英特尔2017芯片销量破10亿美元大关,“中国芯”该怎么办?

据路透社消息称,英特尔公司在2017年人工智能处理器芯片的销量达到了10亿美元,这是英特尔首次披露该领域的营收。当然,10亿美元的数字可能还是保守估计的,因为它只包括CPU,而不包括其他产品线。

英特尔数据中心主管纳文·谢诺伊(Navin Shenoy)表示,过去几年,英特尔已经成功升级了CPU,使其在人工智能培训方面的能力提高200多倍。这使得Xeon处理器在2017年的销售额达到10亿美元——而公司去年的总收入为628亿美元。

在2018中国半导体市场年会上,清华大学微电子所所长魏少军教授曾表示,“不管有什么好的AI算法,要想最终得到应用,就必然要通过芯片来实现。”

随着如今AI在各个领域的发展,AI芯片作为技术落地的核心开始成为各大公司的发展方向。

PC的销售停滞不前后,英特尔开始转向对芯片的研发,并以领先的技术成为世界第二大芯片制造商。但是由于越来越多芯片公司不断地发展,芯片的技术竞争越来越激烈,巴克莱(Barclays)表示,英特尔在芯片行业的技术领先地位也正在变得越来越不确定。

不少分析师还担心,英特尔将最新一代芯片推迟到2020年发布,这会使得其市场份额会被竞争对手AMD公司(AMD.O)夺走。有分析师预计,AMD计划在明年推出芯片之间的微小7纳米芯片。而一般来说,较小的纳米技术使得公司能够创造出更快、更节能的芯片。

而另一个备受关注的芯片制造商无疑是以手机芯片骁龙系列为主的高通了。

据Anandtech 的消息表示,高通公司宣布推出骁龙(Snapdragon) 600 系列的新品,骁龙 660 的后续产品 ── 高通骁龙 670 处理平台。 

高通声称,这款升级后的 CPU 将比其前代产品提供高出 15% 的性能。GPU 方面,高通骁龙 670 集成新Adreno 615,略低于骁龙 710。

在性能上,高通骁龙 670 比 660 提升 25%。而 670 的 DSP 和 ISP 在设计方面与 710 相同。最高支持8GB LPDDR4X 内存,集成 X12 LTE 基带。目前骁龙670已经出货,但还不知道哪一款智能手机将率先使用这款芯片。

早前,苹果公司曾是高通公司的合作伙伴之一。但随着两家公司之间的矛盾不断激发,苹果开始引入英特尔作为新的供应商,与高通“分手”。当然,作为智能手机技术研发的领导者,苹果又怎么可能不在芯片上发力呢?

市场研究机构Counerpoint Research发布的市场调查报道显示,手机芯片市场中,高通第一,苹果第二,联发科第三。而苹果的上榜靠的是较为单一的A系列的产品线,实属不易,其中的实力可想而知。

目前苹果芯片最新的型号是搭载在iPhone X上的A11,苹果称A11仿生芯片内部的CPU、GPU、性能控制器、神经网络单元、ISP等都是自主设计研发。为了研发这款芯片,苹果公司早在2010年就开始招兵买马,并不惜买下了数十家人工智能公司。

还有数据显示,苹果预计2018年的研发费用高达140亿美元,在4年时间里增长了近2倍,占营收比例达到了14年来最高水平。甚至有最新消息称,苹果将在9月发布新的芯片A12,看来即将发布的三款iPhone的性能将远超于iPhone X了。

如今AI芯片遍地开花,在国际巨头不断推出新产品的同时,国内的大佬们自然也不甘落后,国内百度、阿里等纷纷布局这一领域。另外,寒武纪等AI芯片创业公司也随之诞生。

在今年的百度AI开发者大会上,李彦宏就发布了由百度自主研发的中国首款云端全功能AI芯片——“昆仑”。据悉,“昆仑”是迄今为止业内设计算力最高的AI芯片,可高效地同时满足训练和推断的需求。除了常用深度学习算法等云端需求,还能适配诸如自然语言处理、大规模语音识别自动驾驶、大规模推荐等具体终端场景的计算需求。

如今中国在CPU、GPU等传统芯片领域与国际相差较多,国产的AI芯片被寄望能实现弯道超车。

中国是半导体的最大消费国,占全球芯片需求量的45%,供内需与外销之用。然而由于中国的集成电路公司较晚进入市场,中国90%以上的芯片需求仰赖进口集成电路。

李彦宏之前也曾表示,中国改革开放40年来,在企业的发展过程当中,对于高端芯片而言,其实一直依赖进口,是一代IT人心中永远的痛。

目前,无厂半导体公司正在中国崛起,但也只是参与芯片设计和销售。比如,国内最大的半导体设计公司之一的海思,以及展讯就是这样的企业。

当然也有一些生产技术成熟的晶圆代工厂,如上海华力微电子、中芯国际、武汉新芯等公司。随着三星、台积电、德州仪器等国际公司纷纷在中国设厂,一个真正的技术集群区正逐步形成,而国内大晶圆厂可望因此而受益。

不过还有一个问题是, 在AI概念普及之后,各方都在寻找商业模式,期待AI技术尽快落地,但目前大部分的AI创业公司处于依靠融资烧钱阶段,AI芯片也变成了这些公司技术落地的一种方式,这个市场就变得更加地鱼龙混杂。

为此,有业内人士表示,AI芯片行业将迎来整合并购时期,也让大家更清楚地看清做芯片的难度。

声学在线
声学在线

产业英特尔
1
相关数据
深度学习技术

深度学习(deep learning)是机器学习的分支,是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。 深度学习是机器学习中一种基于对数据进行表征学习的算法,至今已有数种深度学习框架,如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

自动驾驶技术技术

从 20 世纪 80 年代首次成功演示以来(Dickmanns & Mysliwetz (1992); Dickmanns & Graefe (1988); Thorpe et al. (1988)),自动驾驶汽车领域已经取得了巨大进展。尽管有了这些进展,但在任意复杂环境中实现完全自动驾驶导航仍被认为还需要数十年的发展。原因有两个:首先,在复杂的动态环境中运行的自动驾驶系统需要人工智能归纳不可预测的情境,从而进行实时推论。第二,信息性决策需要准确的感知,目前大部分已有的计算机视觉系统有一定的错误率,这是自动驾驶导航所无法接受的。

神经网络技术

(人工)神经网络是一种起源于 20 世纪 50 年代的监督式机器学习模型,那时候研究者构想了「感知器(perceptron)」的想法。这一领域的研究者通常被称为「联结主义者(Connectionist)」,因为这种模型模拟了人脑的功能。神经网络模型通常是通过反向传播算法应用梯度下降训练的。目前神经网络有两大主要类型,它们都是前馈神经网络:卷积神经网络(CNN)和循环神经网络(RNN),其中 RNN 又包含长短期记忆(LSTM)、门控循环单元(GRU)等等。深度学习是一种主要应用于神经网络帮助其取得更好结果的技术。尽管神经网络主要用于监督学习,但也有一些为无监督学习设计的变体,比如自动编码器和生成对抗网络(GAN)。

语音识别技术

自动语音识别是一种将口头语音转换为实时可读文本的技术。自动语音识别也称为语音识别(Speech Recognition)或计算机语音识别(Computer Speech Recognition)。自动语音识别是一个多学科交叉的领域,它与声学、语音学、语言学、数字信号处理理论、信息论、计算机科学等众多学科紧密相连。由于语音信号的多样性和复杂性,目前的语音识别系统只能在一定的限制条件下获得满意的性能,或者说只能应用于某些特定的场合。自动语音识别在人工智能领域占据着极其重要的位置。

自然语言处理技术

自然语言处理(英语:natural language processing,缩写作 NLP)是人工智能和语言学领域的分支学科。此领域探讨如何处理及运用自然语言;自然语言认知则是指让电脑“懂”人类的语言。自然语言生成系统把计算机数据转化为自然语言。自然语言理解系统把自然语言转化为计算机程序更易于处理的形式。

推荐文章
暂无评论
暂无评论~