芯片巨头们2019年的AI芯片之争会如何？

雷锋网按，本文分析了目前AI芯片市场的情况，以及NVIDIA在这一市场的领先地位。不过，随着芯片巨头在AI芯片领域有了新的进展，NVIDIA将会面临更多的挑战，2019年AI芯片市场会如何？

作者将会分三部分进行介绍，本文是第一部分。

NVIDIA的领先优势

过去的五年，NVIDIA在数据中心领域成为了规模数十亿美元的巨头，并且没有一次面对持续且非常强劲的对手，这是一个令人惊讶的事实。NVIDIA快速增长的动力来自人工智能（AI）和高性能计算（HPC）对GPU芯片的需求。NVIDIA首席执行官Jensen Huang喜欢谈论深度学习的“寒武纪爆炸”，指的是神经网络算法的快速迭代。

目前，我们处于AI芯片爆发的门口，全球许多大型和小型公司都加入其中。三年前，芯片创业公司几乎不可能获得风险投资，现在，有数十家资金充足的挑战者在研发AI芯片。

去年，NVIDIA和 IBM为世界上最快的超级计算机提供芯片（据称其中95％的性能归功于NVIDIA的Volta GPU）。虽然这是一项令人难以置信的成就，但许多人开始怀疑NVIDIA的辉煌能否持续。

在最新报告季度，NVIDIA数据中心收入同比增长58％至7.92亿美元，占公司总收入的近25％。过去的四个季度总营收达到28.6亿美元。如果能够保持这种增长趋势，2019年数据中心营收或达到约45亿美元。

毫无疑问，NVIDIA以其强大的可扩展架构为动力打造出受欢迎的产品。NVIDIA现在拥有一个强大且持续更新的软件，高校、初创公司和合作伙伴使其成为由其新创建的生态的主导者。有些人会认为这个生态系统是坚固的护城河，但暴风云正在出现。潜在的威胁来自英特尔，谷歌，AMD以及数十家美国和中国的初创公司。

目前为止，在我看来，大部分竞争者都“火力不足”。因为我非常有信心除了谷歌，其它挑战者都没有抢夺了NVIDIA的市场份额。让我们来看看目前的竞争格局，2019年将会变得非常有趣。

重磅的竞争者

根据纽约时报的统计，有超过40家创业公司进入AI芯片领域，但实际情况是，只有少数公司能在这个市场上取得真正的成功（比如收入超过10亿美元）。对于深度神经网络（DNN）的训练，鉴于其产品的实力，市场占有率和生态系统，NVIDIA难以被击败。然而，目前市场规模还小的推理芯片市场最终将超过训练市场。

与训练不同，推理不是单一的市场。推理包含了云端和终端，每一种应用对深度学习算法、性能、功耗和延迟都有特定的要求。另外，在推理市场还没有绝对的领导者，即便NVIDIA声称在汽车市场拥有领导地位。

出于这些原因，推断市场是大多数新进入者主要或最初关注的方向。让我们来看看重磅的竞争者。

谷歌

谷歌是最早推出专用芯片（ASIC）的公司之一，然而谷歌可能是NVIDIA最大的客户之一。谷歌的“Tensor Processing Units”（TPU）芯片已经更新至第三代，可以加速云端的深度学习训练，最近还可以加速推理处理。据悉，用于训练和处理DNN的Google TPU的性能相当稳定，单芯片每秒性能可达45 TOPS。相比之下，NVIDIA的Volta性能最高可达125 TOPS。第一批TPU只供内部使用，现在谷歌将它们作为服务提供给Google Compute Cloud的客户。

虽然TPU会对谷歌的人工智能的发展产生影响，但除了内部的，对外的服务（这是一个相当大的市场）是故意限制的。TPU只能用于培训和运行Google TensorFlow框架，无法使用它来训练或运行使用Apache MxNet或PyTorch构建的AI，PyTorch框架的重要推动者是Facebook 和微软。TPU也不能用于非AI HPC应用，这一领域GPU占据绝对主导地位。

此外，TPU也不向企业或政府的数据中心出售。但谷歌对此表示满意，因为它将TPU和TensorFlow视为其全面的AI领导力战略。针对硬件的软件优化，可以构建强大而耐用的平台。

TPU更直接的影响可能是验证ASIC可以作为GPU的替代品，至少对潜在投资者而言如此。深度学习芯片初创公司的首席执行官表示，一旦谷歌宣布其TPU，风险资本就开始寻找投资目标，他随后获得了数亿美元投资。

谷歌一直擅长从NVIDIA的GPU技术大会（通常在三月份）的可预测信息中窃取一些引人注意的信息，如果今年谷歌发布性能强大的7nm TPU，对比我不会感到惊讶。

亚马逊也在去年秋天宣布，正在为推理处理研发ASIC。但是，该芯片仍在开发中。

英特尔

英特尔是非常重磅的玩家，虽然该公司打算使用Nervana芯片在2019年参与人工智能训练和推理的竞争，但它意识到推理将是更大的市场，并且拥有非常强大的实力。

除了Xeon CPU（最近更新后，推理性能得到显着提升），该公司还分别收购了MobileEye和Movidius，用于汽车和嵌入式推理。我已经看过这两种设备的演示，它们的确令人印象深刻。英特尔还推出了OpenVino软件工具包，它允许开发人员在任何地方进行训练，然后在英特尔处理器上进行优化和运行。

CES 2019上，英特尔透露正在与Facebook密切合作准备推出Nervana神经网络处理器（NNP-I），因为许多人猜测Facebook正在开发自己AI加速器。与此同时，英特尔副总裁兼AI产品总经理Naveen Rao在 Twitter上分享，NNP-I是采用英特尔10nm的SoC，并采用IceLake x86内核。

对于训练，英特尔最初的计划在收购Nervana一年的2017年宣布“Lake Crest”Nervana NNP。之后推迟到2018年，然后，公司决定重新开始。这可能是因为英特尔意识到第一款Nervana设备不足以大幅超越NVIDIA。

高通和苹果

为了完整性，我将高通和苹果也包括在内，因为它们都提供了令人印象深刻的手机人工智能功能（高通也布局IoT和自动驾驶汽车）。苹果专注于iPhone A系列CPU和用于手机AI的iOS操作系统支持。随着移动平台成为语音和图像AI推理的主要平台，这两个玩家拥有大量可用于建立领导力的IP（尽管华为我们也非常努力地推动人工智能。）

AMD

过去三年，AMD一直在努力让AI的软件正常运转。当我2015年在那里工作时，如果没有启动Windows，你甚至无法在Linux服务器上运行GPU。从那时起，AMD进行了很多工作，ROCm软件和编译器简化了CUDA的迁移，并且在其芯片上加速数学库MlOpen（不要与OpenML混淆）。然而，目前AMD的GPU仍然至少落后NVIDIA V100产品一代，而V100推出已经接近两年了。

AMD是否有能力在7nm上与NVIDIA TensorCores竞争，还有待观察。AMD可能会决定更多地关注推理市场，可能推出自动驾驶汽车平台，类似NVIDIA Xavier SoC，时间会证明。

赛灵思

Xilinx 的FPGA在2018年表现出色，除了宣布其7nm的下一代架构外，还与微软、百度 、亚马逊、阿里巴巴、戴姆勒-奔驰等合作伙伴达成合作。在AI推理中，FPGA具有优于ASIC的优势，因为FPGA可以针对特定的应用进行即时重新配置。当基础技术快速变化时，这很重要，就像AI一样。

例如，微软展示了其FPGA（来自赛灵思和英特尔）如何在深度神经网络中对特定层，可以使用1bit，3bit或其它精度的数据。这可以大大加快处理速度，并减少延迟，同时降低功率。此外，即将推出的Xilinx 7nm芯片称为Versal，具有AI和DSP引擎，可加速特定应用程序处理以及自适应逻辑阵列。Versal将在今年的某个时候开出货，我认为这可能是推理处理的改变者。