新品競相發布，AI 芯片行業格局漸趨明朗。AI 芯片設計是人工智能產業鏈的重要一環。自2017 年5 月以來，各AI 芯片廠商的新品競相發布，經過一年多的發展，各環節分工逐漸明顯。AI 芯片的應用場景不再局限于云端，部署于智能手機、安防攝像頭、及自動駕駛汽車等終端的各項產品日趨豐富。除了追求性能提升外，AI 芯片也逐漸專注于特殊場景的優化。
AI 芯片市場規模：未來五年有接近10 倍的增長，2022 年將達到352 億美元根據我們對相關上市AI 芯片公司的收入統計，及對AI 在各場景中滲透率的估算，2017年AI 芯片市場規模已達到39.1 億美元。
云端訓練芯片：TPU 很難撼動Nvidia GPU 的壟斷地位。訓練是指通過大量的數據樣本，代入神經網絡模型運算并反復迭代，來獲得各神經元“正確”權重參數的過程。CPU 由于計算單元少，并行計算能力較弱，不適合直接執行訓練任務，因此訓練一般采用“CPU+加速芯片”的異構計算模式。目前Nvidia 的GPU+CUDA計算平臺是最成熟的AI 訓練方案。
Nvidia GPU 在云端訓練芯片中占據領導者地位。GPU 最初只服務于圖形處理加速，為了使GPU 能夠更好地用于通用計算，Nvidia 開發了CUDA 計算平臺。CUDA 對各種主流學習框架的兼容性最好，成為Nvidia 的核心競爭力之一。目前Nvidia GPU 已發展到第六代Volta架構，5120 個CUDA 核心提供了超120 TFLOPS 深度學習算力，帶寬高達900GB/s，以其優異的性能繼續在全球領先。
在GPU 之外，云端訓練的新入競爭者是TPU。Google 在去年正式發布了其TPU 芯片，并在二代產品中開始提供對訓練的支持，但比較下來，GPU 仍然擁有最強大的帶寬（900GB/s，保證數據吞吐量）和極高的深度學習計算能力（120 TFLOPS vs. TPUv2 45 TFLOPS），在功耗上也并沒有太大劣勢（TPU 進行訓練時，引入浮點數計算，需要逾200W 的功耗，遠不及推斷操作節能）。目前TPU 只提供按時長付費使用的方式，并不對外直接銷售，市占率暫時也難以和Nvidia GPU 匹敵。
