《人工智能：助力中国经济增长》报告中，人工智能具备三大核心能力：

第一个能力是感知，计算机视觉和音频处理技术能够通过捕捉和处理图像、声响及语音，主动感知周围的世界。面部识别功能在边境检查站的使用，即是以此提高工作效率的实际应用。第二个是理解，自然语言处理和推理引擎赋予人工智能系统分析和理解所能收集信息的能力，此类技术可用于支持语言翻译功能，由此辅助搜索引擎工作。第三个是行动，人工智能系统可以借助专家系统和推理引擎等技术采取行动，或是指导实体世界的活动，汽车的自动驾驶和辅助制动功能便是这方面的实例。

人工智能，正如我们看到的那样，集多项技术于一身，使机器可以感受、理解、学习并采取行动，无论是自食其力还是参与人类活动。埃森哲研究了AI（人工智能）在12个发达经济体中所产生的影响，揭示了通过改变工作本质创建人与机器之间的新型关系。经预测，AI可将劳动生产率提高40%，使人们能更有效地利用时间。到2035年，AI能使年度经济增长率提高一倍。

国务院近日印发《新一代人工智能发展规划》，提出了面向2030年我国新一代人工智能发展的指导思想、战略目标、重点任务和保障措施，部署构筑我国人工智能发展的先发优势，加快建设创新型国家和世界科技强国。

从全球经济发展来看，在迈过工业化阶段后，信息技术所能赋予经济增长的红利期日趋收窄，全球经济已再度迈入严重的供需失衡阶段。新经济时代人工智能发挥的作用日益明显，已成为当下政产学各界的共识。有人认为，以人工智能为特征的第四次产业革命将深度影响世界经济新秩序的重建，那么人工智能时代，企业该如何抓住新的机遇，有效部署AI战略？

此外，毫无疑问的是，人工智能将推动新一轮计算革命，而芯片行业作为产业最上游，是人工智能时代的开路先锋，也是人工智能产业发展初期率先启动、弹性最大的行业。未来，拥有更大应用市场的人工智能时代必将孕育出更多芯片企业。

AI落地商用有多远

过去20多年，互联网的诞生彻底改变了这个世界，科技界的焦点完成了从个人电脑向移动端的切换，而未来可能掌握在人工智能（AI）手中。

AI市场热闹非凡

有数据显示，仅在今年第一季度就有34家人工智能初创公司被收购，为去年同期的两倍。科技企业想要巩固自己在人工智能领域的优势，或者是弥补自己在该领域的不足，最快捷的办法就是并购。据了解，谷歌自2012年以来已经收购了11家人工智能公司，接下来才是苹果、Facebook和英特尔。

苹果公司在一年之内先后收购了Emotient、Turi和Tuplejump三家人工智能公司。英特尔则将Itseez、Nervana Systems和Movidius三家公司收入囊中。此外，亚马逊收购了具有图片识别技术的人工智能初创企业Orbeus。Facebook早在2013年12月就成立了人工智能实验室，微软正在筹建Microsoft Research AI研究院。

当前，无论是海外科技巨头，还是国内的阿里、百度、腾讯等公司都在通过并购获取AI专有知识，人工智能相关公司的并购新闻也越来越多。

值得特别提到的是，IBM在AI领域的探索早在20世纪80年代就显露头角。80年代专家系统的推出、1997年击败国际象棋冠军卡斯帕罗夫的深蓝计算机、2011年在美国智力竞赛节目《危险边缘》中战胜其人类对手的沃森系统，均出自IBM在AI领域的探索。

在战略层面，2016年当初，IBM首席执行官罗睿兰（GinniRometty）在全球最大规模的国际消费类电子产品展览会（InternationalConsumer Electronics Show，简称CES）上发表演讲时指出：“IBM不再只是一家硬件公司或软件公司，而已经转型为一家认知解决方案云平台公司。

在2017年IBM中国论坛上，IBM进一步明确了发展“商业人工智能”的战略，展示了IBM作为一家认知解决方案和云平台公司在全球范围内的突破性进展。而且IBM方面表示，要在“助力行业转型”上与中国本地伙伴在电子、能源、教育、汽车、医药、高性能材料及相关服务等行业或领域进行广泛合作。

今年，IBM推出了一款面向人工智能的基础架构解决方案—IBM认知系统（Cognitive Systems）。该方案基于Power Systems而构建，以往x86架构下以CPU为核心的计算性能提升到达瓶颈，呼唤计算力的重构。IBM通过专业的服务团队，为用户提供基于自身需求的人工智能服务；包括BlueMind深度学习云平台，PowerAI深度学习框架，以及使用NVLink技术的IBM Power System S822LCMinsky服务器提供一个硬件+软件整合的解决方案，为主流人工智能框架更顺畅地运行在Power Systems上提供可能。

具體来说，在人工智能和认知计算领域，IBM提供的是一个硬件+软件整合的解决方案，为主流人工智能框架更顺畅地运行在Power Systems上提供可能。这一系统方案，不但有最底层的硬件（如服务器、存储和网络连接），之上还有集成优化的PowerAI深度学习开发框架，以及帮助缩短开发周期优化参数的BlueMind深度学习平台。最上层是IBM的服务与支持，包括研发部门提供的定制化、满足需求的研发服务。

其实，不同于为生活中某项便利性和娱乐性需求服务的“通用人工智能”，IBM开发和应用人工智能及认知系统的初衷是解决商业问题。一直以来，IBM专注于通过“商业人工智能”进行专业领域研究和解决行业问题，例如在找到有效治理大气环境问题方法的同时，如何最大程度地减少对经济的影响，还有利用认知技术解决疾病风险防控和治疗等难题。endprint

企业落地AI应用有挑战

没有落地应用的任何技术应用和解决方案都是没有意义的，人工智能和认知计算虽然是特別火的话题，当前无论从研究的角度看，还是从应用前景考虑，AI都获得了巨大成果，但是这些成果是不是能够被企业所利用，转换为企业的业务价值呢？

IBM全球副总裁、IBM中国系统开发中心总经理谢东博士坦言，就目前的发展来看，人工智能落地应用其实还有一点差距，而造成这种差距主要有两方面的原因：“第一，在研究的过程中有很多模型，找出一个好的算法或者解决一个特定的问题比较容易做到。但很多时候典型的做法是一个模型需要研究不同参数的配置，然后跟原来的模型进行比较。从理论到落地应用情况和问题会更加具体和复杂，并不是你找到一个模型比原来的模型好就意味着你能把这个模型用起来了，实际上你还要达到很多能够运用的标准。第二，虽然现在模型很多，而且解决问题的手段非常有效，但实际上用的时候会涉及专业性，要把理论模型和实际相结合，对于各个企业来说还需要跨出一大步。”

事实上，相比各大IT巨头在人工智能的布局，企业用户更多地选择谨慎思考，思考如何把人工智能的能力结合自己的业务应用起来，或者是说企业如何具备这样的一种能力，建立自己的人工智能架构，开放人工智能的应用。

对此，谢东认为，基于Power Systems的IBM“认知系统”平台的目标就是帮助大家能够建立起自己的AI，能够进行AI应用的开发。这个平台的目标或者说特点有五个：

第一，平台涉及整个周期，从前端数据的收集、清洗、整理、处理，再到后面模型的训练，再到模型运用以后进行实施，帮助用户完成一个生命周期的管理，使得你能真正把人工智能落到实际应用中去，是一个端到端的方案。

第二，帮助大家在训练中选择模型和更好地调优、调参数。一个模型来了以后，选什么样的神经元网络，机器学习的模型还是深度学习的网络？这是需要精心设计和选择的。

第三，提供实际可应用的管理系统，要解决如何更好地并行化、进行资源管理等，不能无限制扩大，而是经济节省的系统。

第四，平台是一种开放的设计，未来有很多新算法出现的时候，能够让用户很快集成到这个平台里面用起来，这是开放的特点。

第五，涉及实际入手的问题，帮助大家设计了很多模板，有行业特色的模板，让大家通过这些模板更快地设计出自己的系统。

其实，近年来云计算、大数据、移动、物联网等技术应用层出不穷，对于企业是不小的挑战，无论是企业的CIO还是CTO，几年前更多考虑的是企业里面数据的架构是什么样子的，云的架构是什么样子的，而现在还要更多地考虑人工智能的架构应该如何设计，让这个架构能够跟公司的业务相结合。

谢东根据自己的观察表示：“我们看到很多企业以及用户，都处在建立自己人工智能团队和能力的过程之中。比如需要一个团队，要有数据科学家、人工智能科学家，他们能够把计算的算力，把这些数据变成人工智能的应用，而这个过程中，IBM可以为大家提供咨询服务、技术支持，帮助这些企业设计出自己的人工智能的基础架构，帮助部门建立人工智能的团队、能力，更好地开发出新型的人工智能应用。”

认知系统的行业应用

当前，AI应用场景正在不断扩大，实施质量/监控监测分析，产品深入优化，个性化设计研发，视频/图像识别，以及发现新趋势AI技术等。在金融行业，如果有人在ATM机前操作时故意遮挡脸部，有理由认为此人行为可疑，需要特别关注，但是由于遮挡行为的多样性，传统技术无法很好的实现对此类行为的自动识别，人工无法同时处理海量的视频，必然出现遗漏，而通过IBM提供深度学习，IBM智能影像识别系统可以实时检测出各种类型的遮挡并进行预警。

在医疗领域，可以通过深度学习应用场景实现医疗影像病症特征的辅助识别。比如，大部分中小医院和社区医院缺乏能判读影像的医生，医生的误诊、漏诊可导致医患关系紧张；大医院人满为患，读片医生疲于应付，导致误诊、漏诊；海量的影像数据没有有效的使用方法，成为负资产；专家长期积累的经验很难大范围的分享和传承。利用人工智能，从历史数据中学习和总结，可快速判读影像中的病症特征，辅助医生进行病症分析，提高诊治效率和准确性。

在工业制造领域，人工智能实现电力系统自动巡检与预测分析。外国某电力公司通过将技术工人置于高风险的环境手动检查其庞大的传输网络，这种方法既昂贵且伴随危险，同时很难扩展。为了解决这个问题，提高工人的生产力，客户正寻求部署无人机进行输电塔的可视化检查。

为了图像处理自动化，客户使用PowerAI训练了一个深入学习网络来标识无人机捕获的潜在维护问题。在人工智能应用实践的场景中， IBM是唯一能够提供使用with NVIDIA NVLink连接NVIDIA Tesla P100到POWER8 CPUs的供应商，这为深度学习提供了独特的便利性。

人工智能“冷思考”

对于长期观察人工智能领域发展的华为副总裁楚庆来说，当下人工智能的兴起，并不是什么令人惊讶的“新事”。

事实上，自1956年达特茅斯会议以来，人工智能历经两起两落，眼下这一波已是60年来的第三次浪潮。“这次高潮其实是对过往两波人工智能浪潮的继承。”楚庆表示，人工智能前60年的发展取得了令人印象深刻的阶段性成果。“由于尚处于极早期阶段，当时的理论及实践探索并没有受到过多的边界限制，从思想到实践都非常自由，碰撞出很多火花。可惜的是，受限于当时的理论水平和计算条件，前两次人工智能兴起都以冬眠告终。当然，这也符合科学发展的一般规律。”

此次人工智能再掀浪潮，在楚庆看来是技术和资本共同作用的结果：“就技术而言主要出于三个原因，一是神经网络新数学模型及算法的不断涌现，二是摩尔定律作用下，芯片的计算能力不断加强，大大优化了计算条件，三是互联网大发展带来的数据爆炸，极大地丰富了计算资源。endprint

此外，互联网获得巨大商业成功后，资本也在积极寻找下一个热点，人工智能正是他们狩猎名单上的头号猎物。人工智能技术本身在兩次起落后进入一个新的高速发展期，再加上资本的推波助澜，使此次浪潮从学界、产业界蔓延至一般商业语境，并进入大众视野，从而发酵成跨界跨领域的明星话题。”

人工智能能否就此长盛不衰？曾经的寒潮会不会再度来临？楚庆认为，目前下断言还为时尚早，但人工智能要顺利发展，还有以下几大问题等待解决：理论瓶颈—目前人工智能所用的学习理论，本质上仍然是上一次浪潮的遗产，对于无监督学习的探索仍在继续。“通常，我们认为，人工智能可分为弱人工智能、强人工智能两类。如果站在强人工智能的角度来看，人工智能理论本身目前并没有真正够分量的重大突破，我们仍然处于弱人工智能阶段。”楚庆认为，人工智能的真正突破，关键在于解决无监督学习这一理论瓶颈，这意味着，我们要从理论高度真正理解大脑的运作机制以及人类学习的本质，并解决知识表达问题，将知识及信息完整、精确地转换为数据。“其中最关键的一步，就是走出现有的理论边界，与神经科学、认知科学、心理学等学科实现真正的融合。”

芯片和处理器制约，一方面，随着人工智能的不断发展，传统的冯·诺依曼架构已成为瓶颈。目前以Deep Learning为代表的多层次人工神经网络算法，无需过多编程，但对芯片并行数据处理能力有非常高的需求，而传统处理器架构在海量数据并行运算面前明显力不从心，计算资源捉襟见肘。另一方面，摩尔定律面临失效，而人工智能要快速发展，芯片计算能力提高的脚步不能变慢，只能更快。因此，在未来的人工智能研究上，芯片架构和微架构设计需要做出更多贡献。“如何让AI从芯片开始，将是一个重要课题、一个重大机遇。”

生态建设—尽管在局外人看来，人工智能似乎只是科学家和工程师们的事，但楚庆认为，任何一个新科技的成熟，都是以生态系统的建立为标准，人工智能也不例外。“只有真正为社会创造了价值、能够孕育并良好运行生态系统，才说明这项科技已走向成熟。这意味着，围绕该科技的技术、社会机制已走过早期的混沌期，进入良性成长轨道。这需要人才结构、商业模式、社会运作的全面成熟，伦理、法律等争议已取得基本共识。”

目前的人工智能，和成熟显然相距甚远，但楚庆认为，生态系统建设问题，应当从现在起就摆在“远见者”们的案头。“近来，人工智能在社会上引发巨大争议。一方面，大量资本、社会资源争先恐后，都想趁人工智能方兴未艾之际尽早抢位，好分一杯羹，某种程度上已出现泡沫。另一方面，人工智能自诞生伊始就伴随着法律、伦理等多种忧虑，人工智能威胁论始终甚嚣尘上。”楚庆笑称，“好莱坞简直成了人工智能测温计，想知道人工智能有多火，看看有多少电影准备用它来灭绝人类就明白了。”这样一门划时代的科技，要最终成熟并真正惠及人类，需要各领域决策者，从一开始就以全局化的战略眼光，思考生态系统建设问题，这也是人工智能真正商业化的关键。

楚庆认为，人工智能毫无疑问将是一项革命性科技，也是一个重大发展机遇。但一方面，人工智能要走向成熟还为时尚早，从理论、工具到生态都有大量课题亟待解决；另一方面，我国人工智能整体发展水平与发达国家相比仍存在差距，如何借此机遇带动国家竞争力的整体跃升，需要从战略高度统筹布局，但目前大量资源盲目介入，蹭热点、堆泡沫，这样的环境并不利于人工智能的健康发展。“从这两个方面看，目前对人工智能多一点冷思考，并不是一件坏事。”

人工智能从“芯”出发

人工智能的应用与发展正在席卷全球，给整个半导体和芯片产业带来了巨大的发展空间与商机，甚至影响着芯片产业的发展走势，了解芯片行业的人都知道，从芯片设计开始，到辅助软件、设备、制造、工艺和封装，是很长的产业链，其中任何一个环节的发展都会受到人工智能的影响，而相对应的，其中任何一个环节的发展受阻，都会制约我国人工智能芯片产业的发展。

如今芯片业的发展和变化是建立在传统芯片的基础上的，截至目前，在人工智能领域，世界范围内的科研人员已经开创了几类不同的技术路线。传统芯片巨头如英特尔、英伟达都把人工智能领域作为企业未来的主要战略发展方向，加大了企业并购和新产品研发的力度；IT 巨头微软和新兴的互联网公司，如谷歌、百度、亚马逊、阿里，都在人工智能领域投入了巨资，期望在机器理解、无人驾驶等领域占得先机，这些开拓性的工作不约而同地正在催生大量创新的芯片方案。

而在人工智能的影响下，传统芯片向人工智能芯片的发展迈进，一般表现在几个方面：必须可编程，这样才能适应算法和应用的持续演进；架构的动态可变性和高效的架构变换能力，因为没有一个单一架构的芯片可以适应所有的算法；高计算效率和高能量效率。此外，还必须低成本、体积小，应用开发简便。

事实上，人工智能之所以能够快速崛起，首先是因为芯片的设计和制造技术的突破，从而实现了计算能力的大幅度提升。当然，神经网络算法的突破和大数据的运用也是人工智能发展的重要推手。

华夏芯（北京）通用处理器技术有限公司创始人，董事长李科奕认为，目前主流人工智能的芯片解决方案分为两大阵营：以传统的CPU（中央处理器）、GPU（图形处理器）、DSP（数字信号处理器）、FPGA（现场可编程门阵列）为一方；以谷歌以及一大批的芯片startup公司（其中也包括很多中国的优秀初创公司）为另一方，它们推出了TPU（张量处理器）及各种架构的专用处理器。两大阵营各有优势和劣势，前者容易编程、大量之前开发的软件库可以重用，但是很多神经网络的特定计算效率比后者低不少；后者是针对特定神经网络进行的针对性开发，计算效率高，但是编程复杂，需要自建生态。最新的趋势是有一些公司，试图将两者结合起来，扬长避短，兼收并蓄。

诚如所言，不管是用于学习和训练的后端计算集群还是最靠近用户的前端智能设备，都需要更强计算和处理能力来提高机器认知的准确性和速度。endprint

从专业角度来说，评价一款芯片竞争力的指标主要是4P：即计算能力（Performance）、功耗（Power）、效率（Productivity）和价格（Price）。因此，任何一个创新的芯片架构，必须考虑在大幅度提升计算能力的同时，能否保持（或者降低）功耗，能否提升芯片开发者的编程、调试效率，减少开发人员投入，缩短开发周期，能否通过合理的工艺选择降低芯片的生产成本和投入风险，在售价和销量之间寻找平衡点等多个因素。

李科奕强调，传统的单核、多核CPU时代，一般计算任务是由CPU完成的。但是，目前人工智能、移动计算应用中，大部分计算任务是CPU不擅长的并行计算，因此需要采用异构计算架构，将并行计算任务从CPU卸载到更合适承担的DSP、GPU、以及专用的NN加速器等计算单元上，芯片设计人员需要考虑的是如何让CPU、GPU、DSP、NN加速器等不同的计算单元在同一个SoC上实现高效的协同计算。非常头疼的是这些复杂的计算单元往往许可自不同的IP供应商，需要通过复杂的底层驱动、大量的数据交换才能实现不同计算单元之间的协同计算。为此，不仅芯片设计公司需要维持一个庞大的设计团队，而且芯片设计及后续的应用开发周期长、编程困难、调试困难、优化困难。

IBM大中华区硬件系统部服务器解决方案副总裁施东峰认为，计算系统与架构持续演进对计算系统的重塑提出了更高的要求，IBM Cognitive Systems的推出，与近来计算系统的演变趋势紧密相关。以往，数据是集中式的，传统的计算逻辑往往采取程序化的计算方式，以CPU为中心提升计算性能，探索如何有效加速计算流程从而达到更好的数据处理效果。然而随着分布式数据、非结构化数据逐渐成为主流，计算正在从“程序化的计算”向“以数据处理为中心的计算”演进。

对于数据价值的挖掘也更需要内外部结合，将数据整合在一起提供更以数据为中心、更具效率与智慧的计算，而非仅仅是对数据的流程化的处理。

人工智能相关负载需要高性能的数据传输，并需要具有最佳准确度的训练模型，以高效、快速地找出“超级参数”，从而大幅节省模型的训练时间。因此，AI堆栈的基础首先是正确的硬件：带有加速器的服务器，以及正确的存储设备。GPU加速计算良好地适应了深度学习训练“计算密集”这一特性，具有最高CPU-GPU 带宽的服务器能够实现高性能的数据传输，而这一点正是规模更大、更为复杂的深度学习模型所需的优势。

IBM认为其一直在探索的是，如何利用新的技术，让计算能力从以往的程序式计算向未来的有关认知的计算模式转型，这也是IBM在未来有关计算的发展方向。IBM非常看重在认知时代下对计算系统的重塑，希望通过IBM Cognitive Systems，确保CPU、GPU、I/O、内存等结合在一起，一站式地提供客戶应用人工智能所需的计算能量。

其实，谈到人工智能，无论是中国还是美国都出现了不少从事人工智能芯片设计的初创公司，他们未来的前景和发展机遇会怎样呢？对此，李科奕提出了自己的观点，从集成电路发展历史来看，很多美国中小型芯片初创公司一直是引领行业创新的生力军，人工智能时代也是如此，中国也将如此。

芯片设计初创公司往往以与众不同的视角发现问题、解决问题，针对新兴市场，大胆创新。同时，中国作为全球人工智能最活跃的创新力量之一，具有市场、资金、人才、数据等多方面的优势。

长期以来，中国在CPU、GPU、DSP处理器设计上一直处于追赶地位，绝大部分芯片设计企业依靠许可国外的处理器IP核设计芯片，在自主创新上受到了极大的限制。事实上，人工智能的兴起，无疑为中国在处理器领域实现换道超越提供了绝佳的机遇。

“第一，中国在人工智能领域的专用处理器设计已经走在了世界前列。第二，人工智能领域的应用目前还是处于面向行业应用阶段，生态上尚未形成垄断，因此国产处理器厂商完全可以与国外竞争对手在人工智能这一全新赛场上，共修跑道，共建赛场，共同制定游戏规则。因此，基于技术和市场方面的优势，中国在建立人工智能生态圈方面将大有可为。”李科奕说道。可以预见，未来谁在人工智能领域先掌握了生态系统，谁也就掌握住了这个产业的主动权。endprint