文｜赵赛坡
某种意义上说，过去 50 年半导体行业的发展成为人类计算革命的燃料来源。
从概念上看，半导体又被理解为芯片，是一种高度小型化的电子产品，它可以非常快速地完成大量数学运算，利用这种计算可以在现实物理世界里完成目标。
简而言之，芯片是为我们的电子设备的大脑。它们帮助计算机和其他机器评估替代品，为电话、计算机、汽车、飞机、互联网提供计算能力。
半导体是在硅晶片上制造的非常复杂的物体。 这些晶圆的制造非常昂贵，前期投资需要数十亿美元。人类社会过去 60 多年的伟大技术奇迹之一，就是不断缩小芯片尺寸并不断提升计算性能，也就是我们常说的「摩尔定律」。
在这个行业，能够生产制造半导体的公司屈指可数，而且由于技术复杂，导致建造半导体工厂的成本直线上升，这也让半导体行业形成独特的商业模型，在整个链条上只有两类公司：一类是芯片设计公司，如英特尔，另一类则是芯片设计公司和芯片代工公司，或者晶圆代工公司，下图是 2018 年上半年全球十大代工厂。
不管摩尔定律是否失效，半导体行业依然在发展中，在通往 7 纳米制程的道路上，目前只有台积电、英特尔和三星，当然，英特尔目前也遭遇相当多的困难，这也意味着，从 PC 到互联网，再到智能手机，随着对计算性能要求的不断提升，整个半导体行业的集中化趋势，已经基本成定局。
从产业的角度去看，如今的半导体行业越来越像汽车行业，并购整合正在加速，尽管 2018 年博通收购高通、高通收购恩智浦都宣告失败，但产业发展的趋势不可避免，只有足够的垄断才能形成更大的议价权，未来三到五年，新的并购整合还将继续。
一
这两年来，一股半导体行业的「反潮流」开始出现：自研芯片。
智能手机领域，苹果在 2008 年悄然收购了芯片制造商 P.A. Semi 公司，并在两年后推出自研的第一代芯片 A4 处理器，这款处理器很快成为 iPhone、iPad 的标配产品，随后，苹果又在 Apple Watch、Apple TV 等产品里加入自主研发的处理器。另外，根据著名苹果分析师郭明透露的消息，2020 年之后，苹果将在 Mac 系列电脑里集成自己的芯片。
而 Google，则一直在推进数据中心的芯片研发。截止到 2018 年 11 月，Google 已经推出了三代 Tensor Process Unit（以下简称为 TPU），这些产品瞄准的是日益强烈的机器学习需求，从而也增加了 Google 在云端服务上的特定能力。
上述现象与半导体行业刚起步时非常相似，当时，所有的公司都在内部研发、制造芯片，随着企业研发成本的上升，有的企业开始将芯片设计、生产分开，或者直接外包给第三方公司，这样的分工协作也大大降低了成本。
但现在，越来越多的公司成为加入到「反潮流」的大军里，苹果、Google 除外，亚马逊、微软以及华为、阿里巴巴，都在暗自进行芯片的研发。
二
而人工智能，也正在给半导体行业带来新的变革机遇。
从最基本的角度去理解人工智能，或者准确说机器学习，它更像是一种高级的软件形态，这个软件上可以进行大量专业数学计算。以深度神经网络来说，它是一种非常复杂的「投票」算法，通过对各个变量的权重进行复杂的计算，来实现决策。
机器学习或深度学习的过程，就是一次次的计算过程，如何才能提升计算速度呢？当然是让计算并行化，这种需求也和图像计算非常相似，尽管原理不一定相同，但事实也的确证明了，将图像计算的处理器 GPU 放在机器学习之中，效果非常好，由此也造就了过去四年英伟达的「奇迹」。
但行业内除了英伟达之外，没有人愿意看到只有 GPU 适合机器学习，从传统芯片企业英特尔到互联网巨头 Google、Facebook、亚马逊，都有着自己的考量。
而如果从 AI 芯片的功能层面来看，人工智能芯片主要有两个方面的需求：训练和推理。这两个需求相互联系，构成了人工智能芯片的完整流程。
先说训练，当海量被标注的数据被收集到数据中心，工程师们就要开始「训练」数据，简而言之，就是在海量的数据中寻找可用的模型。
而推理，则是将模型反应出结果呈现出来，我们常常说所谓「机器决策」，也就是说，当用户输入一个不太明确的指令后，机器能够给出一个看似合理的答案。
上面的两段话有点复杂，不妨来看两个案例，如果你在手机上用过 Google Photo，你会发现这个产品不仅会让你照片备份起来，还会提供一系列有趣的功能，如下图所示，你可以看到「往年今日」的推荐、以及可以直接用自然语言搜索图片。
要实现 Google Photo 的上述功能，你需要将数据，也就是照片先上传到 Google 服务器，经过一段时间之后才能看到上图的推荐，这是因为，Google 的数据训练都是在云端，而推理的结果则需要网络的支持才能呈现出来，换句话说，你需要联网才能使用。
苹果的做法则完全不同。基于苹果自主研发的芯片以及神经网络处理引擎，目前 iPhone、iPad 都可以实现本地的 AI 计算，同样是照片数据的训练和推理，苹果将所有的过程都放在本地设备，如下图所示，你会看到也是类似的照片推荐、自然语言搜索等功能。
事实上，我们很难直接判断哪种方式跟好，只能说，每一种方式都有着一定的使用范围，比如在自动驾驶汽车上，人工智能芯片的处理过程必须放在本地，只有这样，才能避免与云端交换数据的延时，也能避免车祸的发生。
从上述角度出发，AI 芯片领域有三类大市场：数据中心训练、数据中心推理、设备/边缘推理。
如果说过去的芯片行业像极了汽车行业，导致没有后来者、创业者的机会，那么在 AI 芯片开创的三个领域里，却提供了足够多的想象空间，也让资本市场看到了可能性，下图还仅仅是截止到 2017 年的数据。
三
如果从 AI 芯片的三个大市场的角度去看未来的机会。
首先，数据中心 AI 芯片市场的竞争会非常激烈，一方面，CPU 不会轻易退出市场，另一方面，数据中心所有者都是全球云计算巨头，包括亚马逊、Google、微软、阿里巴巴，他们对于 AI 芯片的需求当然非常强烈，但正如上文所言，他们正在自主研发自己的芯片，虽然这不代表这些公司不会采购第三方芯片，却也展现出这个市场的特殊性。
其次，设备推理市场虽然规模巨大，但却有着非常细分的领域，比如设备形态不同，导致应用场景、能耗的区别非常大，手机的推理能力与汽车显然是不同的，这也导致这个市场最终会非常庞杂，当然，巨头、创业公司都有机会在这个领域获得一席之地。
当然，与传统半导体行业类似，AI 芯片最终的走向依然会是寡头化，。
