智東西（公眾號：zhidxcom）
編輯 | 信儀
GTIC 2020全球AI芯(xin)片(pian)(pian)(pian)創新(xin)峰會(hui)剛剛在北京(jing)圓滿收官！在這場全天座無虛席(xi)、全網(wang)直播人數(shu)逾150萬人次(ci)的(de)高規格(ge)AI芯(xin)片(pian)(pian)(pian)產業峰會(hui)上，19位產學界重磅嘉賓從不同維度分享(xiang)了對中(zhong)國AI芯(xin)片(pian)(pian)(pian)自主創新(xin)和應用落地的(de)觀察與預判(pan)。
在(zai)峰會(hui)下午場(chang)，賽靈思人(ren)工智(zhi)能(neng)業務資(zi)深總監、前深鑒科技CEO姚(yao)頌發表了(le)題為《AI芯片：新格局與新出路(lu)》的演講。
▲賽靈思人工(gong)智(zhi)能(neng)業務資深總監姚頌
從(cong)兩年(nian)前登(deng)臺GTIC 2018峰會至今，姚(yao)頌(song)經(jing)歷(li)了全(quan)球FPGA龍(long)頭賽靈(ling)思(si)并購深鑒科技、AMD收(shou)購賽靈(ling)思(si)兩個大事件，此次以全(quan)新身份出席GTIC峰會的姚(yao)頌(song)，不(bu)再作為一家創業公司(si)的代表，因而從(cong)相對更為中立的角度(du)輸(shu)出對AI芯片行業的看法(fa)。
在姚頌看來，目(mu)前數(shu)字(zi)AI芯片進步趨緩，顛(dian)覆式創(chuang)新難，AI芯片最重要解決的(de)是寬帶不足的(de)問題，軟件生態才是AI芯片的(de)核心壁壘(lei)，他認為未來AI芯片行(xing)業最終將會形成“云端相對(dui)統(tong)一，終端相對(dui)垂直”的(de)競爭格局(ju)。
以下為姚頌演講實錄整理：
一、 AI和芯片互相需要，算力仍有很大提升空間
姚頌認為，AI和芯片緊密相連，AI需要芯片，芯片需要AI。
從背景上來(lai)講(jiang)，例如反向傳播等算法在上世(shi)(shi)紀(ji)80年代(dai)就已經出現(xian)了(le)，現(xian)在的(de)一些神經網絡(luo)與上世(shi)(shi)紀(ji)90年代(dai)Yann LeCun教授做的(de)手寫(xie)數字(zi)識別(bie)幾乎沒有本質上的(de)區別(bie)，由此可(ke)見很(hen)多(duo)算法在上世(shi)(shi)紀(ji)已經全(quan)部具備了(le)。
直(zhi)到(dao)(dao)最近幾(ji)年(nian)，行業內(nei)才感覺(jue)到(dao)(dao)AI的(de)爆發(fa)，才感覺(jue)到(dao)(dao)芯片有這(zhe)么強(qiang)的(de)需(xu)求。2012年(nian)以后，業內(nei)在算法(fa)方面看到(dao)(dao)突破，看到(dao)(dao)深度學(xue)習能夠發(fa)揮很大(da)的(de)作用。
其中有一(yi)個原因在(zai)(zai)于，英偉(wei)(wei)達當(dang)時(shi)在(zai)(zai)2017年、2018年著力推進(jin)生態系(xi)統(tong)，搭了很多(duo)芯片，但芯片的性能并沒(mei)有太多(duo)實(shi)質性的增(zeng)長，這令英偉(wei)(wei)達有一(yi)段時(shi)間陷入低谷中。在(zai)(zai)這個過程中，英偉(wei)(wei)達更換(huan)了一(yi)位首席(xi)科學家，最終等到了春天。
有一個很(hen)明顯的(de)(de)(de)例子，2012年谷歌的(de)(de)(de)吳恩達和Jeff Dean做貓臉識(shi)別(bie)項目，用了1000臺服務(wu)器、16核CPU，同期ImageNet用更少的(de)(de)(de)服務(wu)器完成了相同的(de)(de)(de)事情。至此，人們開始充分(fen)把深度學(xue)習隨著(zhu)數據增長性(xing)能越來越好的(de)(de)(de)特點發揮出(chu)來。
人工智(zhi)能是(shi)將算(suan)法(fa)、數(shu)據和算(suan)力結合起來才有今天，而不是(shi)單(dan)獨一點就可以推(tui)進的，因此如今人工智(zhi)能的發展要感(gan)謝各(ge)種基礎設施、網(wang)絡、存(cun)儲、計算(suan)等的進步。
另一(yi)方(fang)面，整個半導體行業(ye)的(de)進展由(you)新(xin)的(de)應用驅動和引(yin)領。比如最開(kai)始(shi)的(de)雷達，后來的(de)大型機、小(xiao)型機、Mobile，現在的(de)AI、IoT，這(zhe)些行業(ye)都有很大的(de)新(xin)的(de)應用需求，也因(yin)此需要(yao)做(zuo)新(xin)的(de)芯片滿(man)足這(zhe)些行業(ye)的(de)需求，這(zhe)也引(yin)領了AI芯片的(de)出現。
2012年Learning出(chu)現一些突破，2014年曠視、商湯等公司成立，最近AI在(zai)很多領域都有(you)(you)突破，在(zai)人(ren)臉識別、自(zi)動(dong)駕駛(shi)等領域也(ye)有(you)(you)了非常多的應(ying)用，行業(ye)對芯片有(you)(you)了更(geng)(geng)大更(geng)(geng)新的需求，因(yin)此目前也(ye)有(you)(you)不少AI芯片出(chu)現。
▲AI芯(xin)片在計算能力上還有很大的進步空間
從(cong)2012年到(dao)2020年，從(cong)AlexNet到(dao)最新(xin)的(de)(de)(de)ImageNet，過去8年里，AI芯片(pian)算法(fa)(fa)效率提(ti)升了(le)44倍，同樣實(shi)現(xian)90%的(de)(de)(de)精確(que)度，計(ji)算量(liang)只有原來的(de)(de)(de)1/40，而(er)計(ji)算性能需求卻翻(fan)了(le)幾(ji)十萬倍甚(shen)至數(shu)百萬倍。以(yi)AlphaGo Zero舉例(li)，該算法(fa)(fa)用了(le)1750億個參數(shu)，有非常(chang)龐雜(za)的(de)(de)(de)神經網絡，對算力的(de)(de)(de)需求還需要(yao)非常(chang)多(duo)倍數(shu)的(de)(de)(de)提(ti)升。
因此當前業界對AI芯片的算力需求還有很大的提升空間，絕不僅僅是現在看到很多公司出來做AI芯片，這個事情就結束了。
二、 AI芯片最需解決的是寬帶問題
緊接著，姚頌談及(ji)對行業(ye)現狀的看法。他(ta)說，AI芯(xin)片(pian)這個詞(ci)用得(de)特(te)別泛(fan)，AI領域本身(shen)就(jiu)特(te)別寬泛(fan)，有(you)一(yi)小部(bu)分才是機器(qi)學習(xi)，機器(qi)學習(xi)中的一(yi)小部(bu)分才是深度學習(xi)，深度學習(xi)天然切分為訓練和推理兩個階段，其中有(you)數不過來的各種(zhong)神經(jing)網絡。
一(yi)個AI芯片可(ke)(ke)以指代的東(dong)西(xi)有(you)很(hen)多(duo)，因此這是一(yi)個很(hen)寬泛的概(gai)念，按(an)稍嚴格的分類，它可(ke)(ke)以分成訓(xun)練(lian)、推理兩個階(jie)段，以及云端(duan)、終端(duan)兩個應用場景。大家目前基本不在終端(duan)做訓(xun)練(lian)，因此終端(duan)的場景象限(xian)基本是空(kong)的。
▲AI芯(xin)片(pian)分類：根據AI的階(jie)段(duan)與應用場(chang)景
AI芯片核心解決的是什么問題？去堆并行算力？實際并不是。
谷歌TPU第(di)一(yi)代的(de)(de)(de)(de)論文中寫道，其芯片最開始是(shi)(shi)為了自(zi)己設計(ji)的(de)(de)(de)(de)GoogLeNet做的(de)(de)(de)(de)優化(hua)，CNN0的(de)(de)(de)(de)部分就是(shi)(shi)谷歌自(zi)己設計(ji)的(de)(de)(de)(de)Inception network，谷歌設計(ji)的(de)(de)(de)(de)峰值(zhi)性(xing)能是(shi)(shi)每秒92TeraOps，而(er)這個(ge)(ge)神經網絡能跑到86，數(shu)值(zhi)非常(chang)高；但是(shi)(shi)對于谷歌不(bu)太(tai)擅(shan)長的(de)(de)(de)(de)LSTM0，其性(xing)能只有(you)3.7，LSTM1的(de)(de)(de)(de)性(xing)能只有(you)2.8，原因在于它整個(ge)(ge)的(de)(de)(de)(de)存(cun)儲系統的(de)(de)(de)(de)帶寬其實不(bu)足(zu)以支撐跑這樣的(de)(de)(de)(de)應用，因而(er)造成了極(ji)大(da)的(de)(de)(de)(de)算力(li)浪(lang)費(fei)。
▲AI芯片(pian)最重(zhong)要解決(jue)的(de)是帶(dai)寬不足的(de)問題
AI芯片最重要解決的問題核心是帶寬不足的問題，其(qi)中一種最粗(cu)暴且奢(she)侈的(de)(de)方(fang)式就是用(yong)(yong)大量(liang)的(de)(de)片上SRAM（靜態隨機存(cun)(cun)取(qu)存(cun)(cun)儲器），比如原來(lai)寒武紀用(yong)(yong)36MB DRAM做(zuo)DianNao，深鑒科(ke)技曾用(yong)(yong)10.13MB SRAM做(zuo)EIE，TPU采用(yong)(yong)過28MB SRAM。
而將(jiang)這種工程(cheng)美學發揮到中最“殘暴”的(de)公司，叫做Cerebras，它把一整個(ge)Wafer只切一片(pian)(pian)芯片(pian)(pian)，有18GB的(de)SRAM，所有的(de)數據、模(mo)型都存(cun)在片(pian)(pian)上，因此其(qi)性能(neng)爆棚(peng)。
當然(ran)這種(zhong)方式是非(fei)常奢侈(chi)的，Cerebras要(yao)為它單(dan)獨設計解決(jue)制(zhi)冷、應力等問(wen)題，單(dan)片(pian)芯片(pian)的成(cheng)本就在1百萬美元左右(you)，對外一片(pian)芯片(pian)賣500美元，這一價(jia)格非(fei)常高昂。因此業(ye)內就需要(yao)用微架(jia)構等其(qi)他方式解決(jue)這一問(wen)題。
業內常用的有兩種解決方式：
一(yi)(yi)是在操作(zuo)時加一(yi)(yi)些buffer，因為神(shen)經網絡是一(yi)(yi)個雖然并行，但層(ceng)間又(you)是串行的結構。把(ba)前一(yi)(yi)層(ceng)的輸(shu)出buffer住，或把(ba)它直接用到下一(yi)(yi)層(ceng)作(zuo)為輸(shu)入。
二是(shi)在操(cao)作時做一(yi)(yi)(yi)(yi)(yi)些(xie)切塊，因為神經網絡規模比(bi)較大，每次(ci)將它切一(yi)(yi)(yi)(yi)(yi)小部分，比(bi)如(ru)16X16，把切出(chu)來這(zhe)一(yi)(yi)(yi)(yi)(yi)塊的(de)計(ji)算(suan)一(yi)(yi)(yi)(yi)(yi)次(ci)性做完，在做這(zhe)部分計(ji)算(suan)的(de)時候同(tong)步開始讀取下一(yi)(yi)(yi)(yi)(yi)塊的(de)數據，讓這(zhe)件事像流(liu)水線一(yi)(yi)(yi)(yi)(yi)樣串起來，就可以掩蓋(gai)掉很(hen)多存儲、讀取的(de)延遲(chi)。
現(xian)在在數字電路層面，業(ye)內更(geng)多在做(zuo)一(yi)些架構(gou)的(de)更(geng)新，根據不同(tong)的(de)應用(yong)需求做(zuo)架構(gou)的(de)設計。
三、數字AI芯片顛覆式創新難
在談到AI芯片產業特點時，姚頌說，首先AI芯片的概念非常寬泛，所以它并不一定是特別難的事。
▲數字AI芯片(pian)產業特點
設計一顆特別通用的芯片很難，設計CPU和GPU同樣很難，但是如果只做某一顆芯片，只支持某一個算法和某幾個算法，其實并不太難，尤其是對算力的需求很低的時候，技術難度就沒有那么大了。以至于現在對于一些簡單的神經網絡的加速，直接付錢給芯原微電子、GUC等機構，都可以幫助做前端定制。因此對于AI芯片還是要辯證看待，不同的東西難度也不同。
第二，高集成度對于終端市場來說非常重要，這是(shi)所(suo)有做AI起家的(de)公司(si)都會認識到的(de)一點。
舉(ju)例(li)來說(shuo)，如果廠商(shang)想要(yao)將(jiang)AI芯(xin)片做(zuo)(zuo)到攝像(xiang)頭(tou)里面，ISP怎(zen)么做(zuo)(zuo)、SoC誰來做(zuo)(zuo)？將(jiang)AI芯(xin)片做(zuo)(zuo)到耳機(ji)里面，是(shi)(shi)語音喚(huan)醒的AI部(bu)分最終集成藍牙做(zuo)(zuo)成SoC，還是(shi)(shi)藍牙的部(bu)分集成AI做(zuo)(zuo)成SoC？這些都(dou)是(shi)(shi)要(yao)考慮的問題。
對于終端市場來說，一定是高集成度的方式比分立器件的方式占優勢，所以對于終端市場一定要考慮全面，而不能僅僅考慮AI這一個IP。
第三，軟件生態才是AI芯片的核心壁壘。
英(ying)偉(wei)達(da)創始人兼CEO黃仁勛最近開發布會時說，英(ying)偉(wei)達(da)已經有(you)180萬(wan)(wan)的開發者(zhe)、30萬(wan)(wan)個(ge)開源項(xiang)目(mu)，99.99%的初學者(zhe)在學AI時一(yi)定會買一(yi)塊GPU，下載一(yi)些Github上(shang)的開源項(xiang)目(mu)做試驗。這是(shi)英(ying)偉(wei)達(da)最終(zhong)的一(yi)個(ge)護城河(he)，它(ta)會有(you)源源不斷的開發者(zhe)加入，開發者(zhe)又(you)會為生態(tai)貢獻(xian)新的項(xiang)目(mu)，如(ru)果開發者(zhe)沒有(you)達(da)到一(yi)定數(shu)量(liang)，則很難突破AI芯(xin)片的生態(tai)壁壘。
姚頌(song)說，這與(yu)滴(di)滴(di)、淘寶以(yi)及其他互聯(lian)網平臺是(shi)(shi)一(yi)(yi)個邏(luo)輯，一(yi)(yi)邊是(shi)(shi)商家一(yi)(yi)邊是(shi)(shi)用戶，一(yi)(yi)邊是(shi)(shi)開發(fa)者一(yi)(yi)邊是(shi)(shi)使(shi)用者，這是(shi)(shi)一(yi)(yi)個閉環軟件生態的邏(luo)輯，是(shi)(shi)最核(he)心的壁壘。
在單純的數字芯片領域、單純的學術研究做微架構迭代的領域，數字集成電路領域從2016年開始至今沒有見到特別大的創新。
▲2016年至2019年AI芯(xin)片能效指標變化
上(shang)圖(tu)中(zhong)顯(xian)示的(de)是從2016年(nian)(nian)至2019年(nian)(nian)的(de)AI芯(xin)片能效指標變化，“方形”是實際量產(chan)的(de)產(chan)品。這(zhe)個圖(tu)越(yue)(yue)往(wang)上(shang)代表性能越(yue)(yue)好(hao)，越(yue)(yue)往(wang)右是功耗越(yue)(yue)高，因(yin)此在這(zhe)張圖(tu)中(zhong)，越(yue)(yue)偏向左(zuo)上(shang)角意味著性能越(yue)(yue)好(hao)。
而實際(ji)上(shang)大量的(de)(de)“方形(xing)”都落在了圖的(de)(de)右上(shang)角，處于1~10TOPs/W的(de)(de)兩條線之間，現在性能比較好的(de)(de)產(chan)品基本上(shang)在1~2TOPs/W的(de)(de)區間內，這幾年在量產(chan)級別上(shang)沒有見(jian)到特別大的(de)(de)變化(hua)。行業內有很多工程在往(wang)產(chan)品方向走，但是通用的(de)(de)微架構迭代(dai)的(de)(de)進步(bu)已經趨(qu)緩(huan)。
此外，姚頌一直在關注的一個重點在于，芯片越來越貴，導致了一個較大的問題：業內原來很期待在行業中出現一個“破壞性創新”的事，也就意味著想要用很低廉、便捷的方式實現原來高端產品的能力。比如業內希望AI芯片以低價、便捷的方式實現GPU的功能，而現在看起來，實現這一愿景很困難。
在如今(jin)所處的(de)(de)時(shi)間點，摩爾定律還沒有死掉但是(shi)越來(lai)越貴。一顆7nm芯片的(de)(de)流片需要(yao)(yao)3000萬美(mei)元(yuan)左右(you)，再加上IP、人力(li)的(de)(de)成本(ben)，甚(shen)(shen)至需要(yao)(yao)大幾(ji)千(qian)萬甚(shen)(shen)至是(shi)上億美(mei)元(yuan)，需要(yao)(yao)賣出很大的(de)(de)量(liang)才能收回成本(ben)。對于初創公司來(lai)說，這是(shi)一個難點。
▲數字AI芯片可能(neng)不存在顛覆式創新的大機會(hui)
有(you)些芯片公司，比如壁仞科(ke)技，融(rong)了很多資金，能夠(gou)做兩顆、三顆甚至更(geng)多芯片；而有(you)的(de)公司如果沒有(you)資金，則無法參(can)與(yu)到(dao)行業正(zheng)面戰場的(de)競爭(zheng)中來。
這個市場已經發生變化，隨著(zhu)摩爾定律的(de)(de)變化，在(zai)正面戰場上，我們得(de)想一些(xie)其他的(de)(de)辦法，可能不能單(dan)純依靠(kao)架構(gou)的(de)(de)優(you)勢取得(de)幾倍的(de)(de)性(xing)能提升，業界也需要找到一些(xie)新的(de)(de)底(di)層技術迭代。
比如(ru)做存內計(ji)(ji)算(suan)的(de)知(zhi)存科(ke)技就屬于這一類，它將計(ji)(ji)算(suan)和存儲(chu)放在(zai)一起，將計(ji)(ji)算(suan)放在(zai)Flash中，就可以減(jian)少存儲(chu)的(de)搬運，突破卡在(zai)存儲(chu)的(de)瓶頸；再比如(ru)法國有(you)一家叫(jiao)UpMem的(de)企業把(ba)計(ji)(ji)算(suan)放到DRAM中，還有(you)比如(ru)普(pu)林斯頓大學教授的(de)小組把(ba)計(ji)(ji)算(suan)放到SRAM中。
另一(yi)種技(ji)術路線，光(guang)計(ji)算，也(ye)是業內(nei)非(fei)常(chang)看好的(de)(de)方向。用兩(liang)束光(guang)的(de)(de)光(guang)強(qiang)表示(shi)兩(liang)個數值，通過一(yi)個干涉儀(yi)發生干涉行為，它(ta)出射(she)的(de)(de)強(qiang)度(du)就是兩(liang)個光(guang)強(qiang)相乘(cheng)(cheng)，再乘(cheng)(cheng)以他們相位差的(de)(de)cos（余(yu)弦），這樣(yang)就相當于用光(guang)的(de)(de)干涉直(zhi)接(jie)完成了乘(cheng)(cheng)法，這種操作速度(du)很(hen)快、功耗也(ye)很(hen)低(di)，但也(ye)有很(hen)大的(de)(de)問題。
因為(wei)所有的物理器件都(dou)不是理想的器件，光每經過(guo)一(yi)個干涉儀(yi)可能(neng)要損耗千分(fen)之一(yi)的強度，如(ru)果(guo)想要做一(yi)個64X64的陣列(lie)或是128X128的陣列(lie)，每做一(yi)個計(ji)算的過(guo)程中，每束光要通過(guo)幾百個干涉器，數值就(jiu)變了。
目(mu)前國際最好的水平也(ye)只能在64X64陣(zhen)列上(shang)保(bao)證(zheng)8bit信息量(liang)是不變(bian)的，因此(ci)這種(zhong)方式(shi)無(wu)法在高精度、大(da)陣(zhen)列的要(yao)求下施行，也(ye)從而(er)沒辦(ban)法實(shi)現特別(bie)大(da)的性能，因此(ci)這也(ye)是一種(zhong)還在開發中(zhong)的路線(xian)。
四、云端統一終端垂直的新格局
放眼AI芯片未來的新路線和新格局，姚頌認為，一方面，行業短期內不用太為新的技術路線擔憂，在3~5年內數字集成電路依舊是主流，光計算完全完善還需要時間。
另一方面，如今被多次提及的量子計算，距離商用的階段還很遠。現(xian)在(zai)(zai)全(quan)球最(zui)好(hao)的做量子(zi)(zi)計算(suan)(suan)的水平(ping)能達到50~60 qubit，如(ru)果想用它來形成分子(zi)(zi)模擬等(deng)簡單的應用，大概需(xu)要300~400 qubit，還有五(wu)年(nian)左(zuo)右的時間要走。如(ru)果想用新技術實現(xian)通用的做法，比如(ru)量子(zi)(zi)計算(suan)(suan)的解密AES，按(an)照現(xian)在(zai)(zai)的算(suan)(suan)法，大概需(xu)要300萬個qubit才能完成。因此(ci)姚頌不認(ren)為量子(zi)(zi)計算(suan)(suan)在(zai)(zai)20年(nian)內能在(zai)(zai)大范(fan)圍應用中占據較大優勢(shi)，短期內，產(chan)業(ye)還是以數字集成電路為主。
這其中也有不同的路線，其中一個在于，有很多緊密結合應用的芯片出現了，換句(ju)話說，很多芯片公司的(de)客(ke)戶開始做芯片了。
比如百度和三星合作研發了14nm工藝“昆侖”芯片，阿里開發了“含光800”深度學習NPU，還有很多計算類芯片的開發計劃，包括字節跳動、騰訊、快手等都投資或孵化了相關的芯片公司。這其實是對第三方芯片公司的沖擊，也確實是未來行業發展的重要路徑，當應用更明確的時候，芯片的設計難度就會相應降低。
云端市場現在看起來可能是最大的單一市場，但競爭確實相對激烈。
第(di)(di)一(yi)(yi)，很(hen)多(duo)互聯網(wang)公(gong)司(si)(si)自己在做云(yun)端(duan)市(shi)場(chang)；第(di)(di)二，英(ying)偉達這樣的巨(ju)頭(tou)占了(le)云(yun)端(duan)市(shi)場(chang)絕(jue)大部分的市(shi)場(chang)份額；第(di)(di)三，英(ying)特爾收購了(le)Habana，AMD與賽靈思走到一(yi)(yi)起(qi)，還有很(hen)多(duo)巨(ju)頭(tou)公(gong)司(si)(si)想擠入這一(yi)(yi)市(shi)場(chang)；第(di)(di)四(si)，有很(hen)多(duo)創(chuang)業公(gong)司(si)(si)正準(zhun)備(bei)進入這一(yi)(yi)市(shi)場(chang)。
云端市場的接口相對統一，需求相對統一，需要的通用性非常高，最后可能會是一個競爭激烈但最終走向相對統一的市場。
在終端市場，有很多可以做的事情。舉例來說，小蟻(yi)科(ke)技創始人達聲(sheng)蔚創立了芯片公(gong)司齊感科(ke)技，面向終端小攝像頭做加AI識別(bie)的芯片，售價僅幾元(yuan)錢一(yi)個，他們在(zai)收(shou)入上(shang)已經做得不錯。在(zai)不同的市(shi)場(chang)，如果廠商(shang)能夠做到高集成度，并能夠完整滿足(zu)這個市(shi)場(chang)方向的需(xu)求，實際(ji)上(shang)每個方向都是足(zu)夠能支撐1~2家上(shang)市(shi)公(gong)司的。
其中不同的場景有不同的需求，差異很大。比如在無線耳機市場，廠商要做的是一個簡單的語音喚醒，要集成藍牙；如果廠商要做智能攝像機，則要做的是CNN，這就與簡單的語音喚醒所需要的加速完全不同。因此必須把場景、SoC都定義清楚，集成度做高，滿足一整個行業方案的需求，這就做得非常垂直。
▲AI芯片(pian)市(shi)場(chang)格(ge)局：云端(duan)統一，終端(duan)垂直(zhi)
在姚頌(song)看來，最終行業(ye)的格局(ju)上，云端還是需(xu)(xu)要相對統一，如果(guo)創業(ye)公(gong)司要進入這一領(ling)域，需(xu)(xu)要拿到非常多的資(zi)源，才能參與到“正面戰場”的競爭。
在(zai)終(zhong)端上(shang)，不同的垂直領域都非常有機會，比如車、智能視頻、智能語音等(deng)領域，這要求廠商做(zuo)得非常深，從算法(fa)、軟(ruan)件、芯片(pian)、硬件上(shang)使整個方案全(quan)部(bu)打(da)通，只有這樣才能在(zai)這個市(shi)場上(shang)形成比較強的競爭力。
最終，AI芯片領域會形成云端相對統一，終端相對垂直的格局。
以上是姚頌演講內容的完整整理。除姚頌外，在本屆GTIC 2020 AI芯片創新峰會期間，清華大學微納電子系尹首一教授，比特大陸、地平線、燧原科技、黑芝麻智能、壁仞科技、光子算數、知存科技、億智電子、豪微科技等芯片創企，Imagination、安謀中國等知名IP供應商，全球EDA巨頭Cadence，以及北極光創投、中芯聚源等知名投資機構，分別分享了對AI芯片產業的觀察與思考。如感興趣更多嘉賓演講的核心干貨，歡迎關注芯東西后續推送內容。
