前几年的“人工智能热”让大小厂商陆续跳入AI芯片的研发大军中，而当这股潮水褪去，当初的50多家公司大多数都黯然退出历史舞台，如今只剩10家左右。AI芯片的风口已然过去。据艾瑞咨询发布的2019年《AI芯片行业研究报告》指出，目前AI芯片行业接近Gartner技术曲线泡沫顶端，只有通过市场检验和筛选的优质团队才能够继续获得产业、政策和资本的青睐与支持。
随着AI芯片进入深水区，人们更关注的不再是单纯的算力，还有对应用落地和商业化的支持：进入了哪些场景?合作了哪些客户?有没有软硬一体化方案?是否已经有实际案例?……“AI落地难”已成行业共识，浮华过后，AI芯片接下来将进入市场检验真理的阶段。
AI芯片为何落地难?
首先，我们来看下当前AI芯片的格局。目前市面上AI芯片主要分为云端AI芯片与终端AI 芯片，云端AI芯片主要部署在大型服务器中，可支持图像、语音等不同类别的AI 应用;终端芯片则被放在音箱、摄像头等硬件设备中。由于云端芯片起步较早，且所需要协同的CPU/GPU等硬件成本投入规模高，该领域已被英伟达、Intel等巨头瓜分殆尽;国内一众AI从业者大多选择发力在终端芯片领域，如自动驾驶、安防、零售、智能硬件等。但AI芯片终端市场细分化、碎片化、应用场景不明确也是一大难题。
至于AI芯片落地难的原因可能有无数个。例如，芯片研发比AI语言的更迭速度慢，当芯片面市时，其采用的AI语言可能已经过时了。这种问题首先体现在量产，但归根结底，缺乏杀手级应用场景才是最致命的。AI芯片厂商高投入研发过后，却不知道自己的产品要卖给哪些客户或者说应用到哪些产品上，无法找到可持续性的落地场景。
地平线的联合创始人兼副总裁黄畅表示，缺乏杀手级应用使得现有的AI芯片大多没有清晰的定位，无法高度优化PPA。做半导体的都知道PPA有多么重要，尤其是Performance。AI芯片需要针对应用场景进行设计，以此来指导研发调整优化方向，引导客户进行正确选择，同时能够促进行业有序协同向前发展。
再者，用户接受度也不高，AI应用所需要的数据闭环难以形成。需要明确的是，AI应用开发模式与传统软件开发流程不同，传统软件开发可清晰定义功能，通过编程就能实现;而AI应用则要通过示例(数据)来定义功能再进行开发，需要形成数据闭环，且自动迭代。
“AI是一个全新领域，AI芯片需要支撑的不仅是AI计算，更要面向场景，实现完整的功能。芯片公司多年的积累不是主要矛盾，其主要矛盾是如何将软硬件结合起来，开发出一个高效能、低功耗、低成本，同时能够又快又准的完成自主机器人的任务。AI芯片的成功不止于将ISP调的好，能够看清楚;也不是将传统的语音算法做的更精进，更不是说一个传统的车规芯片公司把CPU和DSP升级成一个NPU，AI芯片没有那么简单。”黄畅如是说。
在纷繁复杂的碎片化终端市场中，最需要什么样的AI芯片?黄畅认为：“需要的是能极致优化PPA的AI芯片，这个PPA的提升需是数量级的，要能适应未来数年的算法演进，同时充分考虑算法发展，从而能真正替代GPU。”
但黄畅也告诉半导体行业观察记者，目前AI芯片也有其可取之处，例如，大多数AI芯片的工具链都能对场景深度学习框架有比较好的支持，也培养了一些开发者，在开发成本上有一定的降低，减少了对于Cuda之类的编程生态的依赖。
谁来定义AI芯片的“好坏”?
都说AI芯片难落地，客户难评判，那么一款AI芯片的“好坏”究竟如何来评估呢?是TFLOPS?是TOPS?还是MLPerf?AI芯片界好像依然没能找到完美体现真实性能的衡量标准。
为何这么说?目前业界惯常使用的芯片评测标准有两种，一是峰值算力，但这只反映AI芯片理论上的最大计算能力，而非在实际AI应用场景中的处理能力，具有很大的局限性;二是目前行业较为知名的基准测试组织MLPerf，但其采用的模型少且更新速度滞后于算法演进的速度，无法及时反映算法效率的提升以及各种精度下芯片能够达到的计算速度，因而无法描述芯片AI性能的全貌。
针对当前AI芯片评测中存在的问题，地平线提出MAPS(Mean Accuracy-guaranteed Processing Speed)评测方法，针对应用场景的特点，在精度有保障的前提下，包容所有与算法相关的选择，评估芯片对数据的平均处理速度。为行业提供一个评估芯片AI性能的全新视角。
“评估芯片AI性能，本质上应该关注做AI任务的速度和精度，即‘多快’和‘多准’。”
黄畅介绍说：“MAPS评测方法，能关注真实的用户价值，将每颗芯片在‘快’和‘准’这两个关键维度上的取舍变化直观地展现出来，并在合理的精度范围内，评估芯片的平均处理速度。这个方法具有可视化和可量化的特点。”
(关键字：AI 芯片 解决)