- 时代的机遇：谁会成为人工智能时代的ARM

另一方面，摩尔定律正在失效，传统X86架构下计算能力的提升开始滞后于摩尔定律。近几年半导体技术改进达到了物理极限，电路越来越复杂，每一个设计的开发成本高达数百万美元，数十亿美元才能形成新产品投产能力。2016年3月24日，英特尔宣布正式停用“Tick-Tock”处理器研发模式，未来研发周期将从两年周期向三年期转变。至此，摩尔定律对英特尔几近失效。

因此，计算能力的需求供给出现了一个巨大的缺口。一方面处理器性能再无法按照摩尔定律进行增长，另一方面数据增长对计算性能要求超过了按“摩尔定律”增长的速度。处理器本身无法满足高性能计算（HPC：High Performance Compute）应用软件的性能需求。

巨大的缺口同时也是时代的机遇：传统X86架构芯片无法满足需求，时代呼唤新一代的计算芯片平台。谁能成为下一代硬件芯片平台，就有望随着海量计算需求的大爆发，上演ARM在智能手机时代爆发的辉煌。

2. 人工智能芯片决胜的主战场在推理环节

提起人工智能芯片，很多人认为人工智能芯片是一条好的赛道，但是胜负已经明了，英伟达就是最终的赢家。特别是随着2016年以来人工智能的浪潮，英伟达股价从不到20美元一路上涨到160多美元，更是助长了这种情绪的蔓延。

我们的观点很简单：目前，英伟达的GPU在训练场景中占据着绝对领导地位。而人工智能整体仍然处于早期阶段，未来人工智能应用的主战场是在推理环节，远没有爆发。未来胜负尚未可知，各家技术路线都有机会胜出。

从应用场景来看，人工智能芯片主要应用在训练（training）和推理（inference）两个环节。训练环节的作用是指利用海量数据（603138），选择合适的训练方法，训练出一个人工智能模型。训练环节最关心的指标是速度快。国内外的人工智能巨头公司都建立了庞大的GPU集群，以最快速度处理海量数据训练、验证模型的有效性。

而在线推理环节也就是人工智能模型的实际应用环节，是指利用训练出来的模型来在线响应用户的需求。推理环节又分为两个场景，一个是在云端数据中心响应用户需求，一个是在前端智能设备响应用户需求。

在云端数据中心，各家公有云服务厂商都纷纷部署了高性能云计算服务器，应用于视频编解码、深度学习、科学计算等多种场景。随着人工智能技术的发展，未来云端数据中心应用场景还会有极大的丰富。

而在前端智能设备，受模型算法以及计算能力的限制，目前应用还不多。但是基于实时性及隐私安全要求，很多应用都会在前端部署，未来市场空间非常巨大。我们以无人驾驶和智能服务机器人为例说明。

在无人驾驶中，无人驾驶汽车需要实时处理来自激光雷达、摄像头等多路传感器传输的海量数据并作出实时反映。如果通过云端反馈处理，则必然会增加时延和不确定性，导致无人汽车安全性下降。因此，无人驾驶中必须将计算平台部署在前端。

在智能家居中，未来包括智能服务机器人在内的智能家居设备都需要具备实时环境感知能力及语音语义理解能力等，这些也都需要强大的计算平台作为底层支撑。而基于私密性考虑，不可能把智能家居的数据都上传云端处理。因此，智能家居的应用也需要计算平台部署在前端设备中。

与训练环节不同，推理环节更重视性能功耗比。云端数据中心对高并发更加重视，而前端智能设备则对低延时更加重视。

从市场潜力来看，未来市场规模最大的肯定是推理环节。人工智能的发展，首先需要训练出足够好的算法模型。而当人工智能真正落地应用时候，则需要在大量的云端数据中心或者前端智能设备上部署应用。

以人脸识别为例，我们需要在GPU集群中经过多次训练才能得到一个足够好的人脸识别算法模型，而当把人脸识别应用于实际应用时候，我们需要将模型部署在成千上万台服务器进行实时人脸识别，甚至在上亿台摄像机中前臵部署部分算法进行预处理。由此可见，推理环节才是未来最大的潜在市场，也是人工智能芯片决胜的主战场。在推理环节还远没有爆发的时候。未来胜负尚未可知，各家技术路线都有机会胜出。

3.几种芯片架构的技术特点：各有千秋