人工智能（AI）應用範圍擴大為芯片業創造新商機，吸引輝達電子（Nvidia）、英特爾（Intel）及超微（AMD）等半導體大廠爭相發展人工智能芯片。另外，現在一些高科技大公司更加希望使用客製化的芯片，也開始進入AI芯片設計領域，也為新創公司進入半導體產業提供了一個機會。 《華爾街日報》近日報道，研究機構IDC預測，2021年全球AI相關軟硬件支出，有望從今年的120億美元增加至576億美元，其中大部分將投入數據中心（又稱資料中心），預估2020年會有1/4貢獻給跟AI相關的運算處理。
根據PitchBook Data Inc.統計，民間投資人今年對AI硬件的投資總額，已拉高近一倍至2,520億美元。繪圖芯片巨擘輝達電子（Nvidia）過去12個月的數據中心相關營收，幾乎成長了3倍，達14億美元，而其股價過去兩年間更暴漲近7倍。
英特爾也未停下研發步伐。2016年英特爾併購了AI深入學習公司Nervana Systems，目前正在跟Facebook等業者合作，開發以Nervana技術為基礎的芯片，試圖在今年底超越Nvidia的AI芯片運算能力。
另一方面，超微（AMD）聚焦AI的Radeon Instinct系列繪圖芯片處理器，也在最近開始出貨。谷歌（Google）則已設計了自家的AI加速器，希望使用為自家量身打造的芯片，取得競爭優勢。
運算效能要求高 速度能耗都要突破
人工智能通常透過複雜演算式來提升電腦深度學習能力，目標是不斷加速資料分析及電腦學習速度來實現更精確的語音、臉部及其他辨識能力。現在芯片大廠都重金投資可運行深度學習系統的硬件，競相開發低功耗、高性能的加速器，好讓機器學習功能在嵌入式系統中能更好地執行。
如Nvidia的圖形芯片是以數以千計的微型電腦並行運作來渲染像素，透過一些調整，已可運作深度學習演算法，但也涉及大量的並行計算，最大的缺點就是太耗電。
現在新一代芯片將多個處理功能結合至一個步驟，而圖形芯片是讓多個步驟產生同一個結果。前者的功能通常綁在一起，以優化特定用例，例如幫助自駕車發現潛在障礙的訓練演算法。
英特爾與Facebook合作，推出首款專為機器學習設計的「Nervana」神經網絡處理（NNP）系列晶片，是一款專為人工智慧所設計的快速晶片，提供高效率的AI運算，預計在今年年底就能出貨。
英特爾執行長布萊恩‧卡拉尼克（Brian Krzanich）表示有信心能夠超越去年設定的目標，在2020年時讓AI效能提高100倍。他認為透過「Nervana」神經網絡處理器，可以為許多產業帶來高效率的AI運算能力，他列舉了四項例子，像是在醫療保健，AI可以讓早期診斷提高精準度、增進癌症、帕金森病研究；社群媒體可以為客戶提供更個人化的服務；無人車未來能在汽車產業更快實現；AI也能幫助研究人員掌握風速、水溫數據，可以有效預測颶風軌跡。
輝達（Nvidia）過去一直在AI硬件發展遙遙領先。目前多數AI系統都以CPU（中央處理器）運作處理為基礎，但在Nvidia的推動下，許多深度學習應用都將GPU（圖形處理器）作為主要加速應用的基礎，CPU只用來作為指令運作或系統控制等需求使用。
在今年稍早，谷歌推出了張量處理單元（TPU），可說是產業界積極推動機器學習芯片創新的一個轉折點。谷歌在發表晶片時表示，TPU每瓦性能將比傳統的FPGA和GPU高一個等級。此外，有消息說這款TPU加速器已被應用於風靡全球的AlphaGo系統。但是迄今谷歌並未披露TPU的規格細節，也不打算在商業市場上銷售。
AI芯片要創新 給新創公司機會
過去新創公司要進入半導體產業幾乎難如登天，但隨著人工智能對運算效能的需求更高，給了有志打破產業規則的新創公司一個機會。
麻省理工科技評論（MIT Technology Review）報道，2017年風險投資人對人工智能芯片新創的投資資金達1.13億美元，為2015年全年3倍之多，其中英國半導體新創公司Graphcore剛從硅谷風投紅杉資本募得5千萬美元。發展人工智能芯片的新創公司有Mythic、Wave Computing、Cerebras、中國深鑑科技（DeePhi Tech）與寒武紀科技（Cambricon）等。
Mythic執行長亨利（Mike Henry）表示：「人工智能帶動的芯片需求不只造福輝達，更讓整個芯片產業都受惠。」Mythic近日獲硅谷創投公司DFJ為首的財團投資1,500萬美元。
當然芯片巨人不會坐以待斃，各芯片大廠都在加緊開發新處理器。另一個挑戰是新創主要設計高度專用化硬件，需歷時好幾年才能上市，到時候產業發生甚麼變化很難預測。◇
------------------
📰支持大紀元，購買日報：
https://www.epochtimeshk.org/stores
📊InfoG：
https://bit.ly/EpochTimesHK_InfoG
✒️名家專欄：
https://bit.ly/EpochTimesHK_Column
