半导体是数字时代一项基础技术，这话一点也不夸张。美国硅谷的名字，就是直接从半导体材料“硅”来的。过去半个世纪，计算技术的革命改变了社会生活的方方面面，而半导体技术，正是这场革命的发动机。

自英特尔1971年推出全球第一个微处理器以来，计算能力的演进速度，可以说令人目不暇接。按照摩尔定律的说法，今天的计算机芯片，比50年前的同门前辈，功能上要强大数百万倍。

不过，有意思的地方在于，尽管处理能力飞速增长了几十年，计算机芯片的基本体系结构，却并没有发生根本性的改变。在很大程度上，芯片的创新主要依靠把晶体管做得更小，以便在集成电路里塞进更多的晶体管。英特尔和AMD这些老牌厂商，就是沿着这条路，通过不断提升CPU性能来实现进步的。这恰好是克莱顿·克里斯坦森所说的那种“持续的创新”。

然而，今天，故事正在发生巨大的变化。人工智能的崛起，引爆了半导体创新的一个“新黄金时代”。机器学习带来了独特的市场需求和无限的机会，第一次让企业家们开始认真地思考：芯片的基本架构，是不是该重新设计一下了？

他们的目标很明确，就是设计一种专门为AI打造的新型芯片，为下一代计算提供动力。这毫无疑问，也是眼下整个硬件领域最大的市场机遇之一。

新的计算范式

纵观计算技术发展的历史，CPU一直是绝对的主流架构。它无处不在——笔记本电脑、移动设备、大多数数据中心，背后都是CPU在出力。

1945年，传奇人物约翰·冯·诺伊曼就构思了CPU的基本架构。值得留意的是，直到今天，这个设计的基本思路几乎没有太大变化，绝大多数计算机依然遵循着冯·诺依曼的理论框架。

CPU最大的优势是灵活性，通用性强，能应付软件需要的各种计算任务。可问题也恰恰出在这里。当今领先的AI技术，要求的是一种非常特殊、而且计算密度极高的任务。

这是因为，深度学习需要反复执行数百万甚至数十亿个相对简单的乘法和加法步骤。它的基础是线性代数，本质上就是一种试错的过程：调整参数，进行矩阵乘法，然后在整个神经网络中反复求和，让模型自己不断优化。

这种重复性极高、计算量巨大的工作流程，对硬件架构提出了特殊的要求。“并行化”变得至关重要——也就是说，处理器要能同时执行多个计算任务，而不是一个一个来。还有一个与之紧密相关的点：深度学习涉及大量数据的连续转换，所以，让芯片内存和计算核心尽可能靠近数据所在的位置，就能减少数据移动，从而大幅提升速度和效率。

说实话，CPU确实有点扛不住机器学习的独特需求。CPU是按顺序处理任务的，不是并行的；而且它的计算核心和内存通常分属不同模块，靠一条带宽受限的“总线”来通信。这就造成了数据移动的瓶颈，也就是所谓的“冯·诺依曼瓶颈”，结果就是，在CPU上训练神经网络，效率低得惊人。

随着机器学习日益普及，传统芯片的力不从心越来越明显。就像AI专家Yann LeCun最近说的那样：“如果你能穿越到未来五年或十年，看看计算机大部分时间在忙什么，我认为很可能是机器学习这类事情。”

这时候，一个“配角”上场了，它就是GPU。GPU架构是英伟达在1990年代后期为游戏应用开发的，专门用来连续处理大量数据，以高帧率渲染电脑游戏画面。和CPU不同，GPU可以并行地运行数千个计算任务。

2010年代初，AI领域意外地发现，英伟达的游戏芯片，居然特别适合处理机器学习算法所需的工作负载。于是，GPU幸运地找到了一个新的目标市场。英伟达也抓住了这个机遇，把自己定位为“AI硬件市场的领先供应商”，结果收获惊人——从2013年到2018年，市值增长了20倍。

但正如Gartner分析师Mark Hung指出的：“大家心知肚明，GPU并非针对AI工作负载做了优化。”虽然GPU已被AI领域广泛采用，但它毕竟不是为AI而生的。

最近几年，一批企业家和技术人员开始重新构想计算机芯片，他们决定从头开始优化，来释放AI的无限潜力。这让人想起Alan Kay那句经典的话：“真正认真对待软件的人，应该自己制造硬件。”

过去两年间，市场已经涌现出5家芯片领域的“独角兽”公司，估值一个比一个高。传统巨头英特尔为了避免被碘伏，也迅速出手，做了两笔重大收购：2016年4月以4.08亿美元拿下Nervana Systems，2019年12月又花20亿美元收购了Habana Labs。未来几年，围绕这个数千亿美元市场的竞赛，还会继续下去。

谁会是下一个英特尔？

巨大的市场机会，加上巨大的技术挑战，激发了一大批大胆的创意，目标直指理想的AI芯片。

在这些新锐AI芯片初创公司中，最引人注目的之一，是Cerebras Systems。简单说，这家公司做了一件很大胆的事——开发了有史以来最大的芯片。它的市值已经达到17亿美元，从Benchmark和Sequoia等顶级投资方手里拿到了2亿美元。

Cerebras的芯片尺寸，比典型的微处理器大了足足60倍，是有史以来第一个能容纳超过1万亿个晶体管（准确说是1.2万亿个）的芯片。它的片上内存高达18GB，同样是有史以来最高的。

把所有计算能力打包到单个芯片上，好处很明显：数据传输效率大大提升，内存与处理合为一体，并行处理能力惊人。但工程上的挑战也极巨大，制造这种晶圆级芯片，是半导体行业几十年来梦寐以求但从未实现的目标。

Cerebras的CEO Andrew Feldman说得直白：“所有工具、规则和制造设备，都是为正常尺寸的芯片设计的，正常尺寸大概像巧克力曲奇。而我们造出来的芯片，大小像曲奇盘子。所以，每一步我们都得从头设计。”

他们的AI芯片已经投入商用了：上周，阿贡国家实验室宣布，将用Cerebras的芯片来对抗新型冠状病毒。这才是真正的工程魄力。

另一家采用全新设计思路的公司，是位于美国湾区的Groq。与Cerebras不同，Groq的芯片专注于推理，而不是模型训练。它的创始团队背景，拿出来能闪到人——最早、也是最成功的AI芯片之一Google TPU项目，10个原始成员中，有8个都在Groq团队里。

Groq彻底碘伏了业界传统观念，他们正在打造一种“批量处理为1”的芯片，也就是一次性只处理1个样本。据他们说，这种架构几乎能实现瞬时推理，而且不牺牲性能，这对自动驾驶汽车这类时间敏感型应用来说，是至关重要的。更重要的是，芯片主要由软件定义，灵活性强，面向未来。

Groq最近宣布，它的芯片实现了每秒1万亿次计算的速度。如果这个数字属实，那它将成为有史以来速度最快的单模片芯片。

还有一家公司，技术愿景的酷炫程度，可能没有哪家能比得上——这就是Lightmatter。它由几位光子学专家创立，总部在波士顿。Lightmatter正在打造一种AI微处理器，不过不是用电信号驱动，而是用光束驱动的。目前已经从GV、Spark Capital和Matrix Partners等投资方那里筹集了3300万美元，来推动这一愿景。据他们说，这种独特的光技术，能让芯片性能比现有方案高出10倍。

这个领域还有不少值得关注的角色。两家中国公司——地平线机器人和寒武纪科技，也都拿到了巨额融资，市值节节攀升。位于帕洛阿尔托的SambaNova Systems，资金和技术都很雄厚，虽然具体细节披露不多，但它的技术似乎特别适合自然语言处理。其他值得留意的初创公司还包括Graphcore、Wa ve Computing、Blaize、Mythic和Kneron。

当然，科技巨头们也没闲着。谷歌从2015年就开始研发TPU，走在了技术曲线前面；去年12月，亚马逊高调公布了Inferentia AI；特斯拉、Facebook、阿里巴巴以及其他巨头，也都纷纷开始了内部AI芯片的研发。

总结

眼下，一场为即将到来的AI时代开发硬件的竞赛，已经全面展开。半导体行业现在涌现出的创新活力，可以说是自硅谷创立之初以来从未有过的，巨量资金持续涌入。

未来几年，下一代芯片将直接塑造人工智能领域的雏形和前进方向。用Yann LeCun的话来结尾，再合适不过：“硬件能力……激励却也限制了AI研究人员能想象和追求的想法。这一点，我们不得不承认——我们正在被手中的工具不断刷新着认知。”