这是一篇guest post。本文所表达的观点仅仅是作者的观点，并不代表IEEE Spectrum或IEEE。

当谈到人工智能的计算密集型领域时，硬件供应商正在恢复我们在摩尔定律最高峰时所享受的性能提升。这些成果来自新一代专门针对深度学习等人工智能应用的芯片。但是，正在出现的零散的微芯片市场将给开发者带来一些艰难的选择。

人工智能芯片专业化的新时代开始于最初为游戏开发的图形处理单元（GPU），被部署用于深度学习等应用程序。同样的体系结构使得GPU呈现真实的图像，也使得它们能够比中央处理器（CPU）更有效地处理数据。2007年，Nvidia发布了CUDA，这是一个使GPU以通用方式可编程的工具包，这是向前迈出的一大步。

人工智能研究人员需要在处理深度学习前所未有的计算需求时所能获得的所有优势。GPU处理能力发展迅速，最初设计用来渲染图像的芯片已经成为推动改变世界的人工智能研究和开发的主力军。许多使Fortnite以每秒120帧的速度运行所必需的线性代数例程现在正在为神经网络提供动力，这些神经网络是计算机视觉、自动语音识别和自然语言处理等尖端应用的核心。

现在，微芯片专业化的趋势正在变成军备竞赛。Gartner预计，人工智能专用芯片的销售额将在2019年翻一番，达到80亿美元左右，到2023年将达到340亿美元以上。Nvidia的内部预测显示，在同一时间段内，数据中心GPU（几乎只用于推动深度学习）的市场价值为500亿美元。在接下来的五年里，我们将看到亚马逊、ARM、苹果、IBM、英特尔、谷歌、微软、英伟达、高通等公司在定制硅领域的大规模投资取得了成果。在这一组合中也有许多初创公司。Crunchbase估计，包括Minebras、Graphcore、Groq、Mythic ai、Sambanova Systems和Wave Computing在内的人工智能芯片公司共筹集了超过10亿美元的资金。

显然，专业化的人工智能芯片既重要又受欢迎，因为它们是将尖端人工智能研究转化为现实应用的催化剂。然而，新的人工智能芯片的洪流，似乎也将像是企业软件崛起的倒退。我们可以期待残酷的销售协议和软件专业化，旨在锁定开发人员只与一个供应商合作。

想象一下，15年前，云服务AWS、Azure、Box、Dropbox和GCP都在12到18个月内上市。他们的任务是尽可能多地锁定业务，因为一旦你在一个平台上，就很难切换到另一个平台上。这种类型的最终用户淘金热将在人工智能中发生，数百亿美元和无价的研究处于危险之中。

芯片制造商不会缺乏承诺，而且收益将是实实在在的。但是，对于人工智能开发者来说，重要的是要理解。在大多数情况下，人工智能模型不会在不同的芯片制造商之间移动。开发人员很清楚采用更高级别的云API所带来的供应商锁定风险，但在过去，实际的计算底层已经被标准化和同构化。在人工智能发展的世界里，这种情况将发生巨大的变化。

很有可能，超过一半的芯片行业收入很快将由人工智能和深度学习应用程序驱动。正如软件产生更多的软件，人工智能产生更多的人工智能。我们见过很多次：公司最初只关注一个问题，但最终解决了很多问题。例如，主要的汽车制造商正在努力将自主汽车带到道路上，他们在深度学习和计算机视觉方面的前沿工作已经产生了级联效应；这项研究正导致福特的送货机器人等分支项目。

随着专业的人工智能芯片上市，目前的芯片巨头和主要云计算公司可能会达成独家协议或收购表现最佳的初创公司。这一趋势将打破人工智能市场，而不是统一它。人工智能开发人员现在所能做的就是了解将要发生的事情，并计划如何权衡更快芯片的好处和构建新架构的成本。

Evan Sparks是Detered AI的首席执行官。他拥有加州大学伯克利分校的计算机科学博士学位，他的研究集中在数据分析和机器学习的分布式系统上。

*免责声明：本文由作者原创。文章内容系作者个人观点，半导体行业观察转载仅为了传达一种不同的观点，不代表半导体行业观察对该观点赞同或支持，如果有任何异议，欢迎联系半导体行业观察。

『本文转载自网络，版权归原作者所有，如有侵权请联系删除』