在過(guò)去的幾十年里，軟件一直是高科技的明星，原因很容易理解。通過(guò)定義這個(gè)時(shí)代的改變游戲規(guī)則的創(chuàng)新——PC和移動(dòng)電話，技術(shù)堆棧的架構(gòu)和軟件層實(shí)現(xiàn)了幾項(xiàng)重要的進(jìn)步。在這種環(huán)境下，半導(dǎo)體公司處境艱難。盡管他們?cè)谛酒O(shè)計(jì)和制造方面的創(chuàng)新使下一代設(shè)備成為可能，但他們只從技術(shù)堆棧中獲得了一小部分價(jià)值——大約20%到30%用于個(gè)人電腦，10%到20%用于移動(dòng)設(shè)備。

但隨著人工智能(AI)的發(fā)展，半導(dǎo)體公司的情況可能會(huì)有所不同。人工智能通常定義為機(jī)器執(zhí)行與人類思維相關(guān)的認(rèn)知功能的能力，例如感知、推理和學(xué)習(xí)。許多人工智能應(yīng)用程序已經(jīng)獲得了廣泛的關(guān)注，包括管理我們家庭的虛擬助手和跟蹤罪犯的面部識(shí)別程序。這些不同的解決方案以及其他新興的AI應(yīng)用程序有一個(gè)共同特征：依賴硬件作為創(chuàng)新的核心推動(dòng)因素，尤其是邏輯和存儲(chǔ)功能。

這一發(fā)展對(duì)半導(dǎo)體銷售和收入意味著什么?哪些芯片對(duì)未來(lái)的創(chuàng)新最重要?為了回答這些問(wèn)題，我們回顧了當(dāng)前的AI解決方案以及支持它們的技術(shù)。我們還研究了整個(gè)技術(shù)堆棧中半導(dǎo)體公司的機(jī)會(huì)。我們的分析揭示了價(jià)值創(chuàng)造的三個(gè)重要發(fā)現(xiàn)：

AI可以讓半導(dǎo)體公司從技術(shù)堆棧中獲取40%到50%的總價(jià)值，這代表了他們幾十年來(lái)的最佳機(jī)會(huì)。

存儲(chǔ)將實(shí)現(xiàn)最高增長(zhǎng)，但半導(dǎo)體公司將在計(jì)算、內(nèi)存和網(wǎng)絡(luò)方面獲得最大價(jià)值。

為了避免過(guò)去限制價(jià)值獲取的錯(cuò)誤，半導(dǎo)體公司必須采取新的價(jià)值創(chuàng)造戰(zhàn)略，專注于為特定行業(yè)或“微觀垂直行業(yè)”提供定制的端到端解決方案。

通過(guò)牢記這些信念，半導(dǎo)體領(lǐng)導(dǎo)者可以創(chuàng)建一個(gè)新的人工智能路線圖。本文首先回顧了他們將在技術(shù)堆棧中發(fā)現(xiàn)的機(jī)會(huì)，重點(diǎn)關(guān)注AI對(duì)數(shù)據(jù)中心和邊緣硬件需求的影響(與自動(dòng)駕駛汽車等設(shè)備一起發(fā)生的計(jì)算)。然后研究計(jì)算、內(nèi)存、存儲(chǔ)和網(wǎng)絡(luò)中的特定機(jī)會(huì)。本文還討論了幫助半導(dǎo)體公司在AI市場(chǎng)中獲得優(yōu)勢(shì)的新策略，以及他們?cè)谟?jì)劃下一步時(shí)應(yīng)該考慮的問(wèn)題。

AI技術(shù)堆棧將為半導(dǎo)體公司帶來(lái)許多機(jī)會(huì)

自20世紀(jì)50年代出現(xiàn)以來(lái)，AI取得了重大進(jìn)展，但最近發(fā)生了一些最重要的發(fā)展，因?yàn)殚_(kāi)發(fā)人員創(chuàng)建了復(fù)雜的機(jī)器學(xué)習(xí)(ML)算法，可以處理大型數(shù)據(jù)集，“從經(jīng)驗(yàn)中學(xué)習(xí)”，并隨著時(shí)間的推移而改進(jìn)。最大的飛躍出現(xiàn)在2010年代，因?yàn)樯疃葘W(xué)習(xí)(DL)的進(jìn)步。深度學(xué)習(xí)是一種可以處理更廣泛數(shù)據(jù)的ML，需要人工操作員進(jìn)行更少的數(shù)據(jù)預(yù)處理，并且通?？梢援a(chǎn)生更準(zhǔn)確的結(jié)果。

要了解AI為半導(dǎo)體公司創(chuàng)造機(jī)會(huì)的原因，請(qǐng)考慮技術(shù)堆棧(圖1)。它由9個(gè)獨(dú)立的層組成，支持AI應(yīng)用程序的兩個(gè)活動(dòng)：培訓(xùn)和推理。當(dāng)開(kāi)發(fā)人員試圖改進(jìn)培訓(xùn)和推理時(shí)，他們經(jīng)常遇到與硬件層相關(guān)的障礙，包括存儲(chǔ)、內(nèi)存、邏輯和網(wǎng)絡(luò)。通過(guò)提供下一代加速器架構(gòu)，半導(dǎo)體公司可以提高計(jì)算效率或促進(jìn)通過(guò)內(nèi)存和存儲(chǔ)傳輸大型數(shù)據(jù)集。例如，AI的專用內(nèi)存帶寬是傳統(tǒng)內(nèi)存的4.5倍，因此更適合處理AI應(yīng)用程序所需的大量數(shù)據(jù)。這種性能的提升是如此之大，以至于許多客戶更愿意支付專用內(nèi)存所需的更高價(jià)格(每GB大約25美元，標(biāo)準(zhǔn)內(nèi)存大約8美元)。

人工智能以數(shù)據(jù)中心和優(yōu)勢(shì)將為半導(dǎo)體帶來(lái)大部分收入

隨著硬件作為人工智能的差異化因素，半導(dǎo)體公司將發(fā)現(xiàn)對(duì)現(xiàn)有芯片的更大需求，但他們也可以通過(guò)開(kāi)發(fā)新技術(shù)獲利。我們創(chuàng)建了一個(gè)模型來(lái)估計(jì)這些AI機(jī)會(huì)將如何影響收入，并確定AI相關(guān)芯片是否會(huì)構(gòu)成未來(lái)需求的重要部分。

我們的研究顯示，與AI相關(guān)的半導(dǎo)體在未來(lái)幾年內(nèi)每年將增長(zhǎng)約18%，比非AI應(yīng)用中使用的半導(dǎo)體的速度高5倍。到2025年，人工智能相關(guān)的半導(dǎo)體可能占所有需求的近20%，這將轉(zhuǎn)化為約670億美元的收入。數(shù)據(jù)中心和邊緣都將出現(xiàn)機(jī)遇。如果這種增長(zhǎng)按預(yù)期實(shí)現(xiàn)，那么半導(dǎo)體公司的定位將從人工智能技術(shù)堆棧中獲得比以前創(chuàng)新所獲得的更多價(jià)值，大約占總數(shù)的40%到50%。

人工智能將推動(dòng)存儲(chǔ)的大部分增長(zhǎng)，但創(chuàng)造價(jià)值的最佳機(jī)會(huì)在于其他領(lǐng)域

然后，我們進(jìn)一步分析了半導(dǎo)體廠商在計(jì)算、內(nèi)存、存儲(chǔ)和網(wǎng)絡(luò)方面的具體機(jī)會(huì)。對(duì)于每個(gè)領(lǐng)域，我們都研究了硬件需求在數(shù)據(jù)中心和邊緣的演變情況。我們還量化了除網(wǎng)絡(luò)之外的每個(gè)類別的預(yù)期增長(zhǎng)，其中與AI相關(guān)的價(jià)值捕獲機(jī)會(huì)對(duì)于半導(dǎo)體公司而言相對(duì)較小。

計(jì)算

計(jì)算性能依賴于中央處理單元(CPU)和加速器 - 圖形處理單元(GPU)、現(xiàn)場(chǎng)可編程門陣列(FPGA)和專用集成電路(ASIC)。由于每個(gè)用例都有不同的計(jì)算要求，因此最佳的AI硬件架構(gòu)會(huì)有所不同。例如，與自動(dòng)駕駛或財(cái)務(wù)風(fēng)險(xiǎn)分層的應(yīng)用相比，路線規(guī)劃應(yīng)用對(duì)處理速度、硬件接口和其他性能特征有不同的需求。

總體而言，到2025年，對(duì)計(jì)算硬件的需求將增加約10%至15%(圖表5)。在分析了超過(guò)150個(gè)DL用例之后，考慮了推理和培訓(xùn)要求，我們能夠確定架構(gòu)最有可能在數(shù)據(jù)中心和邊緣獲得優(yōu)勢(shì)的。

數(shù)據(jù)中心使用情況。大多數(shù)計(jì)算增長(zhǎng)將來(lái)自云計(jì)算數(shù)據(jù)中心對(duì)AI應(yīng)用程序的更高需求。在這些位置，GPU現(xiàn)在幾乎用于所有培訓(xùn)應(yīng)用程序。我們預(yù)計(jì)它們很快就會(huì)開(kāi)始失去ASIC的市場(chǎng)份額，直到2025年計(jì)算市場(chǎng)在這些解決方案之間平均分配。隨著ASIC進(jìn)入市場(chǎng)，GPU可能會(huì)更加定制化，以滿足DL的需求。除了ASIC和GPU之外，F(xiàn)PGA在未來(lái)的AI培訓(xùn)中也將扮演一個(gè)小角色，主要用于必須快速進(jìn)入市場(chǎng)或需要定制的專業(yè)數(shù)據(jù)中心應(yīng)用。

因此，CPU現(xiàn)在約占市場(chǎng)的75%。隨著DL應(yīng)用的發(fā)展，它們將被ASIC所取代。同樣，我們預(yù)計(jì)計(jì)算市場(chǎng)將出現(xiàn)幾乎相等的份額，其中CPU占2025年需求的50%，ASIC占40%。

邊緣應(yīng)用。大多數(shù)邊緣訓(xùn)練現(xiàn)在發(fā)生在筆記本電腦和其他個(gè)人計(jì)算機(jī)上，但更多設(shè)備可能開(kāi)始記錄數(shù)據(jù)并在現(xiàn)場(chǎng)培訓(xùn)中發(fā)揮作用。例如，在石油和天然氣勘探期間，使用的鉆頭會(huì)生成與油井地質(zhì)特征相關(guān)的數(shù)據(jù)，可用于訓(xùn)練模型。對(duì)于加速器，培訓(xùn)市場(chǎng)目前在CPU和ASIC之間平均分配。然而，在未來(lái)，我們預(yù)計(jì)內(nèi)置在芯片系統(tǒng)的ASIC將占需求的70%。 FPGA將占需求的約20%，并將用于需要大量定制的應(yīng)用程序。

在推理方面，大多數(shù)邊緣設(shè)備現(xiàn)在都依賴于CPU或ASIC，以及一些應(yīng)用程序，例如需要GPU的自動(dòng)駕駛汽車。到2025年，我們預(yù)計(jì)ASIC將占邊緣推理市場(chǎng)的70%左右，GPU占20%。

內(nèi)存

AI應(yīng)用程序具有高內(nèi)存帶寬要求，因?yàn)樯疃壬窠?jīng)網(wǎng)絡(luò)中的計(jì)算層必須盡快將輸入數(shù)據(jù)傳遞到數(shù)千個(gè)內(nèi)核。需要內(nèi)存 - 通常是動(dòng)態(tài)隨機(jī)存取存儲(chǔ)器(DRAM) - 存儲(chǔ)輸入數(shù)據(jù)、權(quán)重模型參數(shù)，并在推理和訓(xùn)練期間執(zhí)行其他功能?？紤]一個(gè)被訓(xùn)練的模型來(lái)識(shí)別貓的形象。識(shí)別過(guò)程中的所有中間結(jié)果 - 例如顏色、輪廓、紋理 - 需要存儲(chǔ)在內(nèi)存中，因?yàn)槟Ｐ蜁?huì)對(duì)其算法進(jìn)行微調(diào)。鑒于這些要求，AI將為內(nèi)存市場(chǎng)創(chuàng)造一個(gè)強(qiáng)大的機(jī)會(huì)，其價(jià)值預(yù)計(jì)將從2017年的64億美元增加到2025年的120億美元。

也就是說(shuō)，由于算法設(shè)計(jì)的效率，例如略微降低的精度，以及行業(yè)放松中的容量限制，內(nèi)存將看到三個(gè)加速器類別的最低年增長(zhǎng)率，大約5%到10%。

大多數(shù)短期內(nèi)存增長(zhǎng)將來(lái)自數(shù)據(jù)中心對(duì)運(yùn)行AI、ML和DL算法所需的高帶寬DRAM的需求增加。但隨著時(shí)間的推移，對(duì)邊緣AI內(nèi)存的需求將會(huì)增加，例如，聯(lián)網(wǎng)汽車可能需要更多的DRAM。

當(dāng)前內(nèi)存通常針對(duì)CPU進(jìn)行了優(yōu)化，但開(kāi)發(fā)人員現(xiàn)在正在探索新的體系結(jié)構(gòu)。吸引更多興趣的解決方案包括：

高帶寬內(nèi)存(HBM)。該技術(shù)允許AI應(yīng)用程序以最大速度處理大型數(shù)據(jù)集，同時(shí)最小化功率要求。它允許DL計(jì)算處理器通過(guò)稱為硅通孔(TSV)的快速連接訪問(wèn)三維存儲(chǔ)器堆棧。谷歌和英偉達(dá)等AI芯片領(lǐng)導(dǎo)者已采用HBM作為首選內(nèi)存解決方案，盡管它的成本是傳統(tǒng)DRAM每千兆字節(jié)的三倍，此舉表明其客戶愿意為昂貴的AI硬件付費(fèi)以換取性能提升。

片上存儲(chǔ)器。對(duì)于DL計(jì)算處理器，在DRAM或其他外部存儲(chǔ)器源中存儲(chǔ)和訪問(wèn)數(shù)據(jù)所花費(fèi)的時(shí)間，比同一芯片上的存儲(chǔ)器多100倍。當(dāng)谷歌設(shè)計(jì)張量處理單元(TPU)，一個(gè)專門用于AI的ASIC時(shí)，它包含足夠的內(nèi)存來(lái)存儲(chǔ)芯片上的整個(gè)模型。Graphcore等初創(chuàng)公司也在增加片上存儲(chǔ)容量，通過(guò)一種能最大限度提高人工智能計(jì)算速度的新架構(gòu)，將其提升到普通GPU的1000倍左右。對(duì)于大多數(shù)應(yīng)用而言，片上存儲(chǔ)器的成本仍然過(guò)高，芯片設(shè)計(jì)人員必須應(yīng)對(duì)這一挑戰(zhàn)。

存儲(chǔ)

AI應(yīng)用程序生成大量數(shù)據(jù) - 每年大約80EB，預(yù)計(jì)到2025年將增加到845EB。此外，開(kāi)發(fā)人員現(xiàn)在在AI和DL培訓(xùn)中使用更多數(shù)據(jù)，這也增加了存儲(chǔ)需求。這些轉(zhuǎn)變可能導(dǎo)致從2017年到2025年每年增長(zhǎng)25%至30%，這是我們調(diào)查的所有領(lǐng)域中最高的增長(zhǎng)率。作為回應(yīng)，制造商將增加存儲(chǔ)加速器的產(chǎn)量，價(jià)格取決于供應(yīng)與需求的同步。

不同于傳統(tǒng)存儲(chǔ)解決方案傾向于在不同的用例中采用一刀切的方法，AI解決方案必須適應(yīng)不斷變化的需求，而這些解決方案取決于應(yīng)用程序是用于培訓(xùn)還是推理。例如，AI培訓(xùn)系統(tǒng)在改進(jìn)算法時(shí)必須存儲(chǔ)大量數(shù)據(jù)，但AI推理系統(tǒng)僅存儲(chǔ)可能在將來(lái)培訓(xùn)中有用的輸入數(shù)據(jù)?？傮w而言，AI培訓(xùn)的存儲(chǔ)需求高于推理。

存儲(chǔ)的一個(gè)潛在顛覆是新形式的非易失性存儲(chǔ)器(NVM)。新形式的NVM具有介于傳統(tǒng)存儲(chǔ)器(如DRAM)和傳統(tǒng)存儲(chǔ)(如NAND閃存)之間的特性。它們承諾比DRAM更高的密度，比NAND更好的性能，以及比兩者更好的功耗。這些特性將支持新應(yīng)用，并允許NVM替代其他應(yīng)用中的DRAM和NAND。這些形式的NVM目前市場(chǎng)規(guī)模很小，未來(lái)兩年的收入約為10億至20億美元，但預(yù)計(jì)到2025年其收入將超過(guò)100億美元。

NMV類別包括多種技術(shù)，所有這些技術(shù)在存儲(chǔ)器訪問(wèn)時(shí)間和成本方面都不同，并且都處于不同階段。磁阻隨機(jī)存取存儲(chǔ)器(MRAM)具有最低的讀寫延遲，具有超過(guò)五年的數(shù)據(jù)保留和出色的耐用性。但是，它的容量擴(kuò)展是有限的，使其成為一種昂貴的替代方案，可用于頻繁訪問(wèn)的緩存而不是長(zhǎng)期數(shù)據(jù)保留解決方案。電阻式隨機(jī)存取存儲(chǔ)器(ReRAM)可能會(huì)垂直擴(kuò)展，使其在擴(kuò)展和成本方面具有優(yōu)勢(shì)，但它具有更慢的延遲和更低的耐用性。相變存儲(chǔ)器(PCM)適合兩者之間，3D XPoint是最著名的例子。在更廣泛采用之前，耐久性和錯(cuò)誤率將是必須克服的關(guān)鍵障礙。

網(wǎng)絡(luò)

AI應(yīng)用程序在培訓(xùn)期間需要許多服務(wù)器，并且數(shù)量會(huì)隨著時(shí)間而增加例如，開(kāi)發(fā)人員只需要一臺(tái)服務(wù)器來(lái)構(gòu)建初始AI模型，需要不到100臺(tái)服務(wù)器來(lái)改進(jìn)其結(jié)構(gòu)。但是使用真實(shí)數(shù)據(jù)進(jìn)行培訓(xùn)——邏輯上的下一步——可能需要幾百個(gè)。自動(dòng)駕駛模式要求超過(guò)140臺(tái)服務(wù)器在檢測(cè)障礙物時(shí)達(dá)到97%的準(zhǔn)確率。

如果連接服務(wù)器的網(wǎng)絡(luò)速度很慢(通常是這種情況)，它將導(dǎo)致培訓(xùn)瓶頸。盡管目前大多數(shù)提高網(wǎng)絡(luò)速度的策略都涉及數(shù)據(jù)中心硬件，但開(kāi)發(fā)人員正在研究其他選項(xiàng)，包括可以將數(shù)據(jù)路由到不同方向的可編程交換機(jī)。此功能將加速最重要的培訓(xùn)任務(wù)之一：無(wú)論何時(shí)更新模型參數(shù)，都需要在多個(gè)服務(wù)器之間重新同步輸入權(quán)重。使用可編程開(kāi)關(guān)，幾乎可以立即進(jìn)行重新同步，這可以將訓(xùn)練速度提高2到10倍。最大的性能提升將來(lái)自使用最多服務(wù)器的大型AI模型。

改善網(wǎng)絡(luò)的另一個(gè)選擇是在服務(wù)器中使用高速互連。這項(xiàng)技術(shù)可以使性能提高三倍，但它的價(jià)格也要高出約35%。

半導(dǎo)體公司需要針對(duì)AI市場(chǎng)的新戰(zhàn)略

很明顯，機(jī)會(huì)無(wú)處不在，但半導(dǎo)體公司并不能保證成功。為了獲取他們應(yīng)得的價(jià)值，他們需要專注于針對(duì)特定行業(yè)的端到端解決方案(也稱為微垂直解決方案)、生態(tài)系統(tǒng)開(kāi)發(fā)，以及遠(yuǎn)遠(yuǎn)超出改進(jìn)計(jì)算、內(nèi)存和網(wǎng)絡(luò)技術(shù)的創(chuàng)新。

客戶將重視微垂直的端到端解決方案，從而獲得強(qiáng)大的投資回報(bào)

AI硬件解決方案僅在與技術(shù)堆棧的所有其他層兼容時(shí)才有用，包括服務(wù)層中的解決方案和用例。半導(dǎo)體公司可以采取兩條途徑來(lái)實(shí)現(xiàn)這一目標(biāo)，還有一些已經(jīng)開(kāi)始這樣做了。首先，他們可以與合作伙伴合作開(kāi)發(fā)用于行業(yè)特定用例(例如石油和天然氣勘探)的AI硬件，以創(chuàng)建端到端解決方案。例如，Mythic開(kāi)發(fā)了一種ASIC，以支持醫(yī)療保健和軍事行業(yè)中圖像和語(yǔ)音識(shí)別應(yīng)用的邊緣推斷?；蛘?，半導(dǎo)體公司可以專注于開(kāi)發(fā)人工智能硬件，以實(shí)現(xiàn)廣泛的跨行業(yè)解決方案，就像英偉達(dá)開(kāi)發(fā)GPU一樣。

所采用的路徑將因細(xì)分行業(yè)而異。對(duì)于內(nèi)存和存儲(chǔ)播放器，解決方案往往在微觀垂直上具有相同的技術(shù)要求。相比之下，在計(jì)算中，AI算法要求可能會(huì)有很大差異。自動(dòng)駕駛汽車中的邊緣加速器必須處理依賴于云的語(yǔ)言翻譯應(yīng)用程序的大量不同數(shù)據(jù)。在這種情況下，公司不能依賴其他參與者來(lái)構(gòu)建與其硬件兼容的堆棧的其他層。

積極參與生態(tài)系統(tǒng)對(duì)成功至關(guān)重要

半導(dǎo)體公司需要?jiǎng)?chuàng)建一個(gè)軟件開(kāi)發(fā)者生態(tài)系統(tǒng)，通過(guò)提供具有廣泛吸引力的產(chǎn)品來(lái)選擇他們的硬件。作為回報(bào)，他們將對(duì)設(shè)計(jì)選擇產(chǎn)生更大的影響。例如，喜歡某種硬件的開(kāi)發(fā)人員將在構(gòu)建應(yīng)用程序時(shí)將其作為起點(diǎn)。然后他們將尋找與其兼容的其他組件。

為了幫助將軟件開(kāi)發(fā)人員納入其生態(tài)系統(tǒng)，半導(dǎo)體公司應(yīng)盡可能降低復(fù)雜性。由于現(xiàn)在有比以往更多類型的AI硬件，包括新的加速器，參與者應(yīng)該提供簡(jiǎn)單的界面和軟件平臺(tái)功能。例如，英偉達(dá)為開(kāi)發(fā)人員提供計(jì)算統(tǒng)一設(shè)備架構(gòu)，一種可與多種編程語(yǔ)言協(xié)同工作的并行計(jì)算平臺(tái)和應(yīng)用程序編程接口(API)。它允許軟件開(kāi)發(fā)人員使用支持統(tǒng)一計(jì)算設(shè)備架構(gòu)的GPU進(jìn)行通用處理。

在具有重要戰(zhàn)略意義的行業(yè)領(lǐng)域，英偉達(dá)還提供定制的軟件開(kāi)發(fā)套件。例如，為了幫助開(kāi)發(fā)自動(dòng)駕駛汽車的軟件，英偉達(dá)創(chuàng)建了DriveWorks，這是一個(gè)帶有現(xiàn)成軟件工具的套件，包括對(duì)象檢測(cè)庫(kù)，可以幫助應(yīng)用程序解釋汽車自動(dòng)駕駛時(shí)攝像頭和傳感器的數(shù)據(jù)。

隨著開(kāi)發(fā)人員社區(qū)對(duì)某些硬件架構(gòu)的偏好不斷增強(qiáng)，半導(dǎo)體公司的知名度將大幅提升，從而獲得更好的品牌認(rèn)知度。他們還將看到更高的采用率和更高的客戶忠誠(chéng)度，從而產(chǎn)生持久的價(jià)值。

只有為最終用戶增加真正價(jià)值的平臺(tái)才能與大型高科技參與者的綜合產(chǎn)品競(jìng)爭(zhēng)，例如谷歌的TensorFlow，ML和DL模型和算法的開(kāi)源庫(kù)。 TensorFlow支持谷歌的核心產(chǎn)品，如谷歌翻譯，也有助于公司鞏固其在AI技術(shù)堆棧中的地位，因?yàn)門ensorFlow兼容多個(gè)計(jì)算加速器

創(chuàng)新至關(guān)重要，參與者必須奮力一搏

許多想要啟用AI創(chuàng)新的硬件廠商專注于改進(jìn)計(jì)算過(guò)程。傳統(tǒng)上，該策略涉及通過(guò)內(nèi)存、存儲(chǔ)和網(wǎng)絡(luò)創(chuàng)新提供優(yōu)化的計(jì)算加速器或簡(jiǎn)化計(jì)算和數(shù)據(jù)之間的路徑。但是硬件參與者應(yīng)該跨越這些步驟，并通過(guò)升級(jí)來(lái)尋求其他形式的創(chuàng)新。例如，智能手機(jī)上用于安全認(rèn)證的基于人工智能的面部識(shí)別系統(tǒng)，是由專用軟件和三維傳感器實(shí)現(xiàn)，該三維傳感器投射數(shù)千個(gè)不可見(jiàn)的點(diǎn)以捕獲用戶臉部的幾何圖。由于這些點(diǎn)比攝像機(jī)的數(shù)百萬(wàn)像素更容易處理，因此這些認(rèn)證系統(tǒng)只需幾分之一秒即可完成，并且不會(huì)干擾用戶體驗(yàn)。硬件公司還可以考慮傳感器或其他創(chuàng)新技術(shù)如何實(shí)現(xiàn)新興的AI用例。

半導(dǎo)體公司現(xiàn)在必須明確自己的人工智能戰(zhàn)略

在人工智能領(lǐng)域率先行動(dòng)的半導(dǎo)體公司將更有可能吸引并留住客戶和生態(tài)系統(tǒng)合作伙伴，這可能會(huì)阻止后來(lái)者在市場(chǎng)上取得領(lǐng)先地位。隨著主要的科技公司和初創(chuàng)企業(yè)現(xiàn)在都在人工智能硬件領(lǐng)域展開(kāi)獨(dú)立努力，未來(lái)幾年，押注的機(jī)會(huì)窗口將迅速縮小?，F(xiàn)在要制定一個(gè)強(qiáng)有力的戰(zhàn)略，他們應(yīng)該關(guān)注三個(gè)問(wèn)題:

在哪里大展拳腳?制定重點(diǎn)戰(zhàn)略的第一步涉及確定目標(biāo)行業(yè)微觀垂直市場(chǎng)和人工智能用例。在最基本的層面上，這包括評(píng)估不同垂直領(lǐng)域的機(jī)會(huì)大小，以及AI解決方案可以消除的特定痛點(diǎn)。在技術(shù)方面，公司應(yīng)該決定是將重點(diǎn)放在數(shù)據(jù)中心的硬件上，還是放在邊緣。

怎么行動(dòng)?在向市場(chǎng)推出新的解決方案時(shí)，半導(dǎo)體公司應(yīng)采用合作伙伴的思維模式，因?yàn)樗麄兛赡芡ㄟ^(guò)與特定行業(yè)的老牌企業(yè)合作獲得競(jìng)爭(zhēng)優(yōu)勢(shì)。他們還應(yīng)該確定哪種組織結(jié)構(gòu)最適合他們的業(yè)務(wù)。在某些情況下，他們可能希望為所有行業(yè)創(chuàng)建專注于某些功能(如R&D)的組?；蛘?，他們可以讓團(tuán)隊(duì)專門選擇微垂直領(lǐng)域，讓他們發(fā)展專業(yè)技能。

什么時(shí)候行動(dòng)?許多公司可能會(huì)試圖進(jìn)入AI市場(chǎng)，但跟風(fēng)的成本很高，尤其是DL應(yīng)用程序。此外，隨著行業(yè)采用特定的AI標(biāo)準(zhǔn)并期望所有參與者都遵守這些標(biāo)準(zhǔn)，進(jìn)入壁壘將會(huì)增加。雖然快速進(jìn)入可能是某些公司的最佳方法，但其他公司可能希望采取更加謹(jǐn)慎的方法，即隨著時(shí)間的推移慢慢增加對(duì)特定微觀領(lǐng)域的投資。

AI和DL革命為半導(dǎo)體行業(yè)提供了幾十年來(lái)創(chuàng)造價(jià)值的最佳機(jī)會(huì)。 硬件可以成為決定先進(jìn)應(yīng)用是否進(jìn)入市場(chǎng)并引起關(guān)注的差異化因素。 隨著人工智能的發(fā)展，硬件需求將轉(zhuǎn)變?yōu)橛?jì)算、內(nèi)存、存儲(chǔ)和網(wǎng)絡(luò)，這將轉(zhuǎn)化為不同的需求模式。 最好的半導(dǎo)體公司將了解這些趨勢(shì)并追求創(chuàng)新，幫助將AI硬件提升到一個(gè)新的水平。 除了有利于他們的盈利外，他們還將成為人工智能應(yīng)用改變世界的驅(qū)動(dòng)力。