阿里和谷歌自研AI芯片商用，科技巨头与芯片巨头关系生变
2019 年杭州云栖大会上，阿里首款 AI 芯片含光 800 虽然只有短短几分钟的介绍，却成了外界最为关注的消息。互联网巨头进入自研芯片领域早已不是新闻，但每次他们自研芯片的正式推出和商用的宣布，依旧会吸引了无数的关注。
不少人应该也会疑问，这是不是芯片巨头们要被替代的开始？
互联网巨头造芯的初衷
在互联网企业造芯的路上，谷歌跑在了最前面。早在 2006 年，谷歌就开始考虑在其数据中心部署 GPU 或者 FPGA，或专用集成电路（ASIC），当时的结论是，能在专门的硬件上运行的应用并不多，使用谷歌大型数据中心的富余计算能力即可。
情况在 2013 年发生了转变，当时谷歌用户每天使用语音识别 DNN 语音搜索三分钟，使得谷歌数据中心的计算需求增加了一倍，而如果使用传统的 CPU 将非常昂贵。因此，谷歌启动了一项优先级别非常高的项目，快速生产一款定制芯片（ASIC）用于推理，并购买现成的 GPU 用于训练。
谷歌的目标是将性价比提高 10 倍，为了完成这项任务，谷歌在其数据中心设计、验证、构建并部署了 TPU（张量处理器，Tensor Processing Unit），这一过程用了 15 个月。
2016 年，谷歌I/O开发者大会上，谷歌正式发布了首代 TPU。不过，TPU 刚开始只仅限谷歌内部使用，直到 2018 年 2 月，谷歌才在其云平台博客上宣布 TPU 服务开放的消息，价格大约为每云 TPU 每小时 6.50 美元，而且数量有限。
也就是说，2018 年，谷歌才开启了 TPU 的商业化。同年的I/O大会上，TPU 3.0 宣布推出，计算性能相比 TPU 2.0 提升八倍，可达 100PFlops (每秒 1000 万亿次浮点计算)。
可以明确，谷歌 TPU 的推出，主要还是因为市场上没有满足其需求的芯片，使得他们进入了自研芯片领域，并且，TPU 作为云端推理芯片并不对外出售，而是通过谷歌云对外提供算力。
阿里的自研芯片之路与谷歌类似。1999 年以淘宝起家的阿里，如今的业务早已横跨电商、金融、物流、云计算、大数据、全球化等场景。不同的场景就有不同的计算需求，比如淘宝里的拍立淘商品库每天新增 10 亿商品图片，使用传统 GPU 算力识别需要 1 小时。除了需要花费 1 小时的时间，这个时间里 GPU 的耗电量也非常巨大。
雷锋网此前报道，数据统计显示，2017 年中国有 40 个中小型数据中心，这些中小数据中心 2017 年消耗电量比三峡大坝的发电量还多，等量的碳排放量两倍于民航的碳排放量。对于阿里和谷歌这样拥有大型数据中心的科技公司，电量消耗也带来了巨大的成本。
如果谷歌和阿里想要通过购买算力更强的最新款英伟达 GPU 来提升效率，GPU 高昂的售价也是科技巨头们无法忽视的问题。
因此阿里也开启了自研芯片之路。2017 年的云栖大会上，阿里宣布成立达摩院，由全球建设的自主研究中心、高校联合实验室，全球开放研究计划三大部分组成，涵盖量子计算、机器学习、基础算法、网络安全、视觉计算、自然语言处理、下一代人机交互、芯片技术、传感器技术、嵌入式系统等，涵盖机器智能、智联网、金融科技等多个产业领域。
2018 年云栖大会，阿里又宣布成立独立芯片企业“平头哥半导体有限公司”，由中天微与达摩院芯片团队整合而成。
还是云栖大会宣布者还是张建锋，2019 年阿里首款 AI 云端推理芯片含光 800 正式推出。在业界标准的 ResNet-50 测试中，含光 800 推理性能达到 78563 IPS，比目前业界最好的 AI 芯片性能高 4 倍；能效比 500 IPS/W，是第二名的 3.3 倍。
性能提升带来的效果显而易见，继续用上面的拍立淘举例，阿里表示，采用含光 800 后，每天新增 10 亿商品图片的识别时间可以从 GPU 识别的 1 小时，可缩减至 5 分钟。另外，根据云栖大会的现场演示，在城市大脑中实时处理杭州主城区交通视频，需要 40 颗传统 GPU，延时为 300ms，使用含光 800 仅需 4 颗，延时降至 150ms。
由此做一个简单的换算，那就是 1 个含光 800 的算力等于 10 个 GPU。
相比谷歌迟迟没有商用 TPU，阿里在发布含光 800 之时表示这款产品已经已经实现了大规模应用，应用于阿里巴巴集团内多个场景，例如视频图像识别/分类/搜索、城市大脑等，并且宣布基于含光 800 的 AI 云服务也正式上线。
显然，阿里自研 AI 芯片最核心的目标同样是为了获得更低的经济成本。
科技巨头与芯片巨头不再只是合作
由此看来，目前阿里和谷歌商用的自研 AI 芯片都是云端推理芯片，对于传统芯片巨头英特尔和英伟达而言，这并不会带来巨大的改变，但双方的关系会从此前紧密合作变为竞合关系。
如何理解？虽然有了面向视觉场景的含光 800 推理芯片，但是这是一款 ASIC 芯片，其定位也是 CNN 类模型推理加速为主，通用可扩展到其它 DNN 模型。但对于更多的深度学习算法，含光 800 这款 ASIC 可以在一定支持，但无法体现出性能和能效最优化。
所以，无论是阿里还是谷歌，他们依旧需要英特尔的 CPU 提供通用的计算能力，也需要 FPGA 进行 AI 的加速。另外，阿里性能强大的神龙架构服务器，也需要英伟达 GPU 提供算力。
这种竞合关系不仅会局限在云端。2018 年 7 月，谷歌推出 Edge TPU 芯片，从命名上就可以看出这是此前推出的云 TPU 的简化版本，是专门设计的加速器芯片，用于在边缘运行 TensorFlow Lite 机器学习模型。
英雄所见略同，阿里也有端云一体的战略。在含光 800 云端 AI 芯片发布之前的 7 月和 8 月，阿里接连发布了高性能 RISC-V 架构处理器玄铁 910 以及 SoC 芯片平台“无剑”。也就是说，阿里的C-Sky 系列、玄铁系列 AIoT 终端芯片 IP，一站式芯片设计平台无剑，以及最新发布的云端 AI 芯片构建了阿里端云一体的芯片生态，平头哥端云一体全栈芯片产品家族雏形已现。
另外，2019 云栖大会期间还有一个芯片的重磅宣布，阿里人工智能实验室和平头哥共同定制开发的智能语音芯片 TG6100N，会在即将推出的音箱产品中使用。
科技巨头们的自研 AI 芯片要涵盖云端和终端其实也很容易理解，无论是芯片巨头还是科技巨头，他们都认为未来数据将像石油一样具有价值。因此，巨头们需要端云一体的战略挖掘数据的价值，在数据的时代保持领先，而这个战略非常重要的支撑就是云端和终端的 AI 芯片。
此时科技巨头和芯片巨头都会有云端和终端的 AI 芯片，竞争就难以避免。雷锋网(公众号：雷锋网)认为，竞争激烈的程度更多会取决于科技巨头，由于他们对自己的业务和数据有更深的理解，他们定制化的 ASIC 芯片更容易达到性能和能效的最优。即便自研的 AI 处理器性能弱于芯片巨头的产品，如果科技巨头出于自主可控的考虑，用自身的业务和场景去支撑自研芯片的迭代和优化，为此付出一些代价，最终也能研发出在特定领域非常具有竞争优势的芯片。
注意，科技巨头们会在与自己业务和生态相关的领域自主研发 AI 芯片。但如果想要替代现有的成熟芯片，比如英特尔的至强 CPU 和英伟达 GPU，既没有价值也面临巨大的风险。归根结底，科技巨头们自研 AI 芯片的初衷是为了获得更大的经济效益，通过自主研发的芯片保持其技术和生态的领先性。同样，他们的自研芯片也更多的会服务于自己的业务和生态，而非抢食芯片巨头们的市场。
雷锋网小结
AI 时代，科技巨头们与芯片巨头们不再只是紧密的合作伙伴，也会在特定领域成为竞争对手。也就是说，对于芯片巨头们而言，想要在科技巨头拥有自研芯片的领域获得订单，需要付出更多的努力。
反过来，芯片作为一个技术、资本、人才都密集的行业，其长周期的特点也与互联网和移动互联网快速迭代的模式不同，如何找到软硬之间的最佳平衡点，以及如何与芯片巨头们多年在芯片领域积累的优势竞争，也都是科技巨头自主研发芯片面临的挑战。