“为了这点醋，包了一顿饺子”——AI芯片的落地之道

江湖上有一位赫赫有名的大师，曾经传授过一句口诀“站在风口上，猪都会飞”；当很多后起之秀凭借口诀能够御剑飞行时，其中最想请教大师的问题就是“在风口上飞起来了，但是要怎样“落地”。

当下的AI芯片创业公司都遇到这个问题，融资一轮又一轮，顶会论文一篇又一篇，PR一场接一场，流片一款又一款，现在最纠结问题还是怎么落地？对于AI产业来说，万物AI可能早晚都能实现，但是对于一个AI芯片公司，最重要的活着看到那一天，而芯片产品落地是活着的前提条件；

世界上本没有AI芯片，AI算法多了，便有了AI芯片；

AI算法出现后，业界发现原来CPU这种计算体系结构，效率太低，可用性极差，特别是在IOT端，都没有什么有效的解决办法；如果一个东西满足不了应用，那么就需要有更有效的计算架构来替代，DSA（领域专用架构）应运而生，这个就是AI芯片的缘起。

一位AI大师苦思冥想，悟道新算法；或者一个电路或者体系结构大师，苦思冥想，悟道新结构，他们不约而同做了一款AI芯片，可以在ISSCC/Hotchips等顶会上一鸣惊人；有效提升性能，降低存储代价，于是想做一个AI芯片公司；大体上，AI芯片分为云侧AI芯片和端侧AI芯片；云侧，用在数据中心；端侧，用在IOT，也被称为AIOT；，做AI芯片也面临两条路，端侧AI芯片和云侧AI芯片；AI大师觉得，如果芯片面积小，功耗低一点，就走端侧；面积大，性能高一点，那就走云侧；但这两条路的落地都充满挑战；

如果在云端：就是主CPU和AI芯片分离，AI芯片是专用的加速芯片，以加速卡的形式用于服务器上；而在端侧，需求截然不同，必须是一个完整的SOC；所有端侧AI芯片都是SOC，不存在不存在独立AI芯片的空间。AI芯片好比一个人的右脑，负责音乐，绘画，空间几何想象；但是用户对终端AI芯片的需求，是一个完整的人，不但需要右脑，还需要左脑（CPU）,五脏（其他功能模块），四肢（IO模块）等等，这些都齐备，这才能满足用户的需求；

以安防领域（智慧视觉）举例，IPC SOC 摄像头芯片，目前有好多AI公司计划在此方面发力，IPC SOC 芯片在AI芯片不存在时，就已经是业界相对标准的做法了；一个IPC SOC，由CPU，视频编解码模块（H.264/H.265）, 图像处理模块（ISP）,  音频编解码模块, 视频和图形处理模块，安全引擎，外围接口（mipi，ddr，I2S，USB，SDIO等等）组成，最后才是AI处理模块；

有AI模块的加入，支持神经网络加速，可以完成目标（人脸）检测与跟踪、场景识别，这个只是这个IPC SOC中其中一个较小的功能；AI是IPC SOC是一个特性（feature）；没有AI也是一个具备广泛应用IPC的SOC芯片，况且如果内嵌GPU的话，也能做不少AI的特性的工作；从中可以看出，在终端AI芯片侧，AI是辅助，上单、打野、中单、射手都是必须的，否则5V5根本赢不了比赛；

道生一，一生二，二生三，三生万物；

从AI大师悟道AI算法，到AI IP，现在到AI SOC芯片；一个比一个难；但还不是最难的，完成了整个软件解决方案SDK；这才达到了这个及格线；

道是AI算法，一是AI的IP，二是SOC芯片，三是软件方案SDK；

走到这一步才具备推广的基础，是万物皆可AI的前提；

既然万物可AI，那么AI就可以赋能传统行业，这个逻辑没有问题，那么有哪些传统行业可以被"赋能"，这个是AI落地的核心问题；

目前在终端侧AI，看的比较清楚的，一个是视频监控（安防），已经有很多玩家了；另一个是自动驾驶，也有很多玩家了；其他的领域还有哪些？

AI芯片公司就像《复仇者联盟》里的雷神托尔，拿着一把锤子（AI芯片），在所有行业，都砸一遍，看看有什么油水；俗话说，手里有一把锤子，看什么都是钉子；

智能眼镜，智能家电，自动驾驶，安防，智慧零售，能源勘探，智能硬件，所有的地方都要拿锤子敲一下；用AI芯片赋能传统行业，AI芯片这把锤子，不论看到什么有公司打算去砸两下；现在被AI这把锤子没有被敲过的传统行业已经不多了；

本来是要给传统行业赋能，结果要靠传统行业续命，这个就是很多AI芯片公司要面对的现实；“拿着锤子找钉子”是无奈之举，但是这个是一个有效的手段，AI芯片公司实际上花了很大力气来教育市场；但是能够产生价值的地方不多，更多的时候是被市场教育了；但是找到目标客户，尽快产生价值，一方面可以实现芯片及方案落地，另一方面可以实现AI芯片的快速迭代；

找到最擅长的落地场景，给客户提供一整套的解决方案，便于拿下商业合同，就需要变成所谓的行业解决方案专家；传统的芯片公司，都是提供芯片给方案厂家，方案厂家做成整机或者方案给用户，现在AI这一波潮流催生很多公司，一个是专门的AI方案厂家本身就不成熟，能够赚到钱的AI方案公司也不多，能出真金白银来采购芯片就更少；另一个方案厂家本身就直接开发AI芯片；搞得很多AI芯片公司只能去推方案；所以为了这瓶醋，不得已就得去包一盘饺子；

与终端AI芯片形态各异完全不同，云端AI芯片的形态非常类似，就是服务器插AI加速卡，接口目前是PCIE；同时都需要外接DRAM存储，原来直接DDR，现在都是直接HBM；总之，这个形态已经固定好了，就是在云数据中心领域，提供AI算力，看谁的芯片性能更高，适用性好，评价软件和标准都一套成熟的模式和框架；

目前NVIDIA的A100芯片，目前有826mm2, 采用TSMC 7nm工艺，通过这两个指标都来看，云端芯片面积大，制程工艺先进，因此可见，云端芯片的资金投入规模高,对芯片设计公司的技术挑战也非常之大；但是技术挑战虽大只是小问题，落地才是大问题；

这个领域已经被NVIDIA占据了；这个就是华山论剑；做出来就需要和NVIDIA正面碰撞；不论做出任何一款云端的AI芯片，客户就会灵魂三问：与NVIDIA的同款相比性能指标如何？功耗对比如何？适配AI算法如何？

如果芯片厂商说，孩子刚生出来，就要和业界大佬去比，这个太苛求了吧。但是云端客户为什么苛刻，非要和NVIDIA去比，因为这个领域的客户也是非常集中，并且很强势。世界范围内是亚马逊，谷歌，微软，阿里；国内是阿里云，腾讯云，华为云，天翼云，百度云，金山云，京东云等等。NVIDIA目前在云端的AI加速卡占据了95%以上的市场，如果他们要换解决方案，必然必须要比NVIDIA有优势，功耗，性能，价格，适配性等等，这个是绕不过去的。"利不百，不变法；功不十，不易器"，就是这个道理；

另一个取巧的方法，根据对云端业务的深入理解，避开NVIDIA的九阳神功，做云端AI的定制化，不采用类似NVIDIA可编程的SM（流处理器）的路线，走谷歌TPU的道路，不用支持所有的AI算法，不用可编程，只支持某些AI算法，走专用芯片路线，好处比较高效，比GPU更专用；功耗面积成本肯定对NVIDIA都有优势，这种做法的风险就是，AI领域每年都会有很多新的算法及特性出来，是一个不断发展进度的领域；如果不是高度灵活的可编程架构，今天的AI芯片船票，还能不能赶上明天客户应用的客船，就要打一个大大的问号？

还有一点不利的因素，不论是国外还是国内，很多云厂，一方面都用NVIDIA的解决方案，另一方面都在自己做芯片；谷歌的TPU，阿里的含光，华为的昇腾，百度的昆仑等等；最近的字节跳动也挤入了这个行业；不禁令人感叹，大厂做芯，有需求，有动力，已经蔚然成风，既是裁判又是运动员，云端AI芯片创业公司如何与之竞争？

虽然万物可AI，对于客户来讲，可能需要的AI场景值不值得投入很多钱，是一个大问题；例如客户需求就是一个MCU，原本就是一片几块钱的预算，带上AI功能后也不会偏差太多；对于AI公司来讲，如果在这个细分赛道上再提供详细解决方案，这点钱是否值得这么大的软件及方案投入是一个大大的问号？

以前有的公司做AI项目的时候，经常会收到各种定制需求，比如在废物回收领域，用户要用AI实现物品的分拣，就需要定制一套AI解决方案，这种例子不胜枚举。算法要实现，应该没有问题，但是用户不是需要一个AI算法或者芯片，而是一整套AI解决方案，开动这套方案软件的投入就更大；

到底为了这瓶醋，包盘饺子值不值？

AI芯片厂商高投入研发过后，却不知道自己的产品要卖给哪些客户或者说应用到哪些产品上，无法找到可持续性的落地场景。如果通过系统方案或者示范性项目，把芯片用上，让客户看到真正的价值，形成行业示范性应用案例，甚至推广规范，那就是非常值得的；在这个过程中，可以发现芯片的一些问题，同时为下一步芯片的迭代提供了方向，而AI应用则要通过数据来进行功能迭代，形成数据闭环迭代，一举数得，非常有效。

AI芯片细分赛道越来越多，天下大势，分久必合，合久必分；不可能每个赛道都有一颗AI芯片；量上不去，成本也cover不住；那么就是要聚类；对于AI芯片公司，不可能每个行业场景都要一套方案，需要认清自己的能力边界，成为细分行业的老大，才能真正站稳脚跟。推广过程中，用户会发现AI芯片公司对行业的理解远远不及用户，但是只有成为这个行业的专家，对行业背景的深入理解，才能够带给用户物超所值的解决方案，这个要求比传统的芯片公司对芯片的理解又更深了一层，也更难了一层；

AI的技术之风催熟了很多AI芯片公司，而AI的应用落地则是滞后的；当AI芯片脱离单纯讨论"技术能力"的范畴，如何能够教育市场，减少技术到应用的时间，把研发投入快速转换成销售和利润，是一个很有挑战的问题。因此瞄准万物AI的目标，催化整个AI的应用落地；"为了这瓶醋，而包一顿饺子"的方法在目前阶段也不失一个解决之道；