芯片ip授权是什么意思-“深度”人工智能专用芯片是大势所趋，IP授权是目前商业化的最佳选择

本文转载自微信公众号“”（ID：im2maker），作者韩露，机器人电子信息经授权发布。

8月中旬，人工智能芯片初创公司寒武纪获得1亿美元A轮融资，成为该领域首家“独角兽”。 随后，9月初，华为正式发布了全球首款手机人工智能芯片“麒麟970”。

不到一个月的时间，“人工智能芯片”已经成为大家热切讨论的一个产品、一个产业。

人工智能芯片的普及度逐渐上升，不少企业已经开始布局

前段时间，因为被视为当前智能家居的入口之一，“智能音箱”突然受到了人们的高度关注，而随着小爱同学、天猫精灵等产品的相继推出，这股热潮推高了到顶部。

正当这波浪潮逐渐趋于稳定时，“人工智能芯片”紧随其后，掀起了人工智能领域的又一新浪潮。 事实上，在这第三次人工智能浪潮中芯片ip授权是什么意思，人工智能芯片作为让人工智能技术运行得更快更好的基础硬件设施，必然是未来智能时代的一个趋势。 因此，人工智能芯片虽然比其他人工智能技术和应用低调得多，但它的布局仍然是很多厂商不能错过的“机会”：

买买买英特尔——到目前为止，为了不错过人工智能芯片，英特尔先后收购了Altera、Yogitech、Nervana、Movidius、Mobileye等公司，拿下了他们的FPGA等技术。

GPU在手，谁将与Nvidia竞争？ 凭借GPU在人工智能应用方面的先天优势，英伟达已经走在了人工智能芯片的前沿。 不过就在最近，黄仁勋还发布了一款用于深度学习的芯片Tesla V100。

关注FPGA的微软——微软专注于FPGA人工智能芯片，该芯片已用于支持Bing搜索。 此外，还推出了基于FPGA的视觉芯片A-eye，使摄像头具备视觉理解能力，可应用于机器人、汽车、无人机等多种智能产品。

与此同时，国内厂商也蠢蠢欲动。

首家独角兽“寒武纪”——因高达1亿美元的A轮融资，寒武纪成为人工智能芯片领域首家独角兽。 通过IP授权的形式，其技术已在华为人工智能芯片麒麟970上实现商用；

主打“嵌入式”的地平线机器人，致力于打造基于深度神经网络的人工智能“大脑”平台，包括硬件和软件。 硬件方面，此前曾表示其人工智能芯片“盘古”已成功流片商用；

…

从以上多家企业的布局和产品我们可以清楚地了解到，虽然与语音识别等技术相比，“人工智能芯片”并没有受到公众更多的关注，但作为人工智能的基础硬件设施，它已经成为了是众多企业抢占市场、占据先机的重大战略制胜点。

人工智能加速，AI专用芯片是未来趋势

深度学习算法是人工智能技术与应用的核心。 它在运行过程中需要处理海量数据——利用已有的样本数据来训练人工神经网络，利用训练好的人工神经网络来计算其他数据。 对于传统的计算架构来说，这将是一个巨大的挑战。

面对深度学习算法新的计算需求，GPU（图形处理单元）、FPGA（可编程门阵列）、ASIC（专用集成电路）成为人工智能芯片领域的“追捧”。 例如，GPU与CPU相比，具有高度并行的结构，拥有更多的ALU（Arithmetic Logic Unit，逻辑运算单元）进行数据处理，适合密集型数据的并行处理。

值得我们关注的是，无论是让英伟达一举成名的GPU，还是目前与GPU平起平坐的FPGA，就属性而言，都只能算是人工智能通用芯片。 与从一开始就“定制”的ASIC相比，GPU和FPGA在深度学习算法的运行上都或多或少存在局限性：

GPU限制：GPU可以轻松训练人工神经网络，但输出应用程序时，一次只能处理一张图像； 与FPGA的灵活性相比，GPU硬件结构是固定的，不具备可调整性； 在实现相同性能时，GPU的功耗远大于FPGA和ASIC。

FPGA的局限性：为了实现可重构的特性，FPGA内部存在大量极其细粒度的基本单元，但每个单元的计算能力远低于GPU中的ALU模块； 在深度学习算法的运行速度和功耗方面，FPGA不如ASIC； FPGA 更昂贵，在某些情况下甚至比 ASIC 还要贵。

不可否认，GPU和FPGA都为当前人工智能的发展做出了相当大的贡献，但从未来发展趋势来看，AI专用芯片才是未来的核心。

从上面的一些比较我们可以看出，GPU、FPGA和ASIC在功耗和速度方面仍然存在一定的差距。

对于通用型和专用型人工智能芯片的区别，地平线机器人芯片专家马凤祥表示，与通用型芯片相比，专用型芯片是针对特定场景定制的，具有成本低的优势。功耗低、成本低、性能高。 更简单地说，就像寒武纪创始人之一陈云霁举的例子一样，普通的处理器就像一把“瑞士军刀”。 虽然通用，但不专业，造成浪费。 它仍然是一把得心应手的菜刀，而专业的深度学习处理器就是这把更高效、更快的“菜刀”。

同时不仅仅是性能要求，随着人工智能技术的发展，其应用范围将进一步扩大。 未来，自动驾驶、机器人、智能家居等最终将充斥我们的​​生活，而这其中隐藏的将是不可估量的市场需求。 到时候，无论是要处理的数据，还是计算的速度，都不会和现在是一个量级的。 想要做得更好，只能向人工智能专用芯片靠拢。

AI专用芯片商业化，IP授权是最佳出路

随着寒武纪成为AI芯片领域首个“独角兽”，华为麒麟970的推出，苹果、三星等多家重量级厂商相继公布了AI芯片的计划，“如何实现技术和产品的商业化” “落地”成为厂商亟待解决的问题。

目前，采用ASIC架构的AI专用芯片中，最典型、最具代表性的就是寒武纪的产品和谷歌的TPU。 不同的是，前者服务于客户，而后者服务于自己的人工智能系统Tensor-flow。

说到商业化，虽然此前中星微和寒武纪的产品已经流片，但从目前整体来看，IP授权可能更适合人工智能专用芯片，尤其是初创企业。 按照。 至于原因，可以总结为两点：

第一，与其急于实现商业化，不如放慢脚步，触达芯片生态

确实，对于企业来说，流片是一种能够快速实现商业化的方法，获得的利润也很可观。 不过这样一来难免会显得有些激进，一不小心就可能会出错。 相比之下芯片ip授权是什么意思，慢慢吸引客户构建生态系统，通过IP授权“蚕食”人工智能芯片市场，则显得更加从容有序。

说到IP授权，我们首先想到的就是ARM。 作为后起之秀，它通过IP授权的策略击败了当时行业老大英特尔。 ARM大中华区总裁吴雄昂曾用一句话总结成功——建立强大的活跃创新的生态系统，为生态系统的合作伙伴提供了共赢的模式，参与的企业成功率很高卡通形象，利润率。 此外，ARM生态系统的成员并不局限于ARM平台，在此基础上还有无限的创新空间。

目前深度学习算法可能还没有那么成熟，人工智能的巨大需求对芯片的性能和功耗提出了新的要求。 同时，ASIC也有一个bug——固定的架构不具备灵活性ip形象，这一点略逊于FPGA。

不过，通过IP授权，这将允许客户根据自己的需求，基于指令集创建自己的核心架构，并可以添加各种片内、片外外设如通信接口等，从而生产出他们自己的“处理器芯片”。 比如这次的华为麒麟970。

目前，人工智能仍处于起步阶段，更灵活的架构可能比“思维定势”更受欢迎。 这样，围绕AI专用芯片的生态系统将逐步形成，这将是芯片企业未来布局的重要举措。

二、AI专用芯片流片有风险

前面提到，与人工智能通用芯片相比，人工智能专用芯片具有低成本、低功耗的优势，但有一个前提条件，那就是要实现高出货量。

例如ASIC和FPGA，与一次性成本相比，前者的成本远高于后者。 但在实现大批量生产的前提下，后者的成本将变成前者的10倍，甚至100倍。 因此，如果无法实现量产，对于AI专用芯片来说将极为不利。

当然，在性能和功耗方面，AI专用芯片遥遥领先，但我们不能忽视这样一个事实：一旦发布，其功能就无法改变。 这也是AI专用芯片上市缓慢的原因之一。

结语

诸多事件联动下，AI专用芯片已成为一片“大蓝海”，吸引国内外科技巨头和AI初创企业纷纷跳入其中，意欲攀登小岛制高点在中间。

最终爬上那座小岛的，只是人工智能专用芯片。 至于他们最终是谁、如何攀登，我们暂时只能持观望态度。