深度學(xué)習(xí)作為新一代計算模式，近年來，其所取得的前所未有的突破掀起了人工智能新一輪發(fā)展熱潮。深度學(xué)習(xí)本質(zhì)上是多層次的人工神經(jīng)網(wǎng)絡(luò)算法，即模仿人腦的神經(jīng)網(wǎng)絡(luò)，從最基本的單元上模擬了人類大腦的運行機(jī)制。由于人類大腦的運行機(jī)制與計算機(jī)有著鮮明的不同，深度學(xué)習(xí)與傳統(tǒng)計算模式有非常大的差別。

　　深度學(xué)習(xí)的人工神經(jīng)網(wǎng)絡(luò)算法與傳統(tǒng)計算模式不同，它能夠從輸入的大量數(shù)據(jù)中自發(fā)的總結(jié)出規(guī)律，從而舉一反三，泛化至從未見過的案例中。因此，它不需要人為的提取所需解決問題的特征或者總結(jié)規(guī)律來進(jìn)行編程。人工神經(jīng)網(wǎng)絡(luò)算法實際上是通過大量樣本數(shù)據(jù)訓(xùn)練建立了輸入數(shù)據(jù)和輸出數(shù)據(jù)之間的映射關(guān)系，其最直接的應(yīng)用是在分類識別方面。例如訓(xùn)練樣本的輸入是語音數(shù)據(jù)，訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)實現(xiàn)的功能就是語音識別，如果訓(xùn)練樣本輸入是人臉圖像數(shù)據(jù)，訓(xùn)練后實現(xiàn)的功能就是人臉識別。

　　傳統(tǒng)計算機(jī)軟件是程序員根據(jù)所需要實現(xiàn)的功能原理編程，輸入至計算機(jī)運行即可，其計算過程主要體現(xiàn)在執(zhí)行指令這個環(huán)節(jié)。而深度學(xué)習(xí)的人工神經(jīng)網(wǎng)絡(luò)算法包含了兩個計算過程：

　　1、用已有的樣本數(shù)據(jù)去訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)；

　　2、用訓(xùn)練好的人工神經(jīng)網(wǎng)絡(luò)去運行其它數(shù)據(jù)。 這種差別提升了對訓(xùn)練數(shù)據(jù)量和并行計算能力的需求，降低了對人工理解功能原理的要求。

　　傳統(tǒng)計算架構(gòu)無法支撐深度學(xué)習(xí)的海量數(shù)據(jù)并行運算

　　根據(jù)上文的分析我們可以看到，深度學(xué)習(xí)與傳統(tǒng)計算模式最大的區(qū)別就是不需要編程，但需要海量數(shù)據(jù)并行運算。

　　傳統(tǒng)處理器架構(gòu)（包括x86 和ARM 等）往往需要數(shù)百甚至上千條指令才能完成一個神經(jīng)元的處理，因此無法支撐深度學(xué)習(xí)的大規(guī)模并行計算需求。

　　為什么傳統(tǒng)計算架構(gòu)無法支撐深度學(xué)習(xí)的大規(guī)模并行計算需求？因為傳統(tǒng)計算架構(gòu)計算資源有限。

　　傳統(tǒng)計算架構(gòu)一般由中央運算器（執(zhí)行指令計算）、中央控制器（讓指令有序執(zhí)行）、內(nèi)存 （存儲指令）、輸入（輸入編程指令）和輸出（輸出結(jié)果）五個部分構(gòu)成，其中中央運算器和中央控制器集成一塊芯片上構(gòu)成了我們今天通常所講的 CPU。

　　我們從CPU 的內(nèi)部結(jié)構(gòu)可以看到：實質(zhì)上僅單獨的 ALU 模塊（邏輯運算單元）是用來完成指令數(shù)據(jù)計算的，其他各個模塊的存在都是為了保證指令能夠一條接一條的有序執(zhí)行。這種通用性結(jié)構(gòu)對于傳統(tǒng)的編程計算模式非常適合，同時可以通過提升CPU 主頻（提升單位時間執(zhí)行指令速度）來提升計算速度。

　　但對于并不需要太多的程序指令，卻需要海量數(shù)據(jù)運算的深度學(xué)習(xí)的計算需求，這種結(jié)構(gòu)就顯得非常笨拙。尤其是在目前功耗限制下無法通過提升CPU 主頻來加快指令執(zhí)行速度，這種矛盾愈發(fā)不可調(diào)和。因此，深度學(xué)習(xí)需要更適應(yīng)此類算法的新的底層硬件來加速計算過程，也就是說，新的硬件對我們加速深度學(xué)習(xí)發(fā)揮著非常重要的作用。目前主要的方式是使用已有的GPU、FPGA 等通用芯片。

　　新計算平臺生態(tài)正在建立

　　GPU 因其并行計算優(yōu)勢最先被引入深度學(xué)習(xí)

　　GPU作為應(yīng)對圖像處理需求而出現(xiàn)的芯片，其海量數(shù)據(jù)并行運算的能力與深度學(xué)習(xí)需求不謀而合，因此，被最先引入深度學(xué)習(xí)。

　　2011 年吳恩達(dá)率先將其應(yīng)用于谷歌大腦中便取得驚人效果，結(jié)果表明12 顆NVIDIAD 的GPU 可以提供相當(dāng)于2000 顆CPU 的深度學(xué)習(xí)性能，之后紐約大學(xué)、多倫多大學(xué)以及瑞士人工智能實驗室的研究人員紛紛在GPU 上加速其深度神經(jīng)網(wǎng)絡(luò)。

　　英偉達(dá)（Nvidia）是全球可編程圖形處理技術(shù)的領(lǐng)軍企業(yè)，公司的核心產(chǎn)品是GPU 處理器。

　　英偉達(dá)通過GPU 在深度學(xué)習(xí)中體現(xiàn)的出色性能迅速切入人工智能領(lǐng)域，又通過打造NVIDIA CUDA 平臺大大提升其編程效率、開放性和豐富性，建立了包含CNN、DNN、深度感知網(wǎng)絡(luò)、RNN、LSTM 以及強(qiáng)化學(xué)習(xí)網(wǎng)絡(luò)等算法的平臺。

　　根據(jù)英偉達(dá)公開宣布的消息來看，在短短兩年里，與NVIDIA 在深度學(xué)習(xí)方面展開合作的企業(yè)便激增了近35 倍，增至3，400 多家企業(yè)，涉及醫(yī)療、生命科學(xué)、能源、金融服務(wù)、汽車、制造業(yè)以及娛樂業(yè)等多個領(lǐng)域。

　　英偉達(dá)針對各類智能計算設(shè)備開發(fā)對應(yīng)GPU，使得深度學(xué)習(xí)可以滲透各種類型的智能機(jī)器

　　IT 巨頭爭相開源人工智能平臺

　　深度學(xué)習(xí)系統(tǒng)一方面需要利用龐大的數(shù)據(jù)對其進(jìn)行訓(xùn)練，另一方面系統(tǒng)中存在上萬個參數(shù)需要調(diào)整。

　　IT 巨頭開源人工智能平臺，旨在調(diào)動更多優(yōu)秀的工程師共同參與發(fā)展其人工智能系統(tǒng)。開放的開發(fā)平臺將帶來下游應(yīng)用的蓬勃發(fā)展。最典型的例子就是谷歌開源安卓平臺，直接促成下游移動互聯(lián)網(wǎng)應(yīng)用的空前繁榮。

　　開源人工智能平臺可以增強(qiáng)云計算業(yè)務(wù)的吸引力和競爭力

　　以谷歌為例，用戶使用開源的TensorFlow 平臺訓(xùn)練和導(dǎo)出自己所需要的人工智能模型，然后就可直接把模型導(dǎo)入TensorFlow Serving 對外提供預(yù)測類云服務(wù)，相當(dāng)于TensorFlow 系列把整個用深度學(xué)習(xí)模型對外提供服務(wù)的方案全包了。

　　實質(zhì)上是將開源深度學(xué)習(xí)工具用戶直接變?yōu)槠湓朴嬎惴?wù)的用戶，包括阿里、亞馬遜在內(nèi)的云計算服務(wù)商都將機(jī)器學(xué)習(xí)平臺嵌入其中作為增強(qiáng)其競爭實力和吸引更多用戶的方式。

　　2015 年以來，全球人工智能頂尖巨頭均爭向開源自身最核心的人工智能平臺，各種開源深度學(xué)習(xí)框架層出不窮，其中包括：Caffe、CNTK、MXNet、Neon、TensorFlow、Theano 和 Torch等。

　　人工智能催生新一代專用計算芯片

　　回顧計算機(jī)行業(yè)發(fā)展史，新的計算模式往往催生新的專用計算芯片。人工智能時代新計算的強(qiáng)大需求，正在催生出新的專用計算芯片。

　　GPU 及其局限性

　　目前以深度學(xué)習(xí)為代表的人工智能新計算需求，主要采用GPU、FPGA 等已有適合并行計算的通用芯片來實現(xiàn)加速。

　　在產(chǎn)業(yè)應(yīng)用沒有大規(guī)模興起之時，使用這類已有的通用芯片可以避免專門研發(fā)定制芯片（ASIC）的高投入和高風(fēng)險，但是，由于這類通用芯片設(shè)計初衷并非專門針對深度學(xué)習(xí)，因而，天然存在性能、功耗等方面的瓶頸。隨著人工智能應(yīng)用規(guī)模的擴(kuò)大，這類問題將日益突出。

　　GPU 作為圖像處理器，設(shè)計初衷是為了應(yīng)對圖像處理中需要大規(guī)模并行計算。因此，其在應(yīng)用于深度學(xué)習(xí)算法時，有三個方面的局限性：

　　第一， 應(yīng)用過程中無法充分發(fā)揮并行計算優(yōu)勢。深度學(xué)習(xí)包含訓(xùn)練和應(yīng)用兩個計算環(huán)節(jié)，GPU 在深度學(xué)習(xí)算法訓(xùn)練上非常高效，但在應(yīng)用時一次性只能對于一張輸入圖像進(jìn)行處理， 并行度的優(yōu)勢不能完全發(fā)揮。

　　第二， 硬件結(jié)構(gòu)固定不具備可編程性。深度學(xué)習(xí)算法還未完全穩(wěn)定，若深度學(xué)習(xí)算法發(fā)生大的變化，GPU 無法像FPGA 一樣可以靈活的配置硬件結(jié)構(gòu)。

　　第三， 運行深度學(xué)習(xí)算法能效遠(yuǎn)低于FPGA。學(xué)術(shù)界和產(chǎn)業(yè)界研究已經(jīng)證明，運行深度學(xué)習(xí)算法中實現(xiàn)同樣的性能，GPU 所需功耗遠(yuǎn)大于FPGA，例如國內(nèi)初創(chuàng)企業(yè)深鑒科技基于FPGA 平臺的人工智能芯片在同樣開發(fā)周期內(nèi)相對GPU 能效有一個數(shù)量級的提升。

　　FPGA 及其局限性

　　FPGA，即現(xiàn)場可編輯門陣列，是一種新型的可編程邏輯器件。其設(shè)計初衷是為了實現(xiàn)半定制芯片的功能，即硬件結(jié)構(gòu)可根據(jù)需要實時配置靈活改變。

　　研究報告顯示，目前的FPGA市場由Xilinx 和Altera 主導(dǎo)，兩者共同占有85%的市場份額，其中Altera 在2015 年被intel以167 億美元收購（此交易為 intel 有史以來涉及金額最大的一次收購案例），另一家Xilinx則選擇與IBM 進(jìn)行深度合作，背后都體現(xiàn)了 FPGA 在人工智能時代的重要地位。

　　盡管 FPGA 倍受看好，甚至新一代百度大腦也是基于FPGA 平臺研發(fā)，但其畢竟不是專門為了適用深度學(xué)習(xí)算法而研發(fā)，實際仍然存在不少局限：

　　第一，基本單元的計算能力有限。為了實現(xiàn)可重構(gòu)特性，F(xiàn)PGA 內(nèi)部有大量極細(xì)粒度的基本單元，但是每個單元的計算能力（主要依靠LUT 查找表）都遠(yuǎn)遠(yuǎn)低于CPU 和GPU 中的ALU模塊。

　　第二，速度和功耗相對專用定制芯片（ASIC）仍然存在不小差距。

　　第三，F(xiàn)PGA 價格較為昂貴，在規(guī)模放量的情況下單塊FPGA 的成本要遠(yuǎn)高于專用定制芯片。

　　人工智能定制芯片是大趨勢，從發(fā)展趨勢上看，人工智能定制芯片將是計算芯片發(fā)展的大方向：

　　第一， 定制芯片的性能提升非常明顯。

　　例如 NVIDIA 首款專門為深度學(xué)習(xí)從零開始設(shè)計的芯片Tesla P100 數(shù)據(jù)處理速度是其2014 年推出GPU 系列的12 倍。

　　谷歌為機(jī)器學(xué)習(xí)定制的芯片TPU 將硬件性能提升至相當(dāng)于按照摩爾定律發(fā)展7 年后的水平。需要指出的是這種性能的飛速提升對于人工智能的發(fā)展意義重大。

　　中國科學(xué)院計算所研究員、 寒武紀(jì)深度學(xué)習(xí)處理器芯片創(chuàng)始人陳云霽博士在《中國計算機(jī)學(xué)會通訊》上撰文指出：通過設(shè)計專門的指令集、微結(jié)構(gòu)、人工神經(jīng)元電路、存儲層次，有可能在3~5 年內(nèi)將深度學(xué)習(xí)模型的類腦計算機(jī)的智能處理效率提升萬倍（相對于谷歌大腦）。

　　提升萬倍的意義在于，可以把谷歌大腦這樣的深度學(xué)習(xí)超級計算機(jī)放到手機(jī)中，幫助我們本地、實時完成各種圖像、語音和文本的理解和識別；更重要的是，具備實時訓(xùn)練的能力之后，就可以不間斷地通過觀察人的行為不斷提升其能力，成為我們生活中離不開的智能助理。

　　第二， 下游需求量足夠攤薄定制芯片投入的成本。

　　人工智能的市場空間將不僅僅局限于計算機(jī)、手機(jī)等傳統(tǒng)計算平臺，從無人駕駛汽車、無人機(jī)再到智能家居的各類家電，至少數(shù)十倍于智能手機(jī)體量的設(shè)備需要引入感知交互能力。

　　而出于對實時性的要求以及訓(xùn)練數(shù)據(jù)隱私等考慮，這些能力不可能完全依賴云端，必須要有本地的軟硬件基礎(chǔ)平臺支撐。僅從這一角度考慮，人工智能定制芯片需求量就將數(shù)十倍于智能手機(jī)。

　　第三， 通過算法切入人工智能領(lǐng)域的公司希望通過芯片化、產(chǎn)品化來盈利。

　　目前通過算法切入人工智能領(lǐng)域的公司很多，包括采用語音識別、圖像識別、ADAS（高級駕駛輔助系統(tǒng)） 等算法的公司。由于它們提供的都是高頻次、基礎(chǔ)性的功能服務(wù)，因此，僅僅通過算法來實 現(xiàn)商業(yè)盈利往往會遇到瓶頸。通過將各自人工智能核心算法芯片化、產(chǎn)品化，則不但提升了原有性能，同時也有望為商業(yè)盈利鋪平道路。

　　目前包括 Mobileye、商湯科技、地平線機(jī)器人等著名人工智能公司都在進(jìn)行核心算法芯片化的工作。

　　目前為人工智能專門定制芯片的大潮已經(jīng)開始逐步顯露，英偉達(dá)在今年宣布研發(fā)投入超過20億美元用于深度學(xué)習(xí)專用芯片，而谷歌為深度學(xué)習(xí)定制的TPU 芯片甚至已經(jīng)秘密運行一年，該芯片直接支撐了震驚全球的人機(jī)圍棋大戰(zhàn)。我國的寒武紀(jì)芯片也計劃于今年開始產(chǎn)業(yè)化。人機(jī)圍棋大戰(zhàn)中的谷歌“阿爾法狗”（AlphaGo） 使用了約 170 個圖形處理器（GPU）和 1200 個中央處理器（CPU），這些設(shè)備需要占用一個機(jī)房，還要配備大功率的空調(diào)，以及多名專家進(jìn)行系統(tǒng)維護(hù)。AlphaGo 目前用的芯片數(shù)量，將來如果換成中國人研制的“寒武紀(jì)”架構(gòu)的芯片，估計一個小盒子就全裝下了。這意味著“阿爾法狗”將可以跑得更快些。

　　人工智能專用芯片的涌現(xiàn)表明從芯片層面開啟的新一輪計算模式變革拉開帷幕，是人工智能產(chǎn)業(yè)正式走向成熟的拐點。

　　人工智能芯片發(fā)展路線圖

　　設(shè)計芯片的目的是從加速深度學(xué)習(xí)算法到希望從底層結(jié)構(gòu)模擬人腦來更好實現(xiàn)智能。

　　目前人工智能芯片涵蓋了基于FPGA 的半定制、針對深度學(xué)習(xí)算法的全定制、類腦計算芯片三個階段。

　　基于FPGA 的半定制人工智能芯片在芯片需求還未成規(guī)模、深度學(xué)習(xí)算法暫未穩(wěn)定需要不斷迭代改進(jìn)的情況下，利用具備可重構(gòu)特性的FPGA 芯片來實現(xiàn)半定制的人工智能芯片是最佳選擇。這類芯片中的杰出代表是國內(nèi)初創(chuàng)公司深鑒科技，該公司設(shè)計了“深度學(xué)習(xí)處理單元”（Deep Processing Unit，DPU）的芯片，希望以ASIC 級別的功耗來達(dá)到優(yōu)于GPU 的性能，其第一批產(chǎn)品就是基于FPGA 平臺。這種半定制芯片雖然依托于FPGA 平臺，但是利用抽象出了指令集與編譯器，可以快速開發(fā)、快速迭代，與專用的FPGA 加速器產(chǎn)品相比，也具有非常明顯的優(yōu)勢。

　　針對深度學(xué)習(xí)算法的全定制人工智能芯片

　　這類芯片是完全采用ASIC 設(shè)計方法全定制，性能、功耗和面積等指標(biāo)面向深度學(xué)習(xí)算法都做到了最優(yōu)。谷歌的TPU 芯片、我國中科院計算所的寒武紀(jì)深度學(xué)習(xí)處理器芯片就是這類芯片的典型代表。

　　以寒武紀(jì)處理器為例，目前寒武紀(jì)系列已包含三種原型處理器結(jié)構(gòu)：

　　寒武紀(jì)1 號（英文名DianNao，面向神經(jīng)網(wǎng)絡(luò)的原型處理器結(jié)構(gòu)）、寒武紀(jì)2 號（英文名 DaDianNao，面向大規(guī)模神經(jīng)網(wǎng)絡(luò)）、寒武紀(jì)3 號（英文名 PuDianNao，面向多種深度學(xué)習(xí)算法）。

　　其中寒武紀(jì)2 號在28nm 工藝下主頻為606MHz，面積67.7 mm2，功耗約16W。其單芯片性能超過了主流GPU 的21 倍，而能耗僅為主流GPU 的1/330。64 芯片組成的高效能計算系統(tǒng)較主流GPU 的性能提升甚至可達(dá)450 倍，但總能耗僅為1/150。

　　第三階段：類腦計算芯片這類芯片的設(shè)計目的不再局限于僅僅加速深度學(xué)習(xí)算法，而是在芯片基本結(jié)構(gòu)甚至器件層面上希望能夠開發(fā)出新的類腦計算機(jī)體系結(jié)構(gòu)，比如會采用憶阻器和 ReRAM 等新器件來提高存儲密度。

　　這類芯片的研究離成為市場上可以大規(guī)模廣泛使用的成熟技術(shù)還有很大的差距，甚至有很大的風(fēng)險，但是長期來看類腦芯片有可能會帶來計算體系的革命。這類芯片的典型代表是IBM 的TrueNorth 芯片。

　　TrueNorth 處理器由54 億個連結(jié)晶體管組成，構(gòu)成了包含100 萬個數(shù)字神經(jīng)元陣列，這些神經(jīng)元又可通過2.56 億個電突觸彼此通信。該芯片采用跟傳統(tǒng)馮諾依曼不一樣的結(jié)構(gòu)，將內(nèi)存、處理器單元和通信部件完全集成在一起，因此信息的處理完全在本地進(jìn)行，而且由于本地處理的數(shù)據(jù)量并不大，傳統(tǒng)計算機(jī)內(nèi)存與CPU之間的瓶頸不復(fù)存在。同時神經(jīng)元之間可以方便快捷地相互溝通，只要接收到其他神經(jīng)元發(fā)過來的脈沖（動作電位），這些神經(jīng)元就會同時做動作實現(xiàn)事件驅(qū)動的異步電路特性。由于不需要同步時鐘該芯片功耗極低：16 個TrueNorth 芯片的功耗僅為2.5 瓦，僅與平板電腦相當(dāng)。

　　類腦計算芯片市場空間巨大

　　據(jù)預(yù)測，包含消費終端的類腦計算芯片市場將在2022 年以前達(dá)到千億美元的規(guī)模，其中消費終端是最大市場，占整體98.17%，其它需求包括工業(yè)檢測、航空、軍事與國防等領(lǐng)域。

　　核心芯片是人工智能時代的戰(zhàn)略制高點

　　核心芯片將決定一個新的計算時代的基礎(chǔ)架構(gòu)和未來生態(tài)，因此，谷歌、微軟、IBM、Facebook等全球IT 巨頭都投巨資加速人工智能核心芯片的研發(fā)，旨在搶占新計算時代的戰(zhàn)略制高點，掌控人工智能時代主導(dǎo)權(quán)。

　　回顧在PC 和移動互聯(lián)網(wǎng)時代分別處于霸主地位的X86 架構(gòu)和ARM 架構(gòu)的發(fā)展歷程，可以看到：從源頭上掌控核心芯片架構(gòu)取得先發(fā)優(yōu)勢，對于取得一個新計算時代主導(dǎo)權(quán)有多么重要。

　　英特爾X86 處理器芯片壟斷PC 時代

　　計算機(jī)指令集架構(gòu)可以分為復(fù)雜指令集（CISC）和精簡指令集（RISC）兩種。PC 時代處于壟斷地位的X86 架構(gòu)就是屬于復(fù)雜指令集。復(fù)雜指令集在處理復(fù)雜指令上具備先天優(yōu)勢，但同時也存在設(shè)計復(fù)雜、難以流水作業(yè)、高功耗的問題。實質(zhì)上精簡指令集正是上世紀(jì)80 年代 針對復(fù)雜指令集缺點設(shè)計出來的，學(xué)術(shù)界當(dāng)時一致認(rèn)為精簡指令集更為領(lǐng)先。

　　但是PC 時代的芯片霸主英特爾早在精簡指令集發(fā)明之前的處理器芯片8086 就采用了復(fù)雜指令集的X86架構(gòu)，在后續(xù)的80286、80386 等系列處理器芯片繼續(xù)采用兼容的X86 架構(gòu)，同時加強(qiáng)每一代處理器對上層軟件的兼容，并與微軟建立了 Wintel 聯(lián)盟牢牢支撐整個PC 的應(yīng)用生態(tài)。

　　習(xí)慣了使用英特爾X86 處理器的軟件公司不再愿意使用其他架構(gòu)的處理器，即使它們的性能更好。其結(jié)果就是：上世紀(jì)90 年代幾乎只有英特爾一家公司堅持開發(fā)X86 架構(gòu)的處理器，卻戰(zhàn)勝了MIPS、PowerPC、IBM、HP、DEC 等及其他各家精簡指令集的處理器，X86 架構(gòu)牢牢掌控了PC 時代的主導(dǎo)權(quán)。

　　ARM 成為移動互聯(lián)網(wǎng)時代的霸主

　　移動互聯(lián)網(wǎng)時代，英特爾并沒有延續(xù)其在PC 時代的優(yōu)勢，而是一家此前名不見經(jīng)傳的英國芯片設(shè)計公司ARM 成為壟斷移動處理器芯片的新霸主。

　　ARM 的成功有三方面的原因：

　　第一， ARM 在20 世紀(jì)90 年代初為蘋果公司設(shè)計CPU 起家（ARM 是由 Acorn、蘋果和VLSI Technology 聯(lián)合出資成立），因而其在智能手機(jī)革命開啟之初就進(jìn)入了這個快速成長的市場，與蘋果的關(guān)系奠定了其架構(gòu)在移動處理器市場先發(fā)優(yōu)勢。

　　第二， ARM 處理器隸屬于精簡指令架構(gòu)，相對于復(fù)雜指令架構(gòu)的X86 處理器天然具備低功耗優(yōu)勢，而這在移動市場極為重要。

　　第三， ARM 創(chuàng)造了只授權(quán)核心設(shè)計IP 不生產(chǎn)芯片的商業(yè)模式，迅速拉攏各大芯片巨頭建立自己的生態(tài)聯(lián)盟。

　　ARM 的成功給我們的啟示是：

　　一、新的計算時代來臨之時往往是新興企業(yè)彎道超車的絕佳機(jī)遇，再強(qiáng)勢的傳統(tǒng)巨頭也難免面臨重新洗牌的局面。

　　二、把握核心芯片架構(gòu)的先發(fā)優(yōu)勢，在此基礎(chǔ)上迅速建立生態(tài)體系是在一個新計算變革時代來臨時的成功關(guān)鍵。

　　三、目前使用的GPU、FPGA 均非人工智能定制芯片，天然存在局限性，人工智能專用芯片對于巨頭和初創(chuàng)企業(yè)都同一起跑線的藍(lán)海。

　　我們正處在從信息時代邁向智能時代的重要拐點，人工智能將推動新一輪計算革命，而芯片行業(yè)作為產(chǎn)業(yè)最上游，是人工智能時代的開路先鋒：

　　一方面具備行業(yè)先導(dǎo)指標(biāo)的意義，另一方面也是在人工智能產(chǎn)業(yè)發(fā)展初期率先啟動、彈性最大的行業(yè)。信息時代產(chǎn)生了英特爾這樣的千億市值的芯片巨頭，擁有更大應(yīng)用市場的人工智能時代必將孕育出更多的“英特爾”。