某種意義上說，過去 50 年半導體行業的發展成為人類計算革命的燃料來源。
從概念上看，半導體又被理解為芯片，是一種高度小型化的電子產品，它可以非常快速地完成大量數學運算，利用這種計算可以在現實物理世界里完成目標。
簡而言之，芯片是為我們的電子設備的大腦。它們幫助計算機和其他機器評估替代品，為電話、計算機、汽車、飛機、互聯網提供計算能力。
半導體是在硅晶片上制造的非常復雜的物體。 這些晶圓的制造非常昂貴，前期投資需要數十億美元。人類社會過去 60 多年的偉大技術奇跡之一，就是不斷縮小芯片尺寸并不斷提升計算性能，也就是我們常說的「摩爾定律」。
在這個行業，能夠生產制造半導體的公司屈指可數，而且由于技術復雜，導致建造半導體工廠的成本直線上升，這也讓半導體行業形成獨特的商業模型，在整個鏈條上只有兩類公司：一類是芯片設計公司，如英特爾，另一類則是芯片設計公司和芯片代工公司，或者晶圓代工公司，下圖是 2018 年上半年全球十大代工廠。
不管摩爾定律是否失效，半導體行業依然在發展中，在通往 7 納米制程的道路上，目前只有臺積電、英特爾和三星，當然，英特爾目前也遭遇相當多的困難，這也意味著，從 PC 到互聯網，再到智能手機，隨著對計算性能要求的不斷提升，整個半導體行業的集中化趨勢，已經基本成定局。
從產業的角度去看，如今的半導體行業越來越像汽車行業，并購整合正在加速，盡管 2018 年博通收購高通、高通收購恩智浦都宣告失敗，但產業發展的趨勢不可避免，只有足夠的壟斷才能形成更大的議價權，未來三到五年，新的并購整合還將繼續。
一這兩年來，一股半導體行業的「反潮流」開始出現：自研芯片。
智能手機領域，蘋果在 2008 年悄然收購了芯片制造商 P.A. Semi 公司，并在兩年后推出自研的第一代芯片 A4 處理器，這款處理器很快成為 iPhone、iPad 的標配產品，隨后，蘋果又在 Apple Watch、Apple TV 等產品里加入自主研發的處理器。另外，根據著名蘋果分析師郭明錤透露的消息，2020 年之后，蘋果將在 Mac 系列電腦里集成自己的芯片。
而 Google，則一直在推進數據中心的芯片研發。截止到 2018 年 11 月，Google 已經推出了三代 Tensor Process Unit（以下簡稱為 TPU），這些產品瞄準的是日益強烈的機器學習需求，從而也增加了 Google 在云端服務上的特定能力。
上述現象與半導體行業剛起步時非常相似，當時，所有的公司都在內部研發、制造芯片，隨著企業研發成本的上升，有的企業開始將芯片設計、生產分開，或者直接外包給第三方公司，這樣的分工協作也大大降低了成本。
但現在，越來越多的公司成為加入到「反潮流」的大軍里，蘋果、Google 除外，亞馬遜、微軟以及華為、阿里巴巴，都在暗自進行芯片的研發。
二而人工智能，也正在給半導體行業帶來新的變革機遇。
從最基本的角度去理解人工智能，或者準確說機器學習，它更像是一種高級的軟件形態，這個軟件上可以進行大量專業數學計算。以深度神經網絡來說，它是一種非常復雜的「投票」算法，通過對各個變量的權重進行復雜的計算，來實現決策。
機器學習或深度學習的過程，就是一次次的計算過程，如何才能提升計算速度呢？當然是讓計算并行化，這種需求也和圖像計算非常相似，盡管原理不一定相同，但事實也的確證明了，將圖像計算的處理器 GPU 放在機器學習之中，效果非常好，由此也造就了過去四年英偉達的「奇跡」。
但行業內除了英偉達之外，沒有人愿意看到只有 GPU 適合機器學習，從傳統芯片企業英特爾到互聯網巨頭 Google、Facebook、亞馬遜，都有著自己的考量。
而如果從 AI 芯片的功能層面來看，人工智能芯片主要有兩個方面的需求：訓練和推理。這兩個需求相互聯系，構成了人工智能芯片的完整流程。
先說訓練，當海量被標注的數據被收集到數據中心，工程師們就要開始「訓練」數據，簡而言之，就是在海量的數據中尋找可用的模型。
而推理，則是將模型反應出結果呈現出來，我們常常說所謂「機器決策」，也就是說，當用戶輸入一個不太明確的指令后，機器能夠給出一個看似合理的答案。
上面的兩段話有點復雜，不妨來看兩個案例，如果你在手機上用過 Google Photo，你會發現這個產品不僅會讓你照片備份起來，還會提供一系列有趣的功能，如下圖所示，你可以看到「往年今日」的推薦、以及可以直接用自然語言搜索圖片。
要實現 Google Photo 的上述功能，你需要將數據，也就是照片先上傳到 Google 服務器，經過一段時間之后才能看到上圖的推薦，這是因為，Google 的數據訓練都是在云端，而推理的結果則需要網絡的支持才能呈現出來，換句話說，你需要聯網才能使用。
蘋果的做法則完全不同�；谔O果自主研發的芯片以及神經網絡處理引擎，目前 iPhone、iPad 都可以實現本地的 AI 計算，同樣是照片數據的訓練和推理，蘋果將所有的過程都放在本地設備，如下圖所示，你會看到也是類似的照片推薦、自然語言搜索等功能。
事實上，我們很難直接判斷哪種方式跟好，只能說，每一種方式都有著一定的使用范圍，比如在自動駕駛汽車上，人工智能芯片的處理過程必須放在本地，只有這樣，才能避免與云端交換數據的延時，也能避免車禍的發生。
從上述角度出發，AI 芯片領域有三類大市場：數據中心訓練、數據中心推理、設備/邊緣推理。
如果說過去的芯片行業像極了汽車行業，導致沒有后來者、創業者的機會，那么在 AI 芯片開創的三個領域里，卻提供了足夠多的想象空間，也讓資本市場看到了可能性，下圖還僅僅是截止到 2017 年的數據。
三
如果從 AI 芯片的三個大市場的角度去看未來的機會。
首先，數據中心 AI 芯片市場的競爭會非常激烈，一方面，CPU 不會輕易退出市場，另一方面，數據中心所有者都是全球云計算巨頭，包括亞馬遜、Google、微軟、阿里巴巴，他們對于 AI 芯片的需求當然非常強烈，但正如上文所言，他們正在自主研發自己的芯片，雖然這不代表這些公司不會采購第三方芯片，卻也展現出這個市場的特殊性。
其次，設備推理市場雖然規模巨大，但卻有著非常細分的領域，比如設備形態不同，導致應用場景、能耗的區別非常大，手機的推理能力與汽車顯然是不同的，這也導致這個市場最終會非常龐雜，當然，巨頭、創業公司都有機會在這個領域獲得一席之地。
當然，與傳統半導體行業類似，AI 芯片最終的走向依然會是寡頭化。
