企業們的戰略搖擺、動作變形隨處可見，仿佛是一個個行走的創業記錯本。他們趟過的坑、摔過的跟斗，其他玩家即便親眼看見了各種失敗先例，可肉身還是得下場走一遭。這就是創業，聽過無數的道理，也逃不過重復別人失敗的一生，這更是創業者的宿命：不斷的試錯和驗證。

　　AI芯片市場如今進入洗牌時刻，加速呈現去 AI 化趨勢，在中國的這場狂歡又該怎么收場?

　　繁榮背后的一地雞毛

　　AI芯片的火爆，與其說是AI技術發展的果實，不如說是資本的產物。資本如酒，能壯創業膽。

　　忽如一夜春風來，千樹萬樹梨花開。隨著AI產業的迅速發展，越來越多的企業都投身到了AI淘金這股浪潮中，而其中最為耀眼的便是AI芯片。

　　為什么好像一夜之間大家都在造AI芯片?

　　雖然從AI芯片相對偏長的投資回報周期來看，芯片與資本的逐利本性來看是相沖突的，但是它可以包裝成為一個好故事。

　　早前就有業內人士提出質疑：人工智能芯片概念比較怪，定義也非常寬泛。AI市場的第一顆芯片是包括現成的CPU，GPU，FPGA和DSP的各種組合。在國外巨頭眼中的AI芯片更多是基于傳統的通用芯片架構中去升級或者拼裝組合。

　　OneSpin Solutions總裁兼首席執行官Raik Brinkmann也在質疑并提出了以下問題：在AI芯片中，你有三個問題需要解決：

　　首先，需要處理大量的數據;

　　其次，構建用于并行處理的互連;

　　最后，功率，這是移動數據量的直接結果。

　　所以亟須從馮諾依曼架構轉變到數據流架構。然而，AI芯片究竟是什么樣子，以及該如何定義還沒有統一的標準。在國內市場來看，更多是一個缺乏嚴格定義的偽概念。

　　這種令外界心跳業內竊喜的概念，更多是為了商機而制造出來的“新技術”。

　　而正是因為缺乏定義與標準，所以它有了將概念包裝講故事的空間。

　　當然對于很多人來說，有一個好的故事來圈錢已經足夠。

　　隨著各行各業的企業都開始進入IC行業，人才需求量猛增。但是人才培養的速度完全跟不上需求的增長。因此，新進入的企業高薪挖人，高薪搶人已經成為常態，應屆生的薪資水漲船高。能夠拿出高薪的企業有兩種：

　　其一，拿到大筆融資的初創企業;

　　其二，入局IC的互聯網巨頭。

　　對于初創公司來說，要對得起投資人的大筆投資，技術團隊必須建立起來。往往投資人的壓力也比較大，一般需要在一定時間之內，建立多少人的隊伍。時間一到，是需要向投資人匯報的。因此，技術團隊建設，往往比較急。而恰恰這類企業，由于知名度不夠，招人還不太容易招到。正所謂，重賞之下必有勇夫，那就用更高的薪水來吸引人才。如果50%不夠，那就雙倍。反正投資人的錢是必須要花的。

　　其實，也不是所有的初創企業都有實力不計代價的砸錢。如果沒錢怎么辦?可以許諾股份。由于沒有上市，估值就有很大的隨意性。因此，招人的時候，可以許諾價值數百萬的股份，一樣可以吸引很多人加入。當然，到變現的時候，就要看造化了。

　　另外一種企業，就是大名鼎鼎的互聯網巨頭。財富，聲望都完全吊打創業公司。無論是老BAT(百度，阿里，騰訊)還是新三巨頭(字節，阿里，騰訊)，都已經入局。這類企業，資金雄厚，認準一個行業，重金投入，然后將整個行業洗牌。

　　共享單車、滴滴快滴大戰、外賣，這些企業以及代理，憑借雄厚實力，砸入重金，瘋狂補貼。一般企業哪里見過這樣的世面?要么被收購，要么就得倒閉。

　　如今，這些企業進入到芯片行業。傳統芯片行業，憑借搞芯片賺取的微薄利潤，如何和這些互聯網企業競爭?這些企業的海量資金，不是來自于芯片，而是流量。他們可以拿出傳統芯片企業難以拿出的薪水，再加上初創公司難以企及的名氣，成為了吸引人才無往不利的大招。

　　芯片行業并不是暴利行業。要不是中美科技競爭，芯片行業可能根本不會吸引眾多人才的注意。

　　傳統芯片公司，像海思這樣背后有著實力雄厚靠山的企業少之又少。長期以來，更多的企業一直在歐美等芯片巨頭的陰影之下發展。芯片火熱的大背景下，這些企業，原本以為自己有了機會，有了出頭之日。但可悲的是他們還沒來得及高興，互聯網公司來了。

　　這就出現了非常吊詭的現象：芯片行業受到了前所未有的重視，很多芯片公司也打開了市場，結果赫然發現，自己的團隊，或被挖空，或集體出走。以往，芯片公司往往會死于沒有市場，如今，他們的死亡的可能又多了兩樣：

　　死于沒有產能;

　　死于沒有員工。

　　互聯網企業，賺的是快錢;芯片，卻是需要長期的投入，卻往往看不到什么利潤。互聯網企業現在可以重金砸向芯片，如果不見什么利潤的話，會不會始亂終棄，最后搞得一地雞毛?那就真的是歷史的罪人了。

　　被低估的軟件復雜度

　　AI 芯片的快速發展，其中一個回避不了的問題就是軟件復雜度的指數級提升。很多公司花了兩年甚至更短的時間做出一款芯片，卻發現需要更長的時間支持繁多的框架、緊跟算法的進步，適配從終端到數據中心的各類平臺。當錯過了部署和量產的窗口期，即便做出了芯片也會很快落伍。

　　與設計通用架構不同，設計 AI 芯片這樣的專用架構需要同時考慮到軟件設計和優化。芯片公司往往樂觀估計了軟件適配和優化的成本，指望通過中間件和編譯器來解決所有問題。事實上，從 Intel 到 Google 再到 Nvidia，大量的軟件工程師正被投入到適配各種平臺，手動優化網絡性能當中。而對于初創公司，芯片早已 tapeout 卻一再延期交付的問題比比皆是。

　　從本質來看，當我們開始不斷挖掘芯片架構的潛力時，軟件層的抽象也會變的越來越困難，因為其不得不在上層抽象中引入底層的架構的模型或參數。現在的通常做法是做底層芯片架構與上層軟件之間的中間件，然而開發這些中間件的代價也往往被低估。

　　AI是一個全新領域，AI芯片需要支撐的不僅是AI計算，更要面向場景，實現完整的功能。芯片公司多年的積累不是主要矛盾，其主要矛盾是如何將軟硬件結合起來，開發出一個高效能、低功耗、低成本，同時能夠又快又準的完成自主機器人的任務。

　　AI芯片的成功不止于將ISP調的好，能夠看清楚;也不是將傳統的語音算法做的更精進，更不是說一個傳統的車規芯片公司把CPU和DSP升級成一個NPU，AI芯片沒有那么簡單。

　　碎片化嚴重

　　只需要編寫一套代碼即可運行在不同平臺，是軟件工程師們的長久訴求。不同架構的 AI 芯片帶來的碎片化會極大的打擊他們在實際軟件產品中應用 AI 的積極性。

　　與以往的經驗不同，深度學習糟糕的解釋性會帶來許多意想不到的缺陷。

　　比如這樣一個常見的困擾：一個私有的模型可以在本地 CPU 上得到滿意的結果，然而卻在部署到某款設備后性能大幅下降。如何調試這些問題，誰來負責調試，通過怎樣的工具來調試，甚至調試的工程師能否拿到私有的模型?這些問題都難以回答。

　　碎片化還表現在，專有架構為了挖掘絕對性能往往會放棄向前兼容性。如上文提到的中間件，它的一端是碎片化的 AI 軟件框架，另一端則是一代又一代的芯片架構。如何同時維護多個部分不兼容的指令集架構，并保證每一次軟件更新都能完整的覆蓋所有的設備?

　　除了投入更多的人力，別無他法。一個常見的論調是像當下的消費級芯片一樣只保持一個短期的(2~3年的)軟件支持，然而當下 AI 芯片的常見應用領域，如智能攝像頭、工業智能、以及自動駕駛，一款芯片的生命周期可能長達十年。

　　很難想象一家公司需要多大的量級才能提供持久的技術支持，如果預估一家初創公司活不過兩三年，如何才能放心地部署其產品到一款面向消費者的量產車上？

　　同質化嚴重，深陷價格戰

　　在2021年ICCAD上，清華大學教授，博士生導師魏少軍教授指出，在2810家芯片設計企業中，僅有32家企業的人數超過1000人，51家企業人員規模為500~1000人，人員規模100-500人的有376家。此外，更是有2351家企業是人數少于100人的小微企業，占比高達83.7%。可見，國內芯片設計企業體量規模差異較大，大部分初創企業規模較小。

　　受限于規模體量，中小芯片公司專業管理能力不足，自建的技術和運營團隊也難以長久維持，幾款產品的銷售額和利潤很難攤薄芯片成本，同時還要持續的投入研發，兩者難以兼顧。

　　因此，不少公司為了攤薄投入，盲目拓展產品線，希望通過低價快速去其他芯片細分領域探尋市場機會，但這種策略容易使其他企業也來自己的主戰場殺低價，導致國內芯片行業的同質化競爭嚴重，造成內卷化的慘烈競爭。

　　以MCU芯片為例，涉及MCU業務的企業占比較多，競爭非常激烈。雖然市場上已有瑞薩電子、恩智浦、英飛凌、意法半導體、微芯科技、德州儀器等國際大牌廠商，以及士蘭微、兆易創新、中穎電子、國民技術、芯海科技等一眾本土企業，但國內MCU初創企業仍在不斷增加。

　　據不完全統計，當前國內MCU廠商已有上百家，本土MCU品牌的產品序列、采用工藝、性能參數也幾乎是完全對標進口品牌，產品同質化情況嚴重，且價格戰越來越激烈，尤其是在通用MCU市場。

　　這也進一步導致本土廠商對產品的創新能力低下，只能模仿市場上的熱門產品，自身產品易于替換，代理商和客戶對品牌的忠誠度也必然會變低。

　　此外，自動駕駛芯片、AI芯片等在內的諸多賽道都存在類似的情況，新晉企業盲目造芯可能導致國內芯片企業同質化、低端化項目頻出，采用低價競爭的方法爭取市場份額，最后難免留下“一地雞毛”，不僅造成資源浪費，還會拖累產業發展。

　　供應鏈困難雪上加霜

　　對于初創AI芯片公司來說，一顆芯片在產品化過程中，產業鏈的管控和自身需求之間存在巨大障礙。由于缺乏規模效應和相關經驗，初創公司一般很難得到足夠的供應鏈支持(流片/晶圓代工/封裝測試等)、合理的價格、及時的技術支持和公平競爭的機會，在近兩年產能緊張的局勢下這種情況更為嚴峻。很多創業團隊難以發揮出自己的技術優勢，反而被供應鏈和運營的短板拖累，把太多精力浪費在試錯和踩坑，最終影響芯片的研發進展。

　　從流片環節來看，流片是芯片設計企業至關重要的一環，上乘芯片設計，下啟封裝測試，是芯片從無形的數據轉換給物理實體的重要步驟，也是芯片企業研發成果的重要體現。與具有雄厚研發實力、資深技術人員和供應商強力支持的頭部企業相比，處于腰部甚至腿部的中小芯片設計企業往往缺乏相關經驗，在專業度以及所獲得資源方面遠不如頭部企業。

　　尤其是在當前芯片產能緊缺的狀態下，一個公司的綜合能力全部體現到能否搶到產能這個單一指標。大客戶在產能爭奪中的表現會相對好很多，因為他們的出貨量和資金是支持他們與晶圓廠一直保持合作的底氣。但對于初創企業來說，在這方面的不足就被暴露出來。

　　中小芯片企業在流片環節與晶圓代工廠之間的錯位與矛盾：

　　對Foundry體系不了解：缺乏工藝選型的經驗，對流程不熟悉、交期變化、產能波動等都將大大增加初創公司與晶圓代工廠的溝通成本，降低效率;

　　缺乏系統的供應鏈管理能力：尤其在ramp up階段，對產能、交期、質量過于樂觀，影響TTM;

　　缺乏備貨機制：恐慌性下單或有了訂單再下單導致產能跟不上市場需求。

　　縱觀國內的芯片設計企業，除了具備較強供應鏈實力的部分頭部廠商，大多數中小公司或多或少都存在或將面臨上述困擾。除了面對市場的挑戰，還要面對供應鏈的激烈競爭。

　　量產真相：落地艱難

　　隨著AI芯片進入深水區，人們更關注的不再是單純的算力，還有對應用落地和商業化的支持：進入了哪些場景?合作了哪些客戶?有沒有軟硬一體化方案?是否已經有實際案例?……“AI落地難”已成行業共識，浮華過后，AI芯片接下來將進入市場檢驗真理的階段。

　　短短幾年時間，AI芯片經歷了概念炒作、泡沫破滅、修正預期和改進問題。多位AI芯片公司的CEO都表示，AI芯片一直在持續發展，落地的速度確實比他們預期的慢。

　　目前市面上AI芯片基本被分成了兩類：

　　云端AI芯片：部署在大型服務器中，可支持圖像、語音等不同類別的AI 應用;

　　終端AI 芯片：部署在自動駕駛、安防、零售、智能硬件等音設備中。

　　兩者對比，云端芯片的門檻更高，無論是對半導體工藝、封裝技術和配套軟件都有很高要求，一旦成型，其他企業亦很難進入，可以形成競爭壁壘。同時，這個領域更為通用，前景更廣，是讓企業真正有希望成為“中國英偉達”的方向。

　　但云端芯片也需要更多的資金和生態支持，高門檻使得大多數創業公司幾乎加入無望。尤其是在華為與阿里巴巴兩大巨頭下場，并先后推出云端芯片之后，如今，寒武紀幾乎是唯一一家仍在堅持云端芯片方向的AI創業公司。(然而寒武紀當下的生存狀態依然陰云籠罩，充滿了太多不確定性，參見：寒冬里的寒武紀)

　　可這個方向同樣困難重重。做云端服務器的條件是擁有生態資源。比如你需要有數據庫資源，要訓練自己的芯片，這對于大廠是天然的，可是創業公司沒有，要花巨資去購買。

　　與寒武紀相對，大多國內的AI芯片企業則集中在進入門檻較低的終端AI芯片方面，如云天勵飛、肇觀電子等企業，均以研發智能視覺芯片為主，也有一些企業在集中研究智能語音芯片。

　　芯片研發比AI語言的更迭速度慢，當芯片面市時，其采用的AI語言可能已經過時了。這種問題首先體現在量產，但歸根結底，缺乏殺手級應用場景才是最致命的。AI芯片廠商高投入研發過后，卻不知道自己的產品要賣給哪些客戶或者說應用到哪些產品上，無法找到可持續性的落地場景。

　　缺乏殺手級應用使得現有的AI 芯片大多沒有清晰的定位，無法高度優化PPA。做半導體的都知道PPA有多么重要，尤其是Performance。AI芯片需要針對應用場景進行設計，以此來指導研發調整優化方向，引導客戶進行正確選擇，同時能夠促進行業有序協同向前發展。

　　加速去AI化，決勝2023

　　AI芯片初創成立之初都以AI為核心，提供基于AI芯片的解決方案。然而，經過這幾年的探索，跨過虧損和量產的兩大障礙之后，AI芯片公司的AI標簽不再那么突出，呈現去AI化趨勢，AI芯片公司間的分水嶺也即將出現。

　　在多個從業者看來，AI芯片并非一個獨立的存在，“只是場景中的一部分”，如果想讓產品真正落地，創業者們需要掌握的是“場景理解能力”。

　　早年間，CV四小龍幾乎都在探索AI+行業，而“行業”則包含金融、零售、安防、汽車、物流等領域，不同點在于各自的領域各有側重。但從2019年前后，同處計算機視覺下的AI四小龍開始講起了“獨特”故事：

　　曠視把目標定在了AIoT上，所有業務都要帶上“物聯網”。基于此，還打造了“算法+軟件+硬件”的一體化產品體系，推出物聯網時代的AIoT操作系統。目前，在招股書中，其主要業務分為物聯網解決方案、城市物聯網解決方案、供應鏈物聯網解決方案;

　　依圖則在探索應用場景過程中發現了產業鏈上的“芯片”一環，于是打開了“算力提供商”的新世界，以人工智能芯片技術和算法技術為核心;

　　商湯招股書中，其主營業務分類為智慧商業、智慧城市、智慧生活和智慧汽車。將自身定位成人工智能軟件平臺型公司，打出了“1(基礎研究)+1(產業結合)+X(行業伙伴)”戰略，AI+“所有”，沒有給自己限定場景，什么行業都做;

　　云從則是涉及智慧金融、智慧治理、智慧出行、智慧商業四個領域;

　　作為CV領域的“小弟”，格靈深瞳的業務分類為城市管理產品及解決方案、智慧金融產品及解決方案、商業零售產品及解決方案。

　　AI 企業家們現在講出的故事，早已不再能如同此前般打動人心。二級市場的表現倒掛一級市場，這讓投資者們對“估值高、回報周期久”的AI公司已經失去了信心和耐心。資本冷卻的重擔最先就砸在了“CV四小龍”所在領域。這堪稱“三十年河東三十年河西”，此前，由于早期需求明確、數據好獲取，CV是中國市場AI行業中技術和落地均發展最快的市場。按照2021年2月的報道數據，我國各種類型的機器視覺企業已經超過4000家。現在，它卻成為“卷”得最厲害的窄巷。

　　市場對AI企業們正在提出新的要求。與過去以技術單點為發力方向、抓住某一場景持續燒錢獲取、處理、訓練數據的方式不一樣，如今業界更多地開始強調AI技術在向工業場景遷移過程中的落地能力。

　　在這一過程中，人工智能作為一種底層技術，當深入具體的產業及行業深處時，它們面臨的便不再僅僅是技術層面的挑戰，甚至之前它們所依賴的技術優勢，正在逐步被削弱。

　　AI芯片公司以AI為出發點設計芯片，但客戶對AI的需求可能并沒有那么強烈。比如在安防行業，即便能夠提供優秀的AI能力，但客戶更在意的是ISP(圖像信號處理器)性能，這些領域的客戶只會選擇ISP性能更好的產品。

　　過去幾年間成功找到落地場景或者驗證商業模式可行的AI芯片公司，AI的標簽越來越弱。AI芯片公司的產品以AI為出發點，不斷集成客戶所需的各種非AI功能(如控制、通信等)。

　　這個難題就足以困住大量的AI芯片公司，因為懂應用的人不懂 AI，懂芯片的人不懂應用，芯片提供者和應用者之間有巨大的認知差。

　　無論從技術門檻、落地場景和市場競爭來看，如今AI創業的窗口期已過，理解一個場景，深挖和精準研發，甚至整合這個場景的解決方案，企業還是有機會活下去。不過，如若能做到，這些企業也許已轉型為某個場景方案解決商，而不再是“AI 芯片企業”。

　　寫在最后

　　AI芯片市場進入一個洗牌的時刻。回到筆者在開頭提到的問題：AI芯片在中國的這場狂歡如何收場?

　　當無數的巨頭和初創公司設計出一塊又一塊大同小異的 AI 芯片，我們需要回答這樣一個問題：真的需要這么多 AI 芯片嗎？

　　從一個軟件工程師的角度，我個人堅信定制化的 AI 處理器只會是一個過渡期產物。一個統一的、可編程的、高并發的架構才應該是我們追求的方向。回想過去的二十年，我們見證了專用架構的小型機市場的萎縮，圖形處理器到通用向量處理器的發展，甚至連我們的手機和電腦的平臺都將趨于統一。

　　任何事物一旦進入泡沫期，就不免讓人擔心什么時候會崩盤，而當下的 AI 芯片已經進入公認的泡沫期。據艾瑞咨詢發布的《AI芯片行業研究報告》指出，目前AI芯片行業接近Gartner技術曲線泡沫頂端，只有通過市場檢驗和篩選的優質團隊才能夠繼續獲得產業、政策和資本的青睞與支持。

　　2022年，已經找到了應用和驗證了商業模式的AI芯片會生存下來，而大量還在探索的公司，最快在2023年就會面臨被淘汰的風險。