發布新GPU股價下跌7％，英偉達的AI晶元要涼了？

3月27日，AI晶元教父黃仁勛在GTC大會（英偉達GPU技術大會）上進行了演講，發布了新款QuadroGV100 GPU和DGX-2超級計算機，以及英偉達最新在AI計算和自動駕駛上的進展。

有趣的是，在去年的GTC大會，同樣以AI為核心，英偉達發布了一系列晶元產品和解決方案，股價大漲17%；而就在今年發布會之後的幾小時里，紐約股市英偉達報收225.52美元，直降7.5%。

一樣的故事，不同的結局，難道英偉達的AI晶元生意要涼了？

生在最好的時代，面臨最大的挑戰

業界曾有很多人表示，英偉達在這兩年的爆發，真的就像被從天而降的餡餅砸到了臉。

上世紀60年代，Intel從專用晶元轉向通用型晶元——也就是我們熟知的CPU（中央處理器），從而一躍成為了晶元領域的老大哥。

不過在AI技術逐漸發展成熟的過程中，人們發現CPU對於大數據的處理能力較差，效率和消耗上都完成不了機器學習技術對算力的要求，專用AI晶元需求持續走高。於是當開發人員發現GPU（圖像處理器）的並行計算架構可以加速深度學習培訓過程時，長期致力於圖像處理器領域的英偉達迎來了春天。

從2015年到現在，英偉達的股價已經從每股20美元上升到了每股200美元以上，十倍的增長一方面來源於市場的快速增長，另一方面也來源於投資者對於未來趨勢的信心。

然而，利潤的血腥味必然會引來更多的獵食者。

谷歌是英偉達GPU最大的客戶，據說佔到英偉達1/3的市場。2016年，谷歌對外開源了自己的深度學習框架TensorFlow，這降低了深度學習的門檻，同時也為英偉達帶來了新的用戶。

不過，在2017年，谷歌發布了兩代TPU，這是一種專門針對深度學習框架TensorFlow進行優化的AI晶元。儘管谷歌表示TPU不會對外銷售，但其一旦形成了壟斷的生態優勢，同樣對英偉達形成巨大威脅。

無獨有偶，傳統晶元巨頭英特爾儘管在AI晶元行業萌發階段，錯過了第一波機會，但隨後的跟進戰略可以說是重拳出擊，它先後買下Nervana 、Movidius、 Altera、以及Mobileye，總收購金額超過300億美元。在目前基於X86（一種採用複雜指令架構的伺服器）的生態圈中，IT領域的基礎設施是完全「生長「在英特爾製造的沃土中的，不難想像當英特爾完成轉身後將產生多大的能量。

而以微軟和亞馬遜為代表的雲計算服務商同樣在為AI計算力進行升級，分別在自家的雲端和數據中心中加入了FPGA應用，提升相關解決方案的處理速度。

如果用一個詞來形容英偉達所面臨的AI晶元之戰，那就是「「神仙打架」。

國內AI晶元初創公司，群強環伺之下彎道超車

儘管上有神仙打架，我們依然能看到層出不窮的國內AI晶元公司在晶元賽道上發力。

中科寒武紀代表了其中一派，寒武紀副總裁錢誠認為，人工智慧必然會出現一種重量級的應用，硬體就必然要標準化、通用化。因此標準化、通用化的智能晶元代表著未來。

目前，寒武紀已經拿下華為麒麟970晶元合作訂單——將其人工智慧晶元的設計專利植入麒麟970晶元，為華為的新型旗艦手機加速。而根據業內人士的估計，該款晶元的出貨量將達到3000萬片。

另一派創業公司的目標則是瞄準了形形色色應用場景的專用型晶元，包括面向智能駕駛領域推出AI晶元的地平線，主打安防場景機器視覺應用的深鑒科技，以及在自家語音領域研製晶元的雲知聲等。

它們認為，未來不會是一顆晶元打天下，必須按照需求設計相應的晶元，通過軟硬體的深度結合，提高算力效率。而隨著AI應用的深入，諸如邊緣計算和終端計算力需求的出現，讓人們在選擇計算平台時有了更多考慮。

不過無論哪種方向的創業公司，他們看起來都不太畏懼以英偉達為代表的晶元傳統巨頭帶來的威脅。目前的AI晶元主要針對神經網路和深度學習演算法定製，所以晶元的硬體設計上比傳統的CPU和GPU要簡單，並非高不可攀。

而軟體重要性的提升則是另一個原因。由於AI人才存在斷層，客戶對於AI晶元的要求往往不是晶元本身，而是包括了晶元在內的全套解決方案。幸運的是，在國內AI晶元創業團隊中，大多數負責人都是人工智慧研究型學者或偏演算法型人才。

所以客觀來說，中國創業公司彎道超車的概率很大。

英偉達股價下跌帶來啟示：他們不買AI的賬了

話題回到英偉達，在昨天公布了QuadroGV100 GPU和DGX-2超級計算機，以及最新在AI計算和自動駕駛上的進展之後，英偉達股價直降7.5%。而國外科技媒體的評論中最多的觀點則是，沒看到全新20系列高性能顯卡，對英偉達很失望。

人們已經不買英偉達的賬了？顯然不是，失望大代表著期望大，人們依然相信英偉達的能力，他們只是不買AI概念的賬了。

一直以來，AI晶元的定義都很模糊。廣義上來講，性能是評判的唯一標準，只要支持主流演算法，尤其是以深度學習為代表的演算法的晶元就可以稱作AI晶元，GPU就是其中的典型代表，一些性能不錯的CPU和DSP（數字信號處理晶元）也可算入其中。

但如果嚴格來說，AI晶元要圍繞深度學習或者人工智慧演算法，對這顆晶元內部的架構和計算、存儲單元進行專門設計。

崛起的GPU可以看做是一個中間產物，儘管不是為了人工智慧而特意設計，但它的並行計算結構在一定程度上貼合了深度學習演算法的計算要求。因此，當全球高校和大公司實驗室進行深度學習演算法的研究時，GPU成為了他們的首選並進一步延伸到了產業當中。

不過產業和實驗室有著一道巨大的鴻溝，成本。深鑒科技創始人姚頌曾算過一筆賬，谷歌如果有1000萬台伺服器，每年一台的運行費用是1萬美元，哪怕運營節省10%，100億美元就能省出來。而為深度學習，或者更加貼近應用層的計算機視覺和語音技術專門設計的晶元，顯然在計算功耗比上要更具優勢。

歸根結底，企業的出路還在於創新。

當「人工智慧」還是創新的代名詞時，擁有GPU的英偉達也擁有著耀眼的成績；而當人工智慧光環褪去，逐步落地產業，英偉達的故事很難就這麼平淡地繼續講下去。

同理也適用於國內AI晶元公司，目前AI晶元領域還存在大量的創新空間。由於還不存在適應所以應用的「通用」人工智慧演算法，因此AI晶元也就沒有確定的架構，新架構的出現必然將是一次巨大的商業機會；而在各個細分領域，當AI技術進入了應用落地階段，對成本和功耗的要求，也是推動各類垂直應用AI晶元的迭代的重要因素。

目前的AI晶元領域的競爭更像是一場沒有標定終點的賽跑，沒有人知道未來會發生什麼，唯一能做的就是跑得更快，讓後面人看不見你。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！