连续两周都有密集的人工智能芯片峰会,大家都探讨了人工智能芯片方面的进展。由于人工智能芯片领域是新兴的事物,整个产业链很不完整,必须提供芯片 / 硬件、软件 SDK、到应用的解决方案,以及打造自己的生态系统,这一点基本都达成共识。这也与我在以前写的《新兴芯片领域创业认知的理解》以及《新兴领域创业的挑战》中的观点一致。但这样就够了吗?我觉得肯定还有其他方面的东西需要思考。所以先抛出自己的一些观点,当然不一定正确,欢迎一起探讨。

 
首先需要考虑的是,当前做 AI 芯片,特别是量产的时机是否已经到来?从技术上来说,目前在深度学习的算法上,虽然都有推出 Caffee, Tensor Flow 等各种框架和算法,但是围绕着很多方面,都一直有很多算法的变化,这些变化可能会影响到对芯片的定义,因为芯片是硬件的东西,一旦固定很难更改。在不同的应用场合需要不同的算法以及算力的考虑,目前做芯片是否能满足这些变化的要求,或者说在某个可以看到的具有较大量支撑的领域,比如安防领域,对算法和算力的要求,目前是否已经相对定型,围绕这块领域的芯片设计的时机是否已经到来?我相信在更多细分的领域,比如在工业的机器视觉领域,FPGA 或者其他通用 AP 可能是更合适的方式,特别是在 FPGA 上,可以针对某个应用做硬件的更好优化,加上本身工具链的进一步成熟,ASIC 芯片在算力上很可能还不如 FPGA,FPGA 作为可选择的方案可能长期存在。当然 FPGA 有其自身的弱点,在功耗、面积等方面。所以从价格、成本投入、上市周期、功耗、性能等方面,仍然需要多角度考虑。当然我不否认做芯片的价值,只有先 tapeout 芯片,才能更清楚地想明白很多问题,也才能通过向应用需求端不断的磨合,做出更好的产品,所以我一直觉得这一步是必不可少的。但是一方面芯片 tapeout 本身就是一个大的投入,更何况量产。在时机未成熟的情况下,FPGA 一直是更好的选择。
 
再一个考虑的是切入的领域问题。目前大家大致的方向是比如安防、汽车、服务器、智能家居等几个大的方向。在大的赛道上也意味着竞争对手更强,比如在安防领域会碰到海思,也可能会碰到下游的海康、大华,它们也很可能会切入。当然你很可能会说,这一块大家都有机会,就看谁先做出更好的符合要求的产品。我不否认,但是有可能在现在看得到的主流赛道上会很拥挤,在整个产业链上需要牵扯的各种复杂的因素太多,反而影响自己的快速发展。是否有在目前想不到的领域,不同的应用场景,有强和弱人工智能应用之分,比如安防某细分领域,汽车某细分领域,服务器某细分领域,或者其他某领域,会促成自己在该领域快速发展,积累起自己深厚的资本。比如比特大陆,因为切入的领域没有发现竞争者,市场快速起来,芯片居然越卖越贵,赚得盆满钵满,快速奠定自己的江湖地位。突然想起前几天看文章,马云说的一句话,“有了一张战略图之后,一定要找到一个地方是一刀捅进去就会流血的,闻到血腥味大家自然会冲上来,这张皮一定能被撕开,如果 4、5 个点都是拿小钉子敲,敲了 3 年下来没有一个点是敲破的,所有人都崩溃了。重要的是一定要找到一个点切入,把它做深做透,彻底的把这个桩打进去。”
 
第三点是在前端的人工智能芯片上,如果只有深度学习算力的芯片应该还是过度性产品,最终是要 SoC 化的,即加入更多的模块、接口,在前端上做成单一集成的芯片方案,因为那样最经济。当前对深度学习的研究很热,在很短的时间里面达到很高的高度,也培养了很多人才。所以如果再往前发展,在某些领域算法很有可能算法已经不是稀缺的要素,这时候天平就会倒向工程化的人才,在芯片上具有多年经验的人才会更有优势,因为他们更熟悉芯片的供应链,以及设计方面的细节问题。就好比 20 年前,做网页设计的月收入也能有 8000 块,可现在呢?同时,在 SoC 上,很可能其他要素才是更稀缺的,比如针对 AI 的 ISP 技术,要知道熟悉 ISP 算法的人才,从某种意义上来说是更为稀缺的。所以在产业演进的过程中,要一直考虑好自己的核心竞争力,人工智能芯片的价值很可能在深度学习算法之外。 
 
暂时就想到这三点,希望对大家,特别是对人工智能芯片公司的战略决策者有用。