全球AI芯片公司盘点及国外发展态势

你可能已经发现，近年来“AI芯片”这个术语在各大科技媒体中频繁出现。从智能手机发布会到云计算行业峰会，厂商们纷纷强调自家设备有多么“智能”。但归根结底，这些所谓的AI芯片究竟是指什么？它们与我们熟悉的中央处理器（CPU）又有哪些本质区别？更重要的是，它们凭什么能支撑起我们常说的“人工智能”应用？

我们先从最根本的差异说起。CPU之所以是CPU，是因为它需要处理各种不同类型的任务，从操作系统调度到文档编辑，几乎无所不包。这种“多面手”特性决定了它的架构设计——大量空间用于放置缓存（Cache）和控制单元（Control），而真正用于计算的单元仅占很小一部分。这就像一个统筹全局的大管家，虽然管理范围广泛，但一旦遇到繁重的计算密集型工作，就会显得力不从心。

而NPU（神经处理单元）和GPU的核心优势在于，它们天生就是为并行计算而设计的。打个比方，CPU就像在流水线上逐个处理任务，而NPU和GPU则像是一大群人同时开工。NPU通过一系列专门的硬件级优化，例如为不同处理核提供更易访问的缓存系统，将这种并行计算能力推向了更高的层次。这些计算核心比“常规”处理器更为精简，因为它们无需执行多种类型的任务，只需专注于一件事——高速运算。

寒武纪在A股科创板的成功上市，使其成为“AI芯片第一股”，并在业内引发热议。数据显示，目前中国IC设计企业已超过1500家，但专门从事AI芯片研发的公司屈指可数，创业企业仅有20多家。寒武纪无疑是其中备受瞩目的一家。从原理逻辑来看，AI处理器本质上是一种融合了人工智能技术与机器学习算法的特殊芯片。它通过采用多个具备特定功能的处理器组成的系统，来优化深度学习AI的工作负载。而普通CPU则被封装在更小的芯片包中，主要用于支持移动应用程序的运行。

大多数时候，各大公司的营销团队发现“人工智能”这个词听起来非常“前沿且华丽”，因此几乎将其捆绑到一切可能的商业场景中。因此，你听到的所谓“人工智能芯片”，其实大多是NPU（神经处理单元）的重新包装。它们是一种特殊类型的ASIC（专用集成电路），旨在移动市场中实现机器学习的广泛部署。这些ASIC拥有特殊的架构设计，能够在设备本地更快地执行机器学习模型，而无需将数据上传到服务器等待响应。尽管算力可能不如云端，但由于省去了数据传输的往返延迟，实际响应速度反而更快。

NPU相比普通CPU有哪些优势？

通俗来说，我们可以这样理解：NPU就是专为AI打造的芯片，而普通芯片则是CPU。CPU遵循冯·诺依曼架构，核心是“存储程序、顺序执行”，在常规负载环境下表现出色，但面对大规模并行计算时便捉襟见肘。而NPU和GPU的优势在于，它们能够同时运行多个并行线程。

NPU通过一系列特殊的硬件级优化，例如为不同处理核提供易于访问的缓存系统，将并行能力提升到了新的高度。这些高容量核心比“常规”处理器更简单，因为它们无需执行多样化的任务。这一整套“优化”使NPU效率更高，这也是为什么如此多的研发资源投入到ASIC中的原因。

机器学习模型的处理通常要求CPU、DSP、GPU和NPU同时协同工作，这是多个处理单元共同运作的体现。这也解释了为什么这类执行对于移动设备而言是“沉重的”。NPU的另一大优势在于，它将大部分时间集中在低精度算法、新型数据流架构或内存计算能力上。与GPU不同，NPU更关注吞吐量而非延迟。

当然，AI算法至关重要。在图像识别等领域，常用的是CNN卷积网络；在语音识别、自然语言处理等领域，则主要采用RNN。这两类算法虽然有所不同，但本质上都是矩阵或向量的乘法、加法，再加上一些除法、指数等运算。

一个成熟的AI算法，针对卷积运算和加权求和等特定数学运算进行了优化，整个过程非常高效。它就像一个没有图形处理硬件的GPU。对于AI芯片而言，如果确定了具体的目标尺寸，那么总的乘法加法计算次数是固定的。举个例子，如果总计算量为一万亿次，用AI芯片运行程序，只需一顿饭的功夫就能完成；而用CPU，可能需要运行好几个星期。在商业竞争中，这种时间上的巨大差异，没有哪家公司能够忽视。

全球AI芯片公司有哪些？

除了寒武纪，国内还有比特大陆、地平线、天数智芯、熠知电子、探境科技、燧原科技、海思、嘉楠科技等企业。它们都经历了自2015年至今的实际落地验证，才走到今天。每家公司产品都有自己独特的风格，在功耗、性能、应用场景上各有侧重，在中国广阔的市场中各自占据了一席之地。

中国AI芯片公司正处于发展热潮之中，那么国外的情况又如何呢？让我们来看看那些被公认为顶级人工智能芯片开发者的公司（排名不分先后）：

1. Alphabet（谷歌母公司）
谷歌在多个领域推动着AI技术的发展，其最著名的产品是张量处理单元（TPU）。这是一款专为TensorFlow编程框架设计的ASIC。Cloud TPU用于数据中心，尺寸如信用卡大小；而Edge TPU则小于一枚一美分硬币，专为特定设备设计。不过，分析师认为，谷歌的Edge TPU短期内不太可能出现在自家手机上，更可能用于更高端的企业级设备。

2. Apple
苹果多年来一直在开发自己的ARM芯片，最终可能会彻底停止使用英特尔等供应商的芯片。该公司在最新款iPhone和iPad上使用了A13“仿生”芯片，其内置的神经引擎是电路的一部分，第三方应用程序无法直接调用。A13比前代更快、更省电，而A14版本据悉已在生产中。

3. ARM
ARM本身不制造芯片，而是设计芯片架构，被包括苹果在内的所有领先厂商采用。该公司正沿着三个方向开发AI芯片设计：Project Trillium（超高效、可扩展的新型处理器）、机器学习处理器，以及用于处理TensorFlow和Caffe等框架的Arm NN处理器。

4. Intel（英特尔）
英特尔早在2016年就收购了初创公司Nervana Systems。其AI芯片系列被称为“神经网络处理器”，通过模仿人类大脑的工作方式进行学习和训练。随着Nervana的发布，英特尔似乎优先解决与自然语言处理和深度学习相关的问题。

5. Nvidia（英伟达）
在GPU市场，英伟达一直占据领先地位，它在AI芯片市场同样获得了优势。其Jetson Xavier于2018年发布，该公司CEO黄仁勋表示：“这台小电脑，将成为未来机器人的大脑。”深度学习是英伟达的主要兴趣领域，而GPU则是其AI产品的核心支撑。

6. AMD（超微半导体）
与英伟达类似，AMD在显卡和GPU领域实力雄厚。它提供EPYC处理器和Radeon Instinct GPU用于机器学习和深度学习。该公司已签约向美国能源部提供系统，用于建造世界上最快的超级计算机之一“Frontier”。

7. Qualcomm（高通）
高通在智能手机市场获利丰厚，但苹果停止购买其芯片的决定让它有些失落。不过高通并未止步，去年发布了新的“云人工智能芯片”，并将其与5G技术联系起来。分析师认为，高通的移动设备经验将有助于实现其“让设备上的人工智能无处不在”的目标。

当然，还有三星、台积电、Facebook、IBM、LG等大型国际公司也在研发自己的AI芯片。谁能率先掌握最前沿的技术，谁就能在新的经济浪潮中分得最大的一块蛋糕。

各家公司描绘给我们的现实，与公司外的实际可能截然不同。尽管几十年的研究让我们在处理信息和分类输入方面比以前快得多，但我们购买的硬件中并没有真正的“人工智能”。哪家芯片公司能够抓住市场痛点，最先实现应用落地，谁就能在AI芯片的赛道上取得领先优势。

目前，全球人工智能产业依旧高速发展，不同行业为AI应用提供了广阔的市场前景。AI芯片是实现算法的硬件基础，也是未来人工智能时代的战略制高点，全球各大顶级公司势必为此展开激烈竞争。不过，目前的AI算法往往各具优劣，只有为它们设定合适的应用场景，才能最好地发挥其作用。

从产业发展来看，现在仍然是人工智能芯片的初级阶段，无论是科研方向还是商业应用，都有巨大的创新空间。在应用场景中，算法迭代的AI芯片正朝着更高灵活性、更强适应性的通用智能芯片方向发展。更少的神经网络参数计算位宽、更多样的分布式存储器定制设计、更稀疏的大规模向量实现、复杂异构环境下更高的计算效率、更小的体积和更高的能量效率——计算与存储一体化，将成为未来人工智能芯片的主要特征和发展趋势。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：全球AI芯片公司盘点及国外发展态势要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题