本文分析了国内外AI芯片的格局和特点，作者认为，在AI芯片领域，国外芯片巨头占据了绝大部分市场份额，不论是在人才聚集还是公司合并等方面，都具有绝对的领先优势。而国内AI初创公司则又呈现百家争鸣、各自为政的纷乱局面;特别是每个初创企业的AI芯片都具有自己独特的体系结构和软件开发套件，既无法融入英伟达和谷歌建立的生态圈，又不具备与之抗衡的实力。

　如果说 2016 年 3 月份 AlphaGo 与李世石的那场人机大战只在科技界和围棋界产生较大影响的话，那么 2017 年 5 月其与排名第一的世界围棋冠军柯洁的对战则将人工智能技术推向了公众视野。阿尔法狗(AlphaGo)是第一个击败人类职业围棋选手、第一个战胜围棋世界冠军的人工智能程序，由谷歌(Google)旗下 DeepMind 公司戴密斯 · 哈萨比斯领衔的团队开发，其主要工作原理是 “深度学习”。

　　其实早在 2012 年，深度学习技术就已经在学术界引起了广泛地讨论。在这一年的 ImageNet 大规模视觉识别挑战赛 ILSVRC 中，采用 5 个卷积层和 3 个全连接层的神经网络结构 AlexNet，取得了 top-5(15.3%)的历史最佳错误率，而第二名的成绩仅为 26.2%。从此以后，就出现了层数更多、结构更为复杂的神经网络结构，如 ResNet、GoogleNet、VGGNet 和 MaskRCNN 等，还有去年比较火的生成式对抗网络 GAN。

　　不论是赢得视觉识别挑战赛的 AlexNet，还是击败围棋冠军柯洁的 AlphaGo，它们的实现都离不开现代信息技术的核心——处理器，不论这个处理器是传统的 CPU，还是 GPU，还是新兴的专用加速部件 NNPU(NNPU 是 Neural Network Processing Unit 的简称)。在计算机体系结构国际顶级会议 ISCA2016 上有个关于体系结构 2030 的小型研讨会，名人堂成员 UCSB 的谢源教授就对 1991 年以来在 ISCA 收录的论文进行了总结，专用加速部件相关的论文收录是在 2008 年开始，而在 2016 年达到了顶峰，超过了处理器、存储器以及互联结构等三大传统领域。而在这一年，来自中国科学院计算技术研究所的陈云霁、陈天石研究员课题组提交的《一种神经网络指令集》论文，更是 ISCA2016 最高得分论文。

　　在具体介绍 AI 芯片国内外之前，看到这里有部分读者或许会产生这样的疑惑：这不都是在说神经网络和深度学习吗?那么我觉得有必要对人工智能和神经网络的概念进行阐述，特别是 2017 年工信部发布的《促进新一代人工智能产业发展三年行动计划(2018-2020 年)》中，对发展目标的描述很容易让人觉得人工智能就是神经网络，AI 芯片就是神经网络芯片。

　　人工智能整体核心基础能力显著增强，智能传感器技术产品实现突破，设计、代工、封测技术达到国际水平，神经网络芯片实现量产并在重点领域实现规模化应用，开源开发平台初步具备支撑产业快速发展的能力。

　　其实则不然。人工智能是一个很老很老的概念，而神经网络只不过是人工智能范畴的一个子集。早在 1956 年，被誉为 “人工智能之父” 的图灵奖得主约翰 · 麦卡锡就这样定义人工智能：创造智能机器的科学与工程。而在 1959 年，Arthur Samuel 给出了人工智能的一个子领域机器学习的定义，即“计算机有能力去学习，而不是通过预先准确实现的代码”，这也是目前公认的对机器学习最早最准确的定义。而我们日常所熟知的神经网络、深度学习等都属于机器学习的范畴，都是受大脑机理启发而发展得来的。另外一个比较重要的研究领域就是脉冲神经网络，国内具有代表的单位和企业是清华大学类脑计算研究中心和上海西井科技等。

　　好了，现在终于可以介绍 AI 芯片国内外的发展现状了，当然这些都是我个人的一点观察和愚见，管窥之见权当抛砖引玉