图/摄图网

编者按：本文来自半导体产业纵横，创业邦经授权发布。

最近，英特尔推出了第二代神经拟态芯片Loihi2和用于神经启发应用程序的开源软件框架Lava。并且，Loihi2采用Intel4工艺的预生产版本制造。使用极紫外光刻技术简化布局设计规则，使得快速开发Loohi2成为可能。

在AI芯片方面，除了英特尔推出的神经拟态芯片，百度也在8月18日的百度世界大会上宣布第二代自研AI芯片——昆仑2正式量产。公布即量产，可以看出百度对于昆仑芯片的自信。

自1956年的Dartmouth学会上，人工智能的概念诞生。经过了半个多世纪的发展，麦卡锡提出的人工智能在机器人、语音识别、图像识别等领域都不断发展。而在人工智能发展的过程中，必然不会缺少的就是AI芯片。

目前对于AI芯片并没有明确的定义，广义上所有面向AI应用的芯片，包括训练和推理应用的芯片都可以称为AI芯片。

几乎所有的科技巨头都已开始布局，除了百度、英特尔两家企业，特斯拉也推出了号称全球算力最高的自研AI芯片。AI芯片行业巨头英伟达市值一度被推至5000亿以上。

AI芯片的市场注定是一场激烈的斗争。

资本的涌入

2017年左右掀起了一轮新的AI热潮。AlphaGo战胜人类顶级棋手柯洁，横扫围棋界，一时间学界开始了又一轮的AI研究。

在最近三年级，AI芯片领域出现了两笔超级融资，壁仞科技在新创18个月就融资超过47亿元，创下国内芯片创业公司的最大融资记录。摩尔线程成立不到一年，估值超百亿，融资数十亿。

就单从2021年开年后看，AI芯片行业至少有20多起公开融资，而已公布的投融资金额及加起来，合计已达到约200亿人民币，其中有至少8起单笔融资的金额逾10亿人民币，单笔最高融资达53.5亿人民币。

国内的云端AI芯片创业公司拥有超强的吸金能力。

致力于打造高性能GPU的沐曦集成电路有限公司8月27日宣布完成10亿元人民币A轮融资。

2021 年 1 月，燧原科技完成 18 亿人民币 C 轮融资。其实在去年 5 月，燧原科技就完成 7 亿人民币 B 轮融资，领投方为半导体产业基金武岳峰资本，老股东腾讯继续跟投。

2021年3月1日，云端服务器级的通用高性能计算芯片的天数智芯宣布完成C轮12亿元融资。

摩尔线程在成立后的短短100天，即获深创投、红杉资本中国基金、GGV纪源资本等众多机构的青睐，融资金额已达数10亿。

可重构存算AI芯片的提出者千芯半导体（TensorChip）在3月22日公布完成了数千万人民币融资。

9月22日，黑芝麻智能宣布今年已经完成数亿美元的战略轮及C轮两轮融资。战略轮由小米长江产业基金、富赛汽车等国内产业龙头企业参与投资。

在深圳的墨芯人工智能，其自称是唯一拥有动态稀疏和静态稀疏技术的企业，在今年的1、3月份分别宣布获得新融资。

如此强大的吸金能力，能够看出资本方对于AI芯片企业的看好。

无论资本市场如何火热，检验AI芯片创企们长期发展实力的关键准则，最终会回归到产品实际性能和落地能力上来。

AI芯片落地难点

AI芯片已经进入肉搏期。相比起一度火热的概念潮，目前比拼的是谁能够率先落地产品、构建生态。

现在的问题成为了：进入了哪些场景？合作了哪些客户？有没有软硬一体化方案？是否已经有标杆案例？

AI芯片落地难的原因可能有很多个。例如，神经网络中的卷积运算加速对于功耗的增加，当算力翻倍，除了硬件成本增加，电力供应和电费成本更是一个瓶颈。从芯片技术到算法理论的创新，是一个原因。

还有芯片研发速度小于AI语言的研发速度，当出现合适的芯片时，其采用的AI语言可能已经过时。这对于能否量产打出了一个问号。

Rokid北京AI实验室负责人高鹏在钛媒体的采访中说，“衡量一块芯片成功与否的标准，就是看它能否大规模的应用于产品。” 云知声创始人黄伟也曾表示：“我们的芯片是有客户的，不是PPT造芯，更不是自嗨。“

落地难更重要的原因还是在应用场景的设计。缺乏杀手级应用使得现有的AI芯片没有清晰的定位，无法高度优化PPA。支撑AI芯片的不仅仅是AI计算，更要面向场景，实现完整的功能。

“每个规格的芯片都有自己的特性，有些芯片非常便宜，性能就会差，无法支持诸如打断唤醒这种前端能力，这类芯片就适合高性价比产品；像 Rokid KAMINO18这样的AI 芯片，支持4麦阵列，就很适合智能音箱场景。”图灵机器人儿童事业部总监刘峰表示。

除去杀手级应用场景的缺乏，很多半导体投资人都表示，谁能在自己的产品赛道上率先突破生态，谁就能存活下来。

所谓的AI芯片生态指的是，芯片上整个软件栈来支持AI框架，而AI应用程序则是基于这些框架开发的。软件栈包括驱动程序、编译器、函数库、算字库、工具包等等，是实现高性能、高通用性、高易用性，以及针对不同应用场景深度优化的关键。

生态搭建的难度和时间，远比芯片开发要更难、更长。

安谋中国AI技术高级市场经理吴彤曾表示，ASIC定制类的AI芯片会在未来的五到十年内成为市场上的主流，与此同时，AI芯片领域专用架构（DSA）也将开始流行。

针对不同的应用场景，客户的需求并不统一。一个可以商用的AI芯片除去自身芯片的研发，更多的时间还是花在了创造生态上。

在AI训练芯片领域，国际巨头英伟达一家独大，云端训练芯片上，很少有公司能够突破英伟达生态。在英伟达快速扩大中，生态成为了他的“护城河”。在2019年，云厂商亚马逊、谷歌、阿里巴巴中97.4%的人工智能加速器都部署了英伟达的图形处理器。

生态的改变绝非一朝一夕的事。

国内厂商的芯片落地

2018年，腾讯战略领投了燧原科技。燧原科技的通用AI训练芯片专为人工智能计算领域而设计，基于这种芯片的AI加速卡、燧原智能互联技术，以及“驭算”计算及编程平台可实现深度全栈集成，为编程人员提供针对性的加速AI计算。

面向AI云端训练，邃思2.0在7月份正式发布。

尺寸为57.5毫米×57.5毫米（面积为3306mm2），达到了芯片采用的日月光2.5D封装的极限，与上代产品一样采用格罗方德12nm工艺，单精度FP32算力为40TFLOPS，单精度张量TF32算力为160TFLOPS，整数精度INT8算力为320TOPS。

燧原产品的商业落地场景包括，液冷超大规模集群，加速视频内容生产；强大的视觉能力，保驾护航金融安全；边缘部署融合多数据，构建新型智能化交通；高效推理算力集群，建设园区AI视频云。

中科寒武纪，寒武纪科技的终端智能处理器IP主要产品有2016年推出的寒武纪1A处理器、2017年推出的寒武纪1H处理器、2018年推出的寒武纪1M处理器；云端智能芯片及加速卡产品有2018年推出的思元100、2019年推出的思元270、2021年初正式亮相的思元290；边缘智能芯片及加速卡为思元220，推出时间为2019年。

寒武纪科技面向云、边、端三大场景研发了三种类型的芯片产品。

分别为终端智能处理器IP、云端智能芯片及加速卡、边缘智能芯片及加速卡，并为上述三个产品线所有产品研发了统一的基础系统软件平台（包含应用开发平台）——Cambricon Neuware软件开发平台（适用于其所有芯片与处理器产品）。

中星微，于 2016 年 6 月率先推出全球头先款具有深度学习能力的嵌入式神经网络处理器(NPU)人工智能芯片——“星光智能一号”，其后又于 2018 年推出运算速度提高 16 倍、功耗降低50%、适用场景更广的“星光智能二号”(NPU-II)人工智能芯片。

在今年9月的中关村论坛上，中星微发布了后摩尔时代下的新一代人工智能机器视觉芯片——“星光摩尔一号”。

“星光摩尔一号”是面向边缘计算的人工智能机器视觉芯片，可广泛应用于各类机器视觉边缘计算。支持800万像素的图像处理、视频编解码、安全加解密和异构智能计算，其视频编解码提供国标SVAC2.0与H.265两种格式的自由切换和转码，支持国标35114的A、B、C三种安全级别，提供4TOPS的深度学习峰值算力并支持多模融合智能计算框架。

地平线机器人（Horizon Robotics）。成立于 2015 年，总部在北京，创始人是前百度深度学习研究院负责人余凯。

地平线机器人在2021年先后发布了芯片征程5、Matrix 5平台和Matrix SuperDrive整车智能解决方案，并将推出国内首个开源安全实时操作系统TogetherOS。9月15日，搭载了地平线旭日3芯片，科沃斯发布了最新一代扫地机器人地宝X1也成为了业内首款搭载AI专用芯片的扫地机器人。

除去扫地机器人芯片的使用，征程2则是商用落地的车规级AI芯片。该芯片现已应用于智能辅助驾驶、高级别自动驾驶、高精建图与定位，以及智能座舱等智能驾驶场景。基于软硬结合的创新设计理念，可提供4 TOPS等效算力，典型功耗仅2瓦;而且具有极高的算力有效性，每TOPS算力可达同等算力GPU的10倍以上。

灵汐科技，类脑芯片KA200入选2021年世界互联网领先科技成果“提名项目”。该系列产品可广泛应用于云端和边缘计算，满足众多传统人工智能企业的智能化升级需求，促进智慧城市、智能网联车等众多相关行业的发展和变革。

不仅能高效支持类脑计算模型和大规模脑仿真，为脑科学领域提供有利工具。同时，还可助力构建更大、更快、更精准的功能级脑仿真平台，推动脑科学与类脑算法的研究和类脑生态构建。

计算机科学与脑科学融合的类脑芯片KA200，采用异构融合众核、存算一体的架构，单芯片集成25万神经元和2500万突触，每秒超过16万亿次突触计算，功耗近12瓦。KA200已经于2021年实现量产。

并且基于KA200构成了完整的产品体系，如类脑计算板卡、类脑计算模组、类脑服务器、软件工具链和系统软件以及类脑整体解决方案。

国内本土的AI芯片在不同场景应用中发力。

燧原科技面向云端训练，瞄准具体商业落地场景；寒武纪科技面向云、边、端三大场景研发了三种类型的芯片产品；中星微则布局嵌入式人工智能大规模商用，与AlphaGo这样高算力、高功耗的服务器端AI不同，嵌入式人工智能应用需要小型化、低功耗、低成本的芯片，星光智能二号完美地符合了这些需求，摄像头本身就具备AI边缘计算功能。

落地应用前景

云端和边缘端

作为AI算力的主要应用场景，AI芯片在云端发展需要解决算力性价比与通用性问题。算力性价比决定了人工智能应用的部署成本，而算力通用性及软件生态决定着不同算法的迁移及开发成本。

在边缘和终端这一侧，AI芯片所面临的挑战是它们会被部署在各种各样的应用环境中。即便在同一个垂直场景里，也需要考虑不同模块之间的任务负载均衡问题。

赛灵思的单羿认为，FPGA因为有灵活可编程的优势，可以根据场景的持续需求调整这些模块之间的资源占用比例，从而达到全系统最优的效果。

ADAS/自动驾驶应用场景落地

地平线瞄准自动驾驶应用场景，在ADAS/自动驾驶应用场景下，AI芯片的核心价值就是实时处理行驶道路上的人、车、物等复杂环境的感知和决策。

目前，自动驾驶芯片在架构设计、研发投入与车规级应用等方面仍处于较为前期的探索过程中，特别是国产汽车芯片的市场份额还有待提升，因此，突破本土自动驾驶芯片技术的发展壁垒，将成为促进未来中国智能汽车产业发展的关键环节。

安防

安防是目前最为明确的AI芯片应用场景，主要任务是视频结构化。摄像头终端加入AI芯片，可以实现实时响应、降低带宽压力。也可以将推理功能集成在边缘的服务器级产品中。

AI芯片要有视频处理和解码能力，主要考虑的是可处理的视频路数以及单路视频结构化的成本。

写在最后

在AI芯片狂热的背后，越来越多的关注点转移到落地，中国的AI狂欢并不会持续太久。在“老大吃肉，老二喝汤”的半导体行业，AI芯片也具有这样的属性，每个产品线最后会跑出两三家公司。不过这是未来的格局，现在的AI芯片市场，很符合一句话：让子弹先飞一会。