人工智能芯片也有通用、專用之分，在商業化道路上也有著不同的選擇。
8月中旬，人工智能芯片初創公司寒武紀獲得1億美元的A輪融資，至此成為該領域的第一個“獨角獸”，緊接著，9月初，華為在IFA 2017上正式發布了全球首款面向手機的人工智能芯片“麒麟970”。
就在這前后不到一個月的時間里，“人工智能芯片”成為了人人爭相熱議的一個產品、一個產業。
前段時間，因為被看做是當前智能家居的入口之一，“智能音箱”一下子受到了人們的極大關注，而隨著小愛同學、天貓精靈等產品的相繼推出，更是將這股熱潮推上了頂端。
就在這股浪潮漸漸平穩的時候，“人工智能芯片”緊跟而上，引起了人工智能領域的又一波新的浪潮。事實上，在這第三次的人工智能浪潮中，作為讓人工智能技術更快、更好運行的基礎硬件設施，人工智能芯片必然是未來智能化時代的一種趨勢。也因此，雖然人工智能芯片相比于其他人工智能技術和應用顯得低調得多，但它的布局依舊是眾多廠商眼中不能錯過的“機遇”：
買買買的英特爾——至今，為了不再錯過人工智能芯片，英特爾陸陸續續收購了Altera、Yogitech、Nervana、Movidius、Mobileye等多家公司，拿下了他們的FPGA等多種技術。
GPU在手，誰與爭鋒的英偉達——憑借著GPU在人工智能應用中的先天性優勢，英偉達已經走在了人工智能芯片的前列。不過，就在最近，黃仁勛也發布了一款針對深度學習而打造的芯片Tesla V100。
緊盯FPGA的微軟——微軟把重心放在FPGA人工智能芯片上，已經被用在Bing搜索的支持上。另外，其也推出了基于FPGA的視覺芯片A-eye，讓攝像頭具有視覺理解能力，可應用在機器人、汽車和無人機等多種智能產品。
與此同時，國內的廠商也是蠢蠢欲動。
首個獨角獸“寒武紀”——因為高達1億美元的A輪融資，寒武紀成為了人工智能芯片領域的首個獨角獸，通過的IP授權的形式，其技術已經在華為人工智能芯片麒麟970上面得到了商業化；
主打“嵌入式”的地平線機器人—— 地平線機器人致力于打造基于深度神經網絡的人工智能“大腦”平臺，包括軟硬件。在硬件上，其此前曾表示旗下的人工智能芯片“盤古”已經成功流片商用；
……
從上面多家企業的布局和產品來看， 我們能夠清晰地認知到，雖然“人工智能芯片”相比于語音識別等技術并沒有得到大眾更多的關注，但是作為人工智能的基礎硬件設施，其已經成為諸多公司搶奪市場、占據風口的一大戰略制勝點。
深度學習算法是實現人工智能技術和應用的核心，其在運行過程中需要對海量的數據進行運算處理——用已有的樣本數據去訓練人工神經網絡、用訓練好的人工神經網絡去運算其他數據。對于傳統計算架構而言，這將是一個極大的挑戰。
面對深度學習算法這一計算新需求，GPU（圖形處理器）、FPGA（可編程門陣列）、ASIC（專用集成電路）等成為了人工智能芯片領域的“被追捧者”。比如GPU，相比于CPU，其具有高并行結構，擁有更多的ALU（Arithmetic Logic Unit，邏輯運算單元）用于數據處理，適合對密集型數據進行并行處理。
值得我們注意的事，不管是讓英偉達一舉聞名的GPU，抑或是當前與GPU不分伯仲的FPGA，在屬性上，它們都只能算是人工智能通用芯片。相比于一開始就是“私人訂制”的ASIC，在深度學習算法的運行上，GPU和FPGA或多或少都有著一些局限：
GPU局限：GPU能夠游刃有余的訓練人工神經網絡，但在輸出應用時，它一次只能處理一張圖像；相比于FPGA的靈活，GPU硬件結構固定，不具備可調整性；在實現相同性能的功耗上，GPU遠大于FPGA以及ASIC。
FPGA局限：為了實現可重構特性，FPGA內部有大量極細粒度的基本單元，但是每個單元的計算能力都遠遠低于GPU中的ALU模塊；在深度學習算法的運行速度和功耗上，FPGA表現的都不如ASIC；FPGA價格較為昂貴，在某些情況下甚至會高于ASIC。
不可否認，對于當前人工智能的發展，GPU和FPGA都做出了不小的貢獻，但是從未來發展趨勢來看，人工智能專用芯片才是未來的核心。
從上面的一些比較我們可以看出，在功耗和速度上，GPU、FPGA與ASIC之間還是有著一定差距的。
針對人工智能芯片的通用與專用的區別，地平線機器人芯片專家馬鳳翔稱，相比于通用芯片，專用芯片是為特定場景而定制的，具備低功耗、低成本、高性能的優勢。再通俗一點講，就如寒武紀創始人之一的陳云霽所舉出的例子，普通的處理器就好比“瑞士軍刀”，雖然通用，但不專業，造成浪費，但是做菜的時候，還是菜刀得心應手，而專業的深度學習處理器就是這把更高效、更快捷的“菜刀”。
與此同時，不僅僅是性能的要求，隨著人工智能技術的發展，其應用范圍也將進一步擴大。未來，自動駕駛、機器人、智能家居等等終將充斥我們的生活，這其中所隱藏的將是一個無可估量的市場需求。屆時，不管是所需要處理的數據，抑或是運算速度，與現在相比都將不是一個量級，若想做的更好，就只能向人工智能專用芯片靠攏。
隨著寒武紀成為AI芯片領域首個“獨角獸”、華為麒麟970的推出，以及后面蘋果、三星等多家重量級廠商相繼宣布AI芯片的規劃，“如何實現技術、產品的商業化落地”就成為了接下來需要廠商們亟待解決的問題。
目前，運用ASIC架構的人工智能專用芯片中，最典型、最具代表性的當屬寒武紀旗下的產品和谷歌的TPU了，不同的是，前者服務的對象是廣大客戶，而后者則是服務于自己的人工智能系統Tensor-flow。
談及商業化，雖然中星微、寒武紀的產品此前都有所流片，但是從當前的整體來看的話，相比于流片，IP授權或許更適合人工智能專用芯片，尤其是對于創企而言。至于原因，可以總結為兩點：
第一，與其急著流片實現商業化，不如緩下腳步達到芯片生態圈
的確，對于企業來說，流片是一種能夠快速實現商業化的方法，并且收獲的利潤也是可觀的。但是，這樣一來難免顯得有些激進，一不小心或許就會造成失誤。相比之下，通過IP授權來慢慢拉攏客戶構建生態圈、“蠶食”人工智能芯片市場顯得更為從容有序。
說到IP授權，我們第一個想到的就是ARM，作為后起之秀的它通過IP授權的策略打敗了當時的業內老大Intel。ARM大中華區總裁吳雄昂曾一句話總結成功——建立了一個有強大活性和創新力的生態圈，為生態圈的合作伙伴提供了一種共贏模式，參與其中的企業有很高的成功率和利潤空間。另外，ARM生態圈的成員并不受限于ARM平臺，在此基礎上可以有無限的創新空間。
當前，深度學習算法可能還沒有那么的成熟，而人工智能的極大需求又對芯片的性能和功耗提出了新要求。與此同時，ASIC還有一個bug——架構固定不具備靈活性，這是其略遜于FPGA的一處。不過，通過IP授權，這將允許客戶在指令集基礎上根據需求創建出自己的內核架構，并可添加各種片內外設比如通信接口等等，從而生產出自己的“處理器芯片”，就像此次的華為麒麟970。
目前來講，人工智能還處在一個初級階段，相比于“思維定式”，更為靈活的架構或許將會更受歡迎。如此一來，圍繞人工智能專用芯片將會逐步形成一個生態圈，這對于芯片企業以后的規劃而言將是重要的一步棋。
第二，人工智能專用芯片流片具備風險
前面也提過，相比于人工智能通用芯片，人工智能專用芯片具備低成本低功耗的優勢，但是有一個前提，那就是實現高出貨量。
比如ASIC和FPGA，比起一次性成本，前者的成本是遠遠高于后者的，不過，在同樣實現高量產的前提下，后者的成本將轉變為前者的10倍，甚至是100倍。因此，如果不能實現量產的話，這對于人工智能專用芯片將是一件極為不利的事。
當然，在性能和功耗上，人工智能專用芯片遙遙領先，但也不能忽視其一旦流片，功能就不能更改的事實，這也是造成人工智能專用芯片上市慢的一個原因所在。
在多起事件的聯動下，人工智能專用芯片已經成為了一個“大藍海”，引得國內外科技巨頭、AI創企紛紛跳入其中，意圖攀上中間那座小島的制高點。
最后，攀上那座小島的只會是人工智能專用芯片，至于最后是誰，又是怎么攀上的，我們目前只能持以觀望的態度。
