人工智能将重塑芯片产业格局

人工智能将重塑芯片产业格局2016年谷歌AlphaGo的人工智能围棋“选手”横扫世界围棋界，获得世界舆论媒体对人工智能的广泛关注和讨论。而在更早之前的2011年2月，IBM的认知计算平台Watson在《危险边缘》智力问答节目中以压倒性优势击败人类，创下节目27年来最好的成绩，就已经显示人工智能在部分领域已经超越人类大脑的能力。1956年人工智能概念首次提出以来的五十多年里，受计算机计算能力和人工智能基础技术的欠缺，其发展处于踌躇不前。最近十年受益于超级计算机、大数据积累、云计算和云存储技术发展，开始可以满足人工智能大规模并行计算能力的部分需求，多种机器深度学习的算法模型开始迎来大规模的研究和应用。一、人工智能应用前景广阔人工智能做为一种基础技术，能辅助或者替代人的部分脑力活动，达到提升效率和增加工作成果的作用，其可以应用于各种行业。目前人工智能在模仿人脑构造和逻辑算法等方面的基础研究仍然处于起步阶段，而在细分应用领域的研究成果相对更成熟，比如工业4.0、机器人、语音识别、自动问答系统、智能医疗、安防、智能家居、无人驾驶等。基于比较成熟的人脸识别技术目前已经开始大规模应用在银行、国防、公安、移动支付、自拍软件等多种应用场景。以人工智能技术为核心的工业4.0和工业机器人在几年前掀起了全球性的工业革命，工业制造领域的智能化仍在持续深化加速发展中。尽管人工智能的基础性技术有待成熟，但随着各细分应用领域研究不断成熟和各行业大数据的积累，人工智能应用的市场价值已经先行显现，成为各国政府和企业的投资热点。根据机构的研究预测，仅中国国内人工智能市场规模在2018年将超过406亿元，年复合增长率预计25.8%。资本市场近几年对人工智能领域的投资呈现爆发性的增长，据VentureScanner公布的统计数据，2014年人工智能全球投资总额为10亿元，同比增长逾50%。2015年则达到了12亿元，超过2014年之前近20年的累计投资总额。以IBM、谷歌、Facebook、苹果、阿里等为代表的国际巨头早已在人工智能领域深耕十多年，目前开始加快向人工智能上下游关键产业链延伸。人工智能产业链上下游传统的芯片制造企业、家电家居制造、汽车研发制造等行业企业也开始加大人工智能应用方面的研究。二、人工智能重塑芯片市场需求人工智能产业链分为技术支持层、基础应用层和方案集成层，分别为上中下游产业。技术支持层主要由硬件计算机芯片和软件算法模型两部分构成，在人工智能的研发研究中，通过计算机使用大数据进行大量大规模运算来不断优化算法模型，提高算法模型产品的深度推理和逻辑思考层次，而运算能力的核心技术在于芯片。目前主流的芯片设计和构架为经典冯诺依曼模型，为单程运算，而人工智能的人工神经算法与传统计算模式不同，需要同时并行运算，而原来英特尔CPU的架构模式无法适应计算需求。以人工智能算法中研究和应用比较广泛的一种是卷积神经网络CNN（ConvolutionalNeuralNetwork）算法为例，该模型算法的特性可以概括为海量的输入数据、大规模的MAC运算、稀疏的权值矩阵、灵活的数据位宽和多样的网络拓扑等特性。传统的冯诺依曼结构的CPU在执行该算法时，其串行执行方式无法高效处理大量并行运算，导致执行效率非常低下，无法满足计算量的需求，而硬件数量的限制也导致并行计算能力出现瓶颈。尽管目前用于处理图形的GPU有高度并行运算单元并被广泛运用于目前的人工智能研究的计算系统中，但是GPU仍然不是专为人工智能并行计算需求而设计的芯片，存在功耗大、价格高，且不适合嵌入式环境。另外，目前已有的DSP、FPGA等成熟的主流处理器也并不完全适合深度学习向的算法模型。换句话来说就是人工智能已经开始重塑未来芯片市场的主导需求，而目前这个市场处于群雄逐鹿的初级竞争阶段。人工智能在网络科技和传统产业中广阔的应用前景，吸引了各路资本包括政府的投资布局，尤其在处于技术和资本壁垒极高的上游芯片产业。人工智能对新型芯片的需求将主导芯片市场未来的需求，谁先开发出先进的人工智能芯片产品，谁就将崛起成为芯片行业的新寡头。三、人工智能芯片——电子芯片技术重构目前人工智能芯片主流的研发方向为以成熟电子芯片技术进行电路集成架构重新设计，以求增加并行运算能力、减小尺寸和降低能耗。受芯片行业高技术壁垒和资本壁垒因素影响，这方面研发主要为传统芯片制造企业和大型科技公司主导，而目前人工智能芯片主要应用于人工智能算法研究的超级计算机中，移动设备、普通计算机和人工智能应用终端设备仍然是传统架构的专用芯片。公司发布时间AI芯片名称特性谷歌2016年5月TPU专为TensorFlow深度学习算法设计的专用集成芯片英特尔预计2017年XeonPhi快速计算，并根据概率和联系做决策，可为计算带来更多的浮点性能NVIDIA2016年4月特斯拉P100GPU目前世界最大芯片，可执行深度学习神经网络任务，运算速度快IBM2015年10月TrueNorth在不借用云计算的情况下，让移动计算机以极低能耗运行先进机器智能软件中科院预计2017年寒武纪专门面向深度学习技术设计的处理器芯片微软2016年9月FPGA可执行bing的机器学习算法的FPGA,同时也是Azure和Office365的“内芯”现阶段因GPU的并行运算优势被大量使用在人工智能的深度学习服务器中，作为GPU处理器方面领军企业英伟达去年股价飙涨，其同期业绩也出现爆发性增长。另外，英伟达也打造NVIDIACUDA平台大大提升其编程效率、开放性和丰富性，建立了包含CNN、DNN、深度感知网络、RNN、LSTM以及强化学习网络等算法的平台，切入到人工智能领域。但是英伟达只是人工智能芯片初级竞争阶段暂时领先的企业，传统芯片厂商英特尔、高通等近几年在大规模收购人工智能智能算法研究和人工智能芯片设计方面的企业，科技企业巨头如谷歌、IBM、微软、亚马逊、Facebook等也已经向人工智能芯片设计研发领域延伸，未来将不断出现新的人工智能专用芯片，技术优势和运算能力强弱将决定其市场份额的多寡。四、人工智能芯片——量子芯片技术研发电子芯片运算能力方面有一个摩尔定律，即每隔18个月集成电路的晶体管数量会增加一倍，其运算速度也将提升一倍。在摩尔定律提出到现在48年以来，电子芯片的运算速度基本沿着这个规律持续提升。但是从物理基本定律基础上的电子不可再分，电子芯片微型化进入纳米后无法再更小，摩尔定律最多只能适用10年左右。人工智能的核心就是模拟人大脑的神经网络和信息处理模式达到实现人工智能能力，人脑大概有860亿个神经元，2012年谷歌的科学家将1.6万个CPU链接起来才创造了一个拥有10亿多条神经元链接的神经网络。之前备受瞩目的AlphaGo对战李世石时动用了1920个CPU和280个GPU来保证运行，这种超级大的超级计算机也只能呆在实验室中。未来高级的类人人工智能要应用于可独立处理的终端设备产品，其超级计算机系统必须实现小型化和微型化，而单个电子芯片的微型化即将触碰物理极限，未来人工智能需要的微型超级计算机系统也将遇到不可突破的物理极限。另外传统电子芯片在能耗方面的问题也是重要的制约因素。以AlphaGo为例，其运行在一个庞大的服务器集群上，下一局棋光电费成本就高达3000美元。在能耗方面还有一个能量耗损问题带来计算过程的散热问题，这两方面也制约着电子芯片的进一步发展应用。单个电子芯片运算速度迟早到顶，而人工智能需要的超级计算机系统微型化将无法实现。目前最前沿的量子计算机理论的研究成果在计算能力潜力方面有望满足人工智能的计算需求，而且其拥有耗能低和不存在能量耗散问题的特性。量子计算机的核心就是量子芯片，所谓量子芯片就是讲量子线路集成到基片上，进而承载量子信息处理的功能。量子计算机对每一个叠加分量实现的变换相当于一种经典计算，所有这些经典计算同时完成，并按一定的概率振幅叠加起来，给出量子计算机的输出结果。这种计算称为量子并行计算，也是量子计算机最重要的优越性。在运行速度方面，举例来说，目前人工智能运行需要一千个或者一万个芯片的运算速度，换成量子芯片的可能就只需要四个。量子计算机技术研发已经列为世界很多国家的战略研究项目，越来越多的企业也注意到量子计算的潜能，亚马逊、谷歌、IBM、微软、英特尔等科技巨头也开始投入大量资源进行研发。其中谷歌2013年与NASA及USRA联手构建了量子人工智能实验室。目前量子理论和量子计算方面的研究成果主要掌握在政府